判断图片（images）和标签（labels）是否对应，并同时更改文件名

最新推荐文章于 2024-03-18 21:57:20 发布
原创 最新推荐文章于 2024-03-18 21:57:20 发布 · 2.9k 阅读 · 15 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #机器学习 #os 

import os
train_images_path_old = r'C:\Users\Administrator\Desktop\mask\train\images'
train_images_path_new = r'C:\Users\Administrator\Desktop\mask\train\images2'
train_labels_path_old = r'C:\Users\Administrator\Desktop\mask\train\labels'
train_labels_path_new = r'C:\Users\Administrator\Desktop\mask\train\labels2'

os.chdir(train_images_path_old)
os.chdir(train_labels_path_old)
list_images = os.listdir(train_images_path_old)
list_labels = os.listdir(train_labels_path_old)
images_number = 0 #图片后面加的序号
labels_number = 0 #图片后面加的序号,用一个就行
for images_list_num in range(0, len(list_images)):  #先遍历图片序号，再检测标签需要是否与之对应，之后改成一样的名字

    for labels_list_num in range(0, len(list_labels)):
       images_old_name = list_images[images_list_num]
       labels_old_name = list_labels[labels_list_num]
       if (images_old_name[:-3]==labels_old_name[:-3]):
            print("图片文件与标签已经对应，对应的序号为：%d" %(images_number) )
        # old_name = list_images[images_list_num]
            images_number = images
最低0.47元/天 解锁文章
Kill_Spring
关注
检查数据集标签和图片数量是否一致。并找到没有对应的标签或者图片
To be a better man
03-12 1603
import os, random, shutil from pathlib import Path def moveFile(imagesTrainDir, imageValDir,labelTrainDir,labelValDir): image_train_pathDir = os.listdir(imagesTrainDir) # 训练集图片的路径 image_val_pathDir = os.listdir(imageValDir) # 验证集图片的路径 label_
python检查data图片集和label标签集是否相同
fffupeng的博客
12-27 1812
#encoding:utf-8 #检查label和data数据集是否相同，若不相同输出不同的部分 def cheak_data_label: import os py_path=os.getcwd() print "now , python file is located in " + py_path label_path = py_path+"/label" #获取label文件夹位置
一个检查图片和标注是否匹配的python脚本
SimonLiu的博客
06-04 990
在进行深度学习的时候，有时候图片进行标注的时候，可能会因为漏标或者其他原因导致图片和标注文件不匹配。这个工具就用来解决这个问题。
Labels和Images的文件不对应/如何从文件夹2中找出与文件夹1中对应的文件。
weixin_43501408的博客
05-24 447
其实：我上面的工作对于训练YOLOv7-pose代码都是多余的，我漏看了原来下载的coco2017labels-keypoints数据标签已经给出来了一个txt文件，如图6所示。我懒得找代码了（我代码功底不太好，一般代码都是网上找的），我把全部内容复制到了word中，然后使用全部替换功能，将.txt后缀全部删掉。替换后的得到jpg_name.txt，替换后的结果如图5所示。解决办法：第一步，我读取出图1标签中文件中 所有的txt文件的名字，并将其，写入到了一个名字为txt_name.txt文件中。
深度学习中，同时为图片文件和label文件重命名
qq_33668060的博客
09-28 1033
在深度学习对数据集处理的过程中，经常遇到需要为图片数据进行再次重命名，但图片数据重命名后，对于标定好的label不能一一对应。本文主要解决这类问题。 import os def rename(): path_img = "/home/zwb/桌面/img/" path_out_img = "/home/zwb/桌面/img1/" path_ano = "/home/zwb/桌面/ano/...
目前有车辆标签文件.txt：原文件名 品牌 型号 类型，将文件夹下的所有图片（文件名为原文件名_x_y_w_h.jpg）按照标签文件， 将图片移动到对应的类型中
最新发布
10-24
我们有一个车辆标签文件，其中包含每张图片的原始文件名（不带坐标信息）以及对应的品牌、型号和类型信息。 同时，我们有一个文件夹，其中包含许多图片文件，文件名格式为：`原文件名_x_y_w_h.jpg`（其中x、y、w、h...
