解决Yolov8中，分割数据集与检测数据集混合的问题(Polygon与Box标注混杂在一个数据集）

已于 2024-07-19 14:46:18 修改
阅读量2.4k 收藏 21
点赞数 14
CC 4.0 BY-SA版权
分类专栏： python yolov8 文章标签： YOLO
于 2024-03-07 21:48:33 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Jenlibein/article/details/136546852

解决训练过程中出现的警告：

WARNING ⚠️ Box and segment counts should be equal, but got len(segments) = ****, len(boxes) = ****. To resolve this only boxes will be used and all segments will be removed. To avoid this please supply either a detect or segment dataset, not a detect-segment mixed dataset.

WARNING ⚠️ Box and segment counts should be equal, but got len(segments) = ****, len(boxes) = ****. To resolve this only boxes will be used and all segments will be removed. To avoid this please supply either a detect or segment dataset, not a detect-segment mixed dataset.

我从Roboflow标注网站的开源数据集中收集数据的时候，我发现获得的数据集中不会自动分开分割集与检测数据集（Polygon与Bounding Box类型的标注混杂在一起）

导致Yolov8运行的时候自动抛弃分割数据标注部分，导致数据集大量空缺，模型精度大幅下降（Polygon部分被抛弃）

观察txt文件，发现分割的数据集是以坐标形式存在的，而box标注的数据集是以xywh形式存在的。

为了解决这个问题，我想出两个办法。

最低0.47元/天 解锁文章

200万优质内容无限畅学
将语义分割的标注mask转为目标检测的bbox
@bangbang的博客
10-20 1518
函数到bbox的左上和右下坐标。语义分割的标签是利用。信息，主要包括: (
测试 yolov8 分割模型 边缘检测
weixin_41306321的博客
01-22 3129
发现 cfg/default.yaml 参数 mask_ratio 等于4 直接训练如下边缘分割标签,推理时mask 稀疏，训练时分数偏低,mask_ratio 改为1训练时打印的mask 的 P指标一直为0,将imgsz=原图size 训练分数也不高。修改了源码中的两处,还是保持mask_ratio等于4,重新训练,推理如下,虽然mask粗糙但几乎不产生断裂。类SegmentationPredictor postprocess方法 外扩mask 1个像素。且出现上边缘mask被box过度剪裁的情况。
图像分割标签转换为检测标签
Finddog的博客
08-07 445
用于将labelme的分割标签转换为VOC格式的检测标签
The Berkeley Segmentation Dataset and Benchmark-BSDS300
01-22
BSDS300数据集为图像分割和边缘检测的研究提供基准； 数据集由30个人类受试者完成，通过向一半的受试者提供彩色图像，向另一半提供灰度图像，从而完成图像的手工分割 BSDS300数据集分为包含200张图像的训练集和100张图像的测试集 BSDS300 human为每个受试者完成的手工标记数据集
使用yolov5实现目标检测和yolov8实现分割简单案例
乄bluefox - 优快云博客
08-17 1790
下载这两个，下载好yolov5s.pt，yolov5m.pt，yolov5l.pt，yolov5x.pt这些权重文件，并放置在yolov5代码里面weights文件夹目录下。测试这个案例之前需要安装一些前置的东西，如果已经安装的可以忽略，下面我给出我跟着做的一些很好的博客提供大家参考，因为我们主要目的还是实现yolov5的目标检测。打开anaconda的命令行，在yolov5的虚拟环境下，这个yolov5环境是我之前配置pytorch的。yolov5为创建的虚拟环境名，python版本需要和自己的对应。
语义分割数据集
zhulf0804的博客
02-19 3832
Segmentation Dataset This is only a brief introduction to some semantic segmentation datasets. More detailed information and more semantic segmentation datasets will be updated in the future.(这仅仅是部分语义...
VPGNet数据集解析且将分割标签转化为目标检测标签
qq_45836365的博客
12-06 2229
VPGNet是一个包含了四个场景(晴天，夜间，阴雨等）下的交通路况数据集，其主要是针对地面标志（箭头线，人行道）的任务，该数据集一共包括以下17类地面标注 该数据集下载地址为：VPGNet数据集下载 下载解压得到的数据集文件格式为 Scene_x —%datetime_aaa_xxx -----id.mat 该数据集的所有有用信息均保存在一个(6404805)的mat文件中。数据集的关键信息均保存在(6404805)的数组中，前三个通道为图片的rgb三通道信息，第四维通道为图像的17类二值分割图像(像素值为
yolov8模型测试图片识别目标时，部分检测框重合，如何解决
yszbrzdd的博客
02-21 6861
找出有iou这个参数默认是0.7，我改成0.1后重新识别问题解决。我用的yolov8,所以不能套用上述博文方法，NMS 的 "相交大于结合"（IoU）阈值。
