qq_40265247的博客

前言在之前文章，解决了实例mask->二值mask的处理：但在实际的模型处理中，语义分割占有重要的比重，可剔除不确定类别，进而生成对应图片融入类别信息的语义mask：方法addClassColor.pyCOCO_CATEGORIES = [ {"color": [220, 20, 60], "isthing": 1, "id": 1, "name": "BatFish"}, {"color": [119, 11, 32], "isthing": 1, "id": 2, "n

前言之前文章中放了这么一张统计的图，虽然给出了每个类别对应的实例数，一看就是及其不均衡，不利于分类。但这里实例的图片分布并没有，不利于后续的不均衡扩增。实现cocoJsonStat.pyimport jsonfrom unicodedata import categoryimport tqdmimport osjson_file = "COD10K_CAM_coco/annotations/instances_train2017.json"cnt_dict = {}with ope

前言不知为何，labelImg标注文件xml的width与height的节点文本都为0造主要参考的是这篇文章：https://blog.youkuaiyun.com/weixin_42784169/article/details/111401802# -*- coding: utf-8 -*-from xml.etree.ElementTree import ElementTree,Elementdef read_xml(in_path): '''''读取并解析xml文件 in_p

前言生成的总体目录如下：在labels中，是图片x.jpg对应的目标标注信息 x.txt1 0.38875 0.229167 0.391875 0.19 0.400625 0.183333 0.396875 0.175 0.405625 0.156667 0.40375 0.150833 0.398125 0.15 0.403125 0.113333 0.4225 0.105833 0.44625 0.1075 0.45375 0.114167 0.461875 0.14 0.461875 0.16

问题由来，先看一波最初的标注文件，每组数据都包含一个json标注文件，一个红外图片，一个可见光图片。这三个文件名中有无"（1）"，根本没有规律，这直接导致后续的处理变得很艰难。

前言前文说到，mask可以转labelme，然后再转coco。但对于实例级的mask事情变得有点不同，需先将RGB的mask拆解为二值mask然后进行直接操作，省略labelme这一步骤。image文件夹下annotations文件夹下RGB转二值maskimport cv2import numpy as npimport os, glob part = "test"def rgb2masks(label_name):# Camouflaged:# COD10K-CAM-S

文章目录1.从labelImg格式->txt格式（YOLO格式、ICDAR2015格式）前言xml转YOLO格式xml转ICDAR2015格式2.从二值mask-＞labelme格式-＞coco格式3.从labelme格式-＞VOC格式1.从labelImg格式->txt格式（YOLO格式、ICDAR2015格式）前言xml格式虽然在检测领域是比较常用，但是吧也并非绝对xml转YOLO格式xml格式<?xml version="1.0" ?><annotation&

VOC训练、验证划分splitData.pyimport os import random trainval_percent = 1.0train_percent = 0.8xmlfilepath = 'VOC2007/Annotations' txtsavepath = 'VOC2007/ImageSets/Main' total_xml = os.listdir(xmlfilepath) num=len(total_xml) list=range(num)

总共有3类数据，每类文件夹下对应的就是jpg和对应的json标注文件，借助splidata_labelMe.py将每类切分为训练测试两部分