使用GPU加速，并增加batch，另外给出的这段代码如何判断识别是否是正确识别，数据集当中也有labels标签可以使用
06-04
我们计划使用GPU加速并增加batchsize，同时利用数据集的标签来判断识别是否正确（即计算mAP或IoU等指标）。但是原需求是筛选特定条件下的图片，并没有要求评估模型性能。不过，根据新要求，我们需要判断识别是否正确...
同一文件夹下的图片和标签分类存放以及划分数据集
weixin_75235478的博客
03-18 871
同一文件夹下的图片和标签分类存放划分YOLO数据集以及获取数据集标签所有的类别数。
import numpy as np import os import pandas as pd from PIL import Image import matplotlib.pyplot as plt import matplotlib as mpl 设置中文字体支持 plt.rcParams[‘font.sans-serif’] = [‘SimHei’] # 使用黑体 plt.rcParams[‘axes.unicode_minus’] = False # 解决负号显示问题 def create_sliding_window_samples_corrected(image_folder, labels_file, output_folder, window_size=5, step=1): “”" 使用滑动窗口技术从现有图像创建新样本 - 修正版本 参数: image_folder: 包含原始小波变换图像的文件夹路径 labels_file: 包含原始标签的CSV文件路径 output_folder: 输出文件夹路径 window_size: 滑动窗口大小 (默认5) step: 滑动步长 (默认1) """ # 创建输出文件夹 if not os.path.exists(output_folder): os.makedirs(output_folder) print(f"创建输出文件夹: {output_folder}") # 读取标签文件 labels_df = pd.read_csv(labels_file) print(f"读取标签文件: {labels_file}") # 按文件名排序，确保时间顺序 labels_df = labels_df.sort_values('filename').reset_index(drop=True) # 获取所有图像文件名 image_files = [f for f in os.listdir(image_folder) if f.endswith('.png')] image_files.sort() # 确保按时间顺序 # 创建新的标签列表 new_labels = [] # 使用滑动窗口处理图像 for i in range(0, len(image_files) - window_size, step): # 获取当前窗口的图像 window_files = image_files[i:i + window_size] # 检查窗口中的图像是否连续 (按文件名顺序) if not check_consecutive_files(window_files): continue # 读取并合并窗口中的图像 merged_image = merge_images(image_folder, window_files) # 获取第6个图像(窗口后第一个)的标签 # 注意：这里需要找到第6个图像在标签数据框中的索引 sixth_image = image_files[i + window_size] sixth_image_label_row = labels_df[labels_df['filename'] == sixth_image] if not sixth_image_label_row.empty: target_label = sixth_image_label_row.iloc[0]['rul_normalized'] else: continue # 如果没有找到对应的标签，跳过 # 生成新文件名 new_filename = f"window_{i:04d}_to_{i + window_size - 1:04d}.png" # 保存合并后的图像 merged_image.save(os.path.join(output_folder, new_filename)) # 添加到新标签列表 new_labels.append({ 'filename': new_filename, 'rul_normalized': target_label, 'source_files': ';'.join(window_files), 'target_file': sixth_image }) # 打印进度 if (len(new_labels) % 50 == 0) or (i + window_size >= len(image_files) - step): print(f"已处理 {len(new_labels)} 个窗口样本") # 保存新标签到CSV文件 new_labels_df = pd.DataFrame(new_labels) new_labels_csv_path = os.path.join(output_folder, "sliding_window_rul_labels_corrected.csv") new_labels_df.to_csv(new_labels_csv_path, index=False) print(f"新标签已保存到: {new_labels_csv_path}") return new_labels_df def check_consecutive_files(filenames): “”" 检查文件名是否连续 (按时间顺序) 参数: filenames: 文件名列表 返回: bool: 如果文件名连续返回True，否则返回False """ # 提取文件名中的数字部分进行比较 numbers = [] for filename in filenames: # 假设文件名格式为 "acc_xxxx_x_wavelet.png" parts = filename.split('_') if len(parts) >= 2: try: # 尝试提取数字部分 num = int(parts[1]) numbers.append(num) except ValueError: return False # 检查数字是否连续 for i in range(1, len(numbers)): if numbers[i] != numbers[i - 1] + 1: return False return True def merge_images(image_folder, filenames): “”" 将多个图像水平合并为一个图像 参数: image_folder: 图像文件夹路径 filenames: 要合并的图像文件名列表 返回: PIL.Image: 合并后的图像 """ # 读取所有图像 images = [Image.open(os.path.join(image_folder, f)) for f in filenames] # 计算新图像的尺寸 