【图像分割数据集】-蛇分割数据集1386张json格式.zip
12-14
重要说明：可以将数据集用labelme打开编辑，json数据集需自己转成mask或者yolo格式或者coco格式作语义分割或者实例分割 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
[数据集][分割]电力场景输电线路与输电塔分割数据集labelme格式1232张5类别.docx
最新发布
05-19
值得注意的是，本数据集采用的labelme标注工具版本为5.2.0，这是一个功能强大的开源标注工具，广泛应用于图像分割标注领域。使用labelme打开并编辑数据集，用户可以轻松地对图像进行多边形框标注，并将json数据转换...
舌头分割数据集labelme格式2557张1类别.zip
12-14
重要说明：可以将数据集用labelme打开编辑，json数据集需自己转成mask或者yolo格式或者coco格式作语义分割或者实例分割 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
图像分割数据集海洋水体船只分割数据集labelme格式6123张3类别.7z
12-13
重要说明：可以将数据集用labelme打开编辑，json数据集需自己转成mask或者yolo格式或者coco格式作语义分割或者实例分割 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
【记录】yolov8实例分割数据集转换方法及训练发生错误的解决办法
weixin_45628358的博客
03-03 648
创建环境最好是3.8及以上。开始使用的python3.7会报很多莫名其妙的问题，并且无法训练。实例分割一般是coco数据集。官方提供了coco转换成yolo的两种方法。其余问题应该也许大概都可以查看官方文档解决^ ^
【踩坑日记】【YOLO5】YOLO5 训练模型的测试结果全部相反（标签混乱）原因
Beihai_Van的博客
06-02 4379
上面的 yaml 文件中，只有一个列表对类名配置，而且这个类名的顺序和 classes.txt 文件中的顺序不一致。合理怀疑是因为类名顺序不一致，于是我调整 yaml 中的类名列表，重新训练了一个小模型，此时标签就不出现混乱的现象。所以上面 txt 文件中第一个序号为 1，代表这个标签所对应的图片标签是 cat。这个标签序号与标签文件夹中的 classes.txt 类别说明对应。其中序号 0 代表 dog 标签，序号 1 代表 cat 标签。
分割数据集label转换为目标检测boundingbox
lizaijinsheng的专栏
08-24 4563
实现功能 将分割的label图转换为目标检测boundingbox标注文件（VOC格式）。 注： 1.分割样本里一张图片只有同一类别的多个目标。 2.转换为boundingbox标注通过连通域实现，所以重叠的目标处理不了，会标为1个。 数据集格式 其中，语义分割数据集格式如下： 原图片在JPEGImages文件夹中，命名格式为ImageID.jpg 　　　　 Label图在labelimage文件夹中，命名格式为ImageID_classname.png 　　　　　 生成的..
YOLOv8实例分割自建数据集报错
AFan_naFA的博客
02-06 1666
大概意思就是标注文件中有segment和bbox的数量对不上，就是数据集中不全是segment标注。
yoloV8实例分割报错记录
2301_77139290的博客
07-20 589
解决方式：每次分配训练集和验证集 进行训练看警告 尽量让警告是在验证集（因为验证机比例较少）后面点txt自己查看 将只有四个坐标点的txt文件和原图拿出 就可正常训练。问题原因：数据集在裁剪的时候出现问题 裁剪的时候只出现一条杠 生成txt文件时出现类别和四个坐标信息 导致模型误判为检测数据集。
Yolo训练问题：Box and segment counts should be equal, but got len(segments)分析与解决
幽络源
12-09 1045
本文详细分析了在 Yolo 训练过程中出现的 Box and segment counts should be equal 警告，并提供了两种解决方案：删除分隔标注的图片和标签，或者将分隔标注转换为框标注。适用于 Yolo 数据集中存在分隔标注和框标注不匹配的情况，帮助你更好地解决数据集问题，优化训练效果。
【yolo-seg训练】错误： Box and segment counts should be equal, but got len(segments) ...
weixin_45222582的博客
10-25 306
根据日志返回的label位置，删除这个文件，或者重新检查一下该lable标注。2. 在文件的下面位置加入163行处的代码，定位到数据集哪个label文件有问题。4. 再次重新训练训练集就正常了，如果测试集又报这个错，按上面再来一遍。1. 定位到下面路径。
Box and segment counts should be equal, but got len(segments) = 1, len(boxes) = 11689. To resolve this only boxes will be used and all segments will be removed. To avoid this please supply either a detect or segment dataset, not a detect-segment mixed data
03-10
