cfg文件的解析

最新推荐文章于 2024-05-17 10:14:47 发布

原创最新推荐文章于 2024-05-17 10:14:47 发布 · 4.4k 阅读

3 ·

CC 4.0 BY-SA版权

数据集解析专栏收录该内容

9 篇文章

订阅专栏

本文介绍了一种解析YoloV3配置文件的方法，通过读取和处理配置文件，将其转换为可操作的字典列表，便于进一步的神经网络模块（层）构建。

部署运行你感兴趣的模型镜像

cfgfile = './yolov3.cfg'
file = open(cfgfile, 'r')
lines = file.read().split('\n')  # store the lines in a list等价于readlines
lines = [x for x in lines if len(x) > 0]     # 去掉空行
lines = [x for x in lines if x[0] != '#']    # 去掉以#开头的注释行
lines = [x.rstrip().lstrip() for x in lines]

# 去掉左右两边的空格(rstricp是去掉右边的空格，lstrip是去掉左边的空格)

完整代码

def parse_cfg(cfgfile):
    """
    输入: 配置文件路径
    返回值: 列表对象,其中每一个元素为一个字典类型对应于一个要建立的神经网络模块（层）
    
    """
    # 加载文件并过滤掉文本中多余内容
    file = open(cfgfile, 'r')
    lines = file.read().split('\n')                       
    lines = [x for x in lines if len(x) > 0]               
    lines = [x for x in lines if x[0] != '#']              
    lines = [x.rstrip().lstrip() for x in lines]           
    
    block = {}
    blocks = []
    
    for line in lines:
        if line[0] == "[":           # 这是cfg文件中一个层(块)的开始           
            if len(block) != 0:      
                blocks.append(block)   
                block = {}           
            block["type"] = line[1:-1].rstrip()  # 把cfg的[]中的块名作为键type的值   
        else:
            key,value = line.split("=") 
            block[key.rstrip()] = value.lstrip()

    blocks.append(block) # 退出循环，将最后一个未加入的block加进去
    # print('\n\n'.join([repr(x) for x in blocks]))
    return blocks

blocks部分输出

[
{'scales': '.1,.1', 'exposure': '1.5', 'steps': '400000,450000', 'angle': '0', 'channels': '3'},
{'filters': '32', 'activation': 'leaky', 'stride': '1', 'pad': '1', 'batch_normalize': '1', 'size': '3', 'type': 'convolutional'},
{'filters': '64', 'activation': 'leaky', 'stride': '2', 'pad': '1', 'batch_normalize': '1', 'size': '3', 'type': 'convolutional'},
{'filters': '32', 'activation': 'leaky', 'stride': '1', 'pad': '1', 'batch_normalize': '1', 'size': '1', 'type': 'convolutional'},
{'filters': '64', 'activation': 'leaky', 'stride': '1', 'pad': '1', 'batch_normalize': '1', 'size': '3', 'type': 'convolutional'}
]

您可能感兴趣的与本文相关的镜像