widths, heights = zip(*(img.size for img in images)) total_width = sum(widths) max_height = max(heights) # 创建新图像 merged_image = Image.new('RGB', (total_width, max_height)) # 将图像水平拼接 x_offset = 0 for img in images: merged_image.paste(img, (x_offset, 0)) x_offset += img.size[0] return merged_image 主程序 if name == “main”: # 设置路径 original_image_folder = r"D:\成电——研究生\基于数据驱动的故障诊断研究\数据集汇总\phm-ieee-2012-data-challenge-dataset-master\WT\Bearing1_1" original_labels_file = os.path.join(original_image_folder, “rul_labels.csv”) output_folder = r"D:\成电——研究生\基于数据驱动的故障诊断研究\数据集汇总\phm-ieee-2012-data-challenge-dataset-master\WT_SlidingWindow_Corrected\Bearing1_1" # 使用滑动窗口创建新样本 - 修正版本 new_labels = create_sliding_window_samples_corrected( original_image_folder, original_labels_file, output_folder, window_size=5, # 5张图像合并为一个样本 step=1 # 每次滑动1个图像 ) # 打印结果 print(f"\n处理完成! 共生成 {len(new_labels)} 个新样本") print("\n新标签数据预览:") print(new_labels.head()) # 验证标签是否正确 print("\n验证标签是否正确:") for i in range(min(5, len(new_labels))): row = new_labels.iloc[i] print( f"窗口 {i}: 源文件={row['source_files'].split(';')[-1]}, 目标文件={row['target_file']}, 标签={row['rul_normalized']}")上述为滑动窗口，import pandas as pd import os import numpy as np def create_correct_labels_for_windows(bearing_folders, output_base_folder): “”" 为已经生成的滑动窗口图像创建正确的标签文件 参数: bearing_folders: 轴承文件夹路径列表 output_base_folder: 输出基础文件夹路径 """ # 创建输出文件夹 if not os.path.exists(output_base_folder): os.makedirs(output_base_folder) train_labels = [] test_labels = [] for bearing_folder in bearing_folders: bearing_name = os.path.basename(bearing_folder) windows_info_path = os.path.join(output_base_folder, f"{bearing_name}_windows", "windows_info.csv") # 读取窗口信息 if not os.path.exists(windows_info_path): print(f"警告: 未找到 {bearing_name} 的窗口信息文件: {windows_info_path}") continue windows_info = pd.read_csv(windows_info_path) # 读取原始标签文件 original_labels_path = os.path.join(bearing_folder, "rul_labels.csv") if not os.path.exists(original_labels_path): print(f"警告: 未找到 {bearing_name} 的原始标签文件: {original_labels_path}") continue original_labels = pd.read_csv(original_labels_path) # 创建文件名到RUL值的映射 file_to_rul = {} for _, row in original_labels.iterrows(): # 确保文件名格式一致 filename = row['filename'] if not filename.endswith('.png'): filename += '.png' file_to_rul[filename] = row['rul_normalized'] # 为每个窗口计算正确的标签 corrected_info = [] for _, window_row in windows_info.iterrows(): window_files = window_row['window_files'].split(';') # 获取窗口后的下一个文件 last_file = window_files[-1] file_prefix, file_num_str = last_file.split('_')[:2] file_num = int(file_num_str) next_file_num = file_num + 1 next_file = f"{file_prefix}_{next_file_num:05d}_wavelet.png" # 获取下一个文件的RUL值 if next_file in file_to_rul: correct_rul = file_to_rul[next_file] # 添加到修正后的信息 corrected_row = window_row.copy() corrected_row['rul_normalized'] = correct_rul corrected_info.append(corrected_row) else: print(f"警告: 未找到文件 {next_file} 的RUL值，跳过窗口 {window_row['window_id']}") # 转换为DataFrame corrected_df = pd.DataFrame(corrected_info) # 根据轴承名称添加到训练集或测试集 if bearing_name == "Bearing1_3": test_labels.append(corrected_df) else: train_labels.append(corrected_df) print(f"完成处理 {bearing_name}, 