<think>嗯，用户遇到了检测和分割数据集混合时segments和boxes数量不一致的问题。我需要先理解这个问题的具体原因。根据引用[1]，数据集中不全是segment标注，也就是说有些样本只有检测框而没有分割标注，或者反过来。这可能是因为在混合数据集时，某些图片只标注了框而没有分割的polygon，或者分割标注有缺失。 接下来，我需要考虑如何处理这种情况。首先想到的是在数据加载阶段进行数据过滤或者填充。比如，对于只有框的样本，可能需要生成对应的分割标注，或者忽略没有对应标注的样本。但生成分割标注可能比较复杂，可能不太实际。所以更合理的做法可能是忽略那些标注不匹配的样本，或者在训练时动态处理。 然后看引用[2]，用户提到在Roboflow的数据集中，分割和检测标注混杂在一起。这说明数据集中同时存在两种标注类型，但每个样本的segments和boxes数量可能不一致。比如，某个样本有3个框，但只有2个分割标注。这时候直接读取会导致错误。 可能的解决方案是在数据预处理阶段进行对齐。比如，检查每个样本的segments和boxes数量，如果数量不一致，可以选择只保留两者都存在的标注，或者补充缺失的标注。例如，对于只有框的样本，可以生成一个空的分割标注，或者将框转换为分割多边形。但将框转换为多边形可能会增加计算量，也可能不够精确。 另外，引用[3]提到自定义数据集需要重写__getitem__等方法。所以应该在数据加载的时候处理这个问题。具体来说，在__getitem__方法中，对于每个样本，检查segments和boxes的数量，如果不同，可以过滤掉不匹配的标注，或者通过某种方式补全。 例如，可以在数据预处理时，遍历每个标注，确保每个框对应一个分割。如果某个框没有对应的分割，可以选择忽略该框，或者用框的坐标生成一个基本的分割多边形，比如矩形的四个顶点。这样就能保证数量一致。但需要注意，这样生成的分割可能不够准确，可能会影响模型训练的效果。 还有一种方法是使用条件判断，在数据加载时只处理有对应标注的样本。比如，如果一个样本同时有框和分割，就保留；否则丢弃。不过这样可能会减少数据集的大小，特别是如果很多样本标注不完整的话。 另外，可能需要检查数据集的标注文件，确保每个对象都有两种类型的标注。如果有缺失，可能需要手动补充或使用工具自动生成。但手动补充成本高，自动生成可能不可靠。 综上所述，解决方案可能包括：1. 数据清洗，去除不匹配的样本；2. 动态补全缺失的标注；3. 修改数据加载逻辑，处理数量不一致的情况。用户需要根据具体情况选择合适的方法，比如在数据预处理阶段对齐标注，或者在数据加载时动态处理。</think>### 解决方案 #### 问题分析 在混合检测（Bounding Box）和分割（Polygon）标注的数据集中，可能出现以下情况： 1. 同一图片中部分对象仅有Bounding Box标注而无Polygon标注（或反之）[^2] 2. 标注文件存储格式不一致导致解析错误 3. 数据预处理时未对齐两种标注类型 #### 分步解决方法 1. **数据预处理阶段** - 对每个标注文件执行强制对齐： ```python def align_annotations(ann): boxes = ann.get("boxes", []) segments = ann.get("segments", []) min_len = min(len(boxes), len(segments)) return { "boxes": boxes[:min_len], "segments": segments[:min_len] } ``` - 使用掩码过滤无效标注： ```python valid_indices = [i for i in range(len(boxes)) if (boxes[i] is not None and segments[i] is not None)] ``` 2. **数据集类改造** 在自定义Dataset类的`__getitem__`方法中增加校验逻辑： ```python def __getitem__(self, index): ann = self.annotations[index] boxes = ann["boxes"] # 格式应为[[x1,y1,x2,y2], ...] segments = ann["segments"] # 格式应为[[[x1,y1],...], ...] # 动态对齐机制 n = min(len(boxes), len(segments)) valid_boxes = boxes[:n] valid_segments = segments[:n] # 自动生成缺失的标注（应急方案） if len(valid_boxes) != len(valid_segments): for box in valid_boxes: if box not in [s.bbox for s in valid_segments]: valid_segments.append(polygon_from_box(box)) return valid_boxes, valid_segments ``` 3. **标注转换技术** - 将Bounding Box转换为Polygon标注： ```python def polygon_from_box(box): x1, y1, x2, y2 = box return [[x1,y1], [x2,y1], [x2,y2], [x1,y2]] ``` - 使用ROI提取技术从Polygon生成更精确的Bounding Box 4. **数据增强策略** ```python class HybridDataset(Dataset): def __init__(self, detect_anns, segment_anns): self.detect_data = load_detect_annotations(detect_anns) self.segment_data = load_segment_annotations(segment_anns) def __len__(self): return max(len(self.detect_data), len(self.segment_data)) def collate_fn(self, batch): # 实现混合数据批处理逻辑 pass ``` #### 推荐方案 优先采用**动态对齐机制**配合**标注转换技术**，在YOLOv8的`Dataset`类中实现以下改进： 1. 添加标注有效性校验层 2. 建立Bounding Box与Polygon的映射关系 3. 对缺失标注自动生成占位符[^3]
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值