انتقل إلى المحتوى

مرجع ل ultralytics/data/split_dota.py

ملاحظه

هذا الملف متاح في https://github.com/ultralytics/ultralytics/ نقطة / الرئيسية /ultralytics/البيانات/split_dota.py. إذا اكتشفت مشكلة ، فيرجى المساعدة في إصلاحها من خلال المساهمة في طلب 🛠️ سحب. شكرا لك 🙏!



ultralytics.data.split_dota.bbox_iof(polygon1, bbox2, eps=1e-06)

احسب iofs بين bbox1 و bbox2.

البارامترات:

اسم نوع وصف افتراضي
polygon1 ndarray

إحداثيات المضلع ، (ن ، 8).

مطلوب
bbox2 ndarray

المربعات المحيطة ، (n ، 4).

مطلوب
شفرة المصدر في ultralytics/data/split_dota.py
20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 373839 40 41 42 43 444546474849 50515253
def bbox_iof(polygon1, bbox2, eps=1e-6):
    """
    Calculate iofs between bbox1 and bbox2.

    Args:
        polygon1 (np.ndarray): Polygon coordinates, (n, 8).
        bbox2 (np.ndarray): Bounding boxes, (n ,4).
    """
    polygon1 = polygon1.reshape(-1, 4, 2)
    lt_point = np.min(polygon1, axis=-2)
    rb_point = np.max(polygon1, axis=-2)
    bbox1 = np.concatenate([lt_point, rb_point], axis=-1)

    lt = np.maximum(bbox1[:, None, :2], bbox2[..., :2])
    rb = np.minimum(bbox1[:, None, 2:], bbox2[..., 2:])
    wh = np.clip(rb - lt, 0, np.inf)
    h_overlaps = wh[..., 0] * wh[..., 1]

    l, t, r, b = (bbox2[..., i] for i in range(4))
    polygon2 = np.stack([l, t, r, t, r, b, l, b], axis=-1).reshape(-1, 4, 2)

    sg_polys1 = [Polygon(p) for p in polygon1]
    sg_polys2 = [Polygon(p) for p in polygon2]
    overlaps = np.zeros(h_overlaps.shape)
    for p in zip(*np.nonzero(h_overlaps)):
        overlaps[p] = sg_polys1[p[0]].intersection(sg_polys2[p[-1]]).area
    unions = np.array([p.area for p in sg_polys1], dtype=np.float32)
    unions = unions[..., None]

    unions = np.clip(unions, eps, np.inf)
    outputs = overlaps / unions
    if outputs.ndim == 1:
        outputs = outputs[..., None]
    return outputs



ultralytics.data.split_dota.load_yolo_dota(data_root, split='train')

تحميل مجموعة بيانات DOTA.

البارامترات:

اسم نوع وصف افتراضي
data_root str

جذر البيانات.

مطلوب
split str

مجموعة البيانات المنقسمة ، يمكن أن تكون Train أو val.

'train'
تلاحظ

بنية الدليل المفترضة لمجموعة بيانات DOTA: - data_root -الصور -قطار - فال -تسميات -قطار - فال

شفرة المصدر في ultralytics/data/split_dota.py
56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 777879 808182838485 86
def load_yolo_dota(data_root, split="train"):
    """
    Load DOTA dataset.

    Args:
        data_root (str): Data root.
        split (str): The split data set, could be train or val.

    Notes:
        The directory structure assumed for the DOTA dataset:
            - data_root
                - images
                    - train
                    - val
                - labels
                    - train
                    - val
    """
    assert split in ["train", "val"]
    im_dir = Path(data_root) / "images" / split
    assert im_dir.exists(), f"Can't find {im_dir}, please check your data root."
    im_files = glob(str(Path(data_root) / "images" / split / "*"))
    lb_files = img2label_paths(im_files)
    annos = []
    for im_file, lb_file in zip(im_files, lb_files):
        w, h = exif_size(Image.open(im_file))
        with open(lb_file) as f:
            lb = [x.split() for x in f.read().strip().splitlines() if len(x)]
            lb = np.array(lb, dtype=np.float32)
        annos.append(dict(ori_size=(h, w), label=lb, filepath=im_file))
    return annos



ultralytics.data.split_dota.get_windows(im_size, crop_sizes=[1024], gaps=[200], im_rate_thr=0.6, eps=0.01)

الحصول على إحداثيات النوافذ.

البارامترات:

اسم نوع وصف افتراضي
im_size tuple

حجم الصورة الأصلي، (h، w).

مطلوب
crop_sizes List(int

حجم المحاصيل من النوافذ.

[1024]
gaps List(int

الفجوة بين المحاصيل.

[200]
im_rate_thr float

عتبة مناطق النوافذ مقسومة على الصورة آريس.

0.6
شفرة المصدر في ultralytics/data/split_dota.py
 89 90 91 92 93 94 95 96 97 98  99 100  101 102 103 104 105 106 107 108109 110 111 112  113 114 115 116 117 118  119 120121122  123 124 125 126 127 128 129
def get_windows(im_size, crop_sizes=[1024], gaps=[200], im_rate_thr=0.6, eps=0.