生成 {len(corrected_df)} 个修正标签") # 合并训练集和测试集标签 if train_labels: train_df = pd.concat(train_labels, ignore_index=True) train_output_path = os.path.join(output_base_folder, "train_labels.csv") train_df.to_csv(train_output_path, index=False) print(f"训练集标签已保存到: {train_output_path}") if test_labels: test_df = pd.concat(test_labels, ignore_index=True) test_output_path = os.path.join(output_base_folder, "test_labels.csv") test_df.to_csv(test_output_path, index=False) print(f"测试集标签已保存到: {test_output_path}") return train_df if train_labels else None, test_df if test_labels else None 使用示例 if name == “main”: # 定义轴承文件夹路径 bearing1_1_folder = r"D:\成电——研究生\基于数据驱动的故障诊断研究\数据集汇总\phm-ieee-2012-data-challenge-dataset-master\WT\Bearing1_1" bearing1_2_folder = r"D:\成电——研究生\基于数据驱动的故障诊断研究\数据集汇总\phm-ieee-2012-data-challenge-dataset-master\WT\Bearing1_2" bearing1_3_folder = r"D:\成电——研究生\基于数据驱动的故障诊断研究\数据集汇总\phm-ieee-2012-data-challenge-dataset-master\WT\Bearing1_3" # 窗口数据集基础文件夹 windows_base_folder = r"D:\成电——研究生\基于数据驱动的故障诊断研究\数据集汇总\phm-ieee-2012-data-challenge-dataset-master\WT\window_datasets" # 输出文件夹 output_folder = r"D:\成电——研究生\基于数据驱动的故障诊断研究\数据集汇总\phm-ieee-2012-data-challenge-dataset-master\WT\corrected_labels" # 处理所有轴承 bearing_folders = [bearing1_1_folder, bearing1_2_folder, bearing1_3_folder] train_labels, test_labels = create_correct_labels_for_windows(bearing_folders, output_folder) # 验证第一个窗口的标签是否正确 if train_labels is not None and len(train_labels) > 0: first_window = train_labels.iloc[0] print("\n验证训练集第一个窗口的标签:") print(f"窗口文件: {first_window['window_files']}") print(f"修正后的标签值: {first_window['rul_normalized']}") # 提取下一个文件名 window_files = first_window['window_files'].split(';') last_file = window_files[-1] file_prefix, file_num_str = last_file.split('_')[:2] file_num = int(file_num_str) next_file = f"{file_prefix}_{file_num + 1:05d}_wavelet.png" # 读取原始标签文件 original_labels = pd.read_csv(os.path.join(bearing1_1_folder, 'rul_labels.csv')) # 查找下一个文件的RUL值 next_rul = None for _, row in original_labels.iterrows(): filename = row['filename'] if not filename.endswith('.png'): filename += '.png' if filename == next_file: next_rul = row['rul_normalized'] break print(f"下一个文件应该是: {next_file}") print(f"下一个文件的RUL值: {next_rul}") print(f"窗口标签值: {first_window['rul_normalized']}") if abs(next_rul - first_window['rul_normalized']) < 1e-6: print("✓ 标签正确!") else: print("✗ 标签不正确!") # 显示统计信息 if train_labels is not None: print(f"\n训练集统计:") print(f"样本数量: {len(train_labels)}") print(f"RUL范围: {train_labels['rul_normalized'].min():.6f} - {train_labels['rul_normalized'].max():.6f}") if test_labels is not None: print(f"\n测试集统计:") print(f"样本数量: {len(test_labels)}") print(f"RUL范围: {test_labels['rul_normalized'].min():.6f} - {test_labels['rul_normalized'].max():.6f}")上述为标签制作，参考上述代码对"D:\成电——研究生\基于数据驱动的故障诊断研究\数据集汇总\phm-ieee-2012-data-challenge-dataset-master\CWT\Bearing1_1"已经生成的图片进行滑动窗口技术拼接，并将结果保存至"D:\成电——研究生\基于数据驱动的故障诊断研究\数据集汇总\phm-ieee-2012-data-challenge-dataset-master\CWT\Bearing1_1hdck"。上述代码仅供参考，可以进行适当优化和修改，给出完整代码
10-15
检查文件名是否连续（按时间顺序） 参数: filenames: 文件名列表 返回: bool: 如果文件名连续返回True，否则返回False """ # 提取文件名中的数字部分 numbers = [] for filename in filenames: # 假设...
