服务于于代码： https://github.com/ultralytics/yolov3 目前更新比较多，适配旧代码：https://github.com/GiantPandaCV/yolov3-point 也可以查看 https://github.com/pprp/deep_sort_yolov3_pytorch 中的yolov3部分的代码 如果有问题欢迎发issue进行提问，欢迎关注微信公众号：GiantPandaCV
如果不太理解，可以先看一下教程：https://www.cnblogs.com/pprp/p/10863496.html，然后再运行代码。
明确一下：所谓格式都是人为规定的，如果您发现代码无法运行，请先理解一下要求的格式。
这个库准备了一些python脚本，实现了以下功能：
- 检查图片和标注文件的对应关系
- 批量改动xml文件中对象的名称
- 创建Main文件中的四个txt文件
- 从xml文件中读取信息，转化为labels中的txt文件
- 将您的jpg格式的图片放在JPEGImges文件夹中
- 将对应的xml格式的标注文件放在Annotations文件夹中
- 按照您的数据集要求修改create_all.py中的参数部分
- 运行create_all.py文件
- 按照create_all.py文件中最后的提示处理。
以下是一个标准的voc2007数据集文件排放方式。
- data
- VOC2007
- Annotations (标签XML文件，用对应的labelimg生成的)
- ImageSets (生成的方法是用python生成)
- Main
- test.txt
- train.txt
- trainval.txt
- val.txt
- JPEGImages(原始文件)
- labels (xml文件对应的txt文件)
其中JPEGImages中的图片与Annotations中的xml文件个数应该是一致且一一对应的关系。
这里创建了一个简单的脚本进行评估一致性,需要建立新的文件夹Allempty， 意思是以xml文件为基准进行图片检查，如果图片不存在对应xml文件，那将图片移动到Allempty文件夹中。
脚本：check_jpgAndxml.py
import os, shutil
def checkJpgXml(dir1, dir2, dir3, is_move=True):
"""
dir1 是图片所在文件夹
dir2 是标注文件所在文件夹
dir3 是创建的，如果图片没有对应的xml文件，那就将图片放入dir3
is_move 是确认是否进行移动，否则只进行打印
"""
if not os.path.exists(dir3):
os.mkdir(dir3)
cnt = 0
for file in os.listdir(dir1):
f_name,f_ext = file.split(".")
if not os.path.exists(os.path.join(dir2, f_name+".xml")):
print(f_name)
if is_move:
cnt += 1
shutil.move(os.path.join(dir1,file), os.path.join(dir3, file))
if cnt > 0:
print("有%d个文件不符合要求，已打印。"%(cnt))
else:
print("所有图片和对应的xml文件都是一一对应的。")
if __name__ == "__main__":
dir1 = r".\JPEGImages"
dir2 = r".\Annotations"
dir3 = r".\Allempty"
checkJpgXml(dir1, dir2, dir3, False)脚本：create_main.py
import os
import random
trainval_percent = 0.8
train_percent = 0.8
xmlfilepath = 'Annotations'
txtsavepath = 'ImageSets\Main'
total_xml = os.listdir(xmlfilepath)
num=len(total_xml)
list=range(num)
tv=int(num*trainval_percent)
tr=int(tv*train_percent)
trainval= random.sample(list,tv)
train=random.sample(trainval,tr)
ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
fval = open('ImageSets/Main/val.txt', 'w')
for i in list:
name=total_xml[i][:-4]+'\n'
if i in trainval:
ftrainval.write(name)
if i in train:
ftrain.write(name)
else:
fval.write(name)
else:
ftest.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()trainval_percent: 表示训练集和验证集占所有图片的比例。
train_percent: 表示训练集占训练集和验证集的比例。
脚本：voc_label.py
# -*- coding: utf-8 -*-
"""
需要修改的地方：
1. sets中替换为自己的数据集
2. classes中替换为自己的类别
3. 将本文件放到VOC2007目录下
4. 直接开始运行
"""
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets=[('2007', 'train'), ('2007', 'val'), ('2007', 'test')] #替换为自己的数据集
classes = ["cow"] #修改为自己的类别
def convert(size, box):
dw = 1./(size[0])
dh = 1./(size[1])
x = (box[0] + box[1])/2.0
y = (box[2] + box[3])/2.0
w = box[1] - box[0]
h = box[3] - box[2]
x = x*dw
w = w*dw
y = y*dh
h = h*dh
return (x,y,w,h)
def convert_annotation(year, image_id):
in_file = open('Annotations/%s.xml'%(image_id)) #将数据集放于当前目录下
out_file = open('labels/%s.txt'%(image_id), 'w')
tree=ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult)==1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
bb = convert((w,h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
for year, image_set in sets:
if not os.path.exists('labels/'):
os.makedirs('labels/')
image_ids = open('ImageSets/Main/%s.txt'%(image_set)).read().strip().split()
list_file = open('%s_%s.txt'%(year, image_set), 'w')
for image_id in image_ids:
list_file.write('JPEGImages/%s.jpg\n'%(image_id))
convert_annotation(year, image_id)
list_file.close()
# os.system("cat 2007_train.txt 2007_val.txt > train.txt") #修改为自己的数据集用作训练当前文件夹构成：
- data
- VOC2007
- Annotations (标签XML文件，用对应的labelimg生成的)
- ImageSets (生成的方法是用python生成)
- Main
- test.txt
- train.txt
- trainval.txt
- val.txt
- JPEGImages(原始文件)
- labels (xml文件对应的txt文件)
- Allempty (用来存放不合要求的图片)
- images (用于pytorch版本的图片保存)
- train2014
- 001.jpg
- 002.jpg
- val2014
- 100.jpg
- 101.jpg
- label (用于pytorch版本的标签保存)
- train2014
- 001.txt
- 002.txt
- val2014
- 100.txt
- 101.txt
有群友反映这里的label不太理解，在这里统一解释一下，pytorch的yolov3是需要images和labels文件夹的，但是由于voc2007本身通过voc_label脚本构建的时候就存在labels文件夹，命名冲突，所以这里暂且命名为label，然后在使用的时候手动将label改为labels即可。
不过也不用很担心，最新更新了create_all.py里将所有步骤合并到一起，只需要修改一下create all文件中的参数，然后就可以一键从VOC2007格式转为pytorch所需要的yolov3的格式。
文件夹构造好以后，运行脚本：make_for_yolov3_torch.py
import os, shutil
"""
需要满足以下条件：
1. 在JPEGImages中准备好图片
2. 在labels中准备好labels
3. 创建好如下所示的文件目录：
- images
- train2014
- val2014
- labels(由于voc格式中有labels文件夹，所以重命名为label)
- train2014
- val2014
"""
def make_for_torch_yolov3(dir_image,
dir_label,
dir1_train,
dir1_val,
dir2_train,
dir2_val,
main_trainval,
main_test):
if not os.path.exists(dir1_train):
os.mkdir(dir1_train)
if not os.path.exists(dir1_val):
os.mkdir(dir1_val)
if not os.path.exists(dir2_train):
os.mkdir(dir2_train)
if not os.path.exists(dir2_val):
os.mkdir(dir2_val)
with open(main_trainval, "r") as f1:
for line in f1:
print(line[:-1])
# print(os.path.join(dir_image, line[:-1]+".jpg"), os.path.join(dir1_train, line[:-1]+".jpg"))
shutil.copy(os.path.join(dir_image, line[:-1]+".jpg"),
os.path.join(dir1_train, line[:-1]+".jpg"))
shutil.copy(os.path.join(dir_label, line[:-1]+".txt"),
os.path.join(dir2_train, line[:-1]+".txt"))
with open(main_test, "r") as f2:
for line in f2:
print(line[:-1])
shutil.copy(os.path.join(dir_image, line[:-1]+".jpg"),
os.path.join(dir1_val, line[:-1]+".jpg"))
shutil.copy(os.path.join(dir_label, line[:-1]+".txt"),
os.path.join(dir2_val, line[:-1]+".txt"))
if __name__ == "__main__":
'''
https://github.com/ultralytics/yolov3
这个pytorch版本的数据集组织
- images
- train2014 # dir1_train
- val2014 # dir1_val
- labels
- train2014 # dir2_train
- val2014 # dir2_val
trainval.txt, test.txt 是由create_main.py构建的
'''
dir_image = r"C:\Users\pprp\Desktop\VOCdevkit\VOC2007\JPEGImages"
dir_label = r"C:\Users\pprp\Desktop\VOCdevkit\VOC2007\labels"
dir1_train = r"C:\Users\pprp\Desktop\VOCdevkit\VOC2007\images\train2014"
dir1_val = r"C:\Users\pprp\Desktop\VOCdevkit\VOC2007\images\val2014"
dir2_train = r"C:\Users\pprp\Desktop\VOCdevkit\VOC2007\label\train2014"
dir2_val = r"C:\Users\pprp\Desktop\VOCdevkit\VOC2007\label\val2014"
main_trainval = r"C:\Users\pprp\Desktop\VOCdevkit\VOC2007\ImageSets\Main\trainval.txt"
main_test = r"C:\Users\pprp\Desktop\VOCdevkit\VOC2007\ImageSets\Main\test.txt"
make_for_torch_yolov3(dir_image,
dir_label,
dir1_train,
dir1_val,
dir2_train,
dir2_val,
main_trainval,
main_test)