随机挑选images文件夹中图片以及对应labels文件夹中的标签
m0_52474147的博客
07-21 560
为了实现随机删除2000个txt文件及其对应的图片，我们需要先得到所有txt文件的列表，然后从中随机选择2000个文件。接着，我们找到每个选中的txt文件对应的图片文件，并将它们删除。无论你选择哪种方式，确保路径信息正确，包括文件夹名称的拼写和路径是否存在。同时，也要确保你有足够的权限来操作这些文件夹中的文件。文件夹中随机删除指定数量的txt文件，并且将对应名称的图片文件从。则可使用绝对路径的方式，除去报错。请根据你的实际情况，将。请注意，在Python字符串中，反斜杠。替换为对应的文件夹路径，并将。
学5——images、labels、train.txt和valid.tx的制作、查找空的txt
weixin_42640180的博客
06-19 842
日志作我忘了查找用，有个人习惯，我并没有为了上传博客，而重新美化它，有些代码也是借鉴的网上的，有些无关的code我没有删除，用此博客学习的人可能并不能跑通它，找里面的有用部分即可。 1、数据集可能分为多个目录，每个目录的名字相同，如都是从0001.jpg开始，再把多个数据集目录合在一个目录内，需要先改名。` #!usr/bin/env python # -*- coding:utf-8 -*- i...
Linux 批量将images下和labels文件夹下同文件名（除后缀）的图像移动到images/train
weixin_42815846的博客
08-24 272
for line in $(ls ../../gwhd_2021/labels/test); do cp ../../gwhd_2021/images/${line%.*} ../../gwhd_2021/images/test/; done
yolov5训练时少类别、images和labels文件生成
m0_70255491的博客
10-20 1469
创建一个空的txt文件夹，将所有xml文件放入Annotations文件夹里 然后运行下列代码使xml文件转为txt文件。如果在用yolov5训练自己的数据集时，需要训练两种类别，在mydata.yaml和yolov5.yaml文件里都改了相应参数。如 0 0.24355 0.45323 0.3453 0.35134这个txt文件表示第0个种类。yolov5训练是用的txt文件，txt文件里的第一个数字表示种类。因为我只要两个种类 所以我的txt文件前面数字只有0或者1。
如何优雅的把images和labels的内容读出来
m0_37382341的博客
03-20 993
今天看yolov3的代码，读取img和label的时候，感觉写的很简洁，记录下来，以后有类似场景可以优雅一下。 with open(list_path, "r") as file: self.img_files = file.readlines() label_files = [ path.replace("images", "labels")....
图片数据与对应标签数据互相调出
Christo的博客
07-14 374
数据提取与整理
为什么labels文件夹需要和JPEGImages文件夹同级目录下。
ningngmei4328的博客
04-23 681
在 cfg/voc.data 中 classes= 20 train = <your work directory>/darknet/train.txt valid = <your work directory>/darknet/2007_test.txt names = data/voc.names backup = backup classes 参数需要改成你的数...
图像和对应标签重命名
weixin_51154380的博客
10-20 1313
目标检测之批量给图像和对应标签重命名 import cv2 import os """给图片和对应标签重命名，适用于图片和标签一一对应的情况""" img_path = './val/' ann_path = './ann_txt/' img_save_path = './images_drone/' ann_save_path = './labels_drone_txt/' if not os.path.exists(img_save_path): os.makedirs(img_save_pa
数据集随机划分成train和val
li1784151928的博客
01-06 971
将图片数据和其对应标签按比例成对应的train和val。
提取训练图片并打上标签生成txt文件
奔跑的小白
06-30 2962
file_name=[] file_name = os.listdir("D:\\Work\\process\\test\\polyu-all-train\\") with open("output-train.txt", "w+") as fp: for i in file_name: for j in range(26): name = "_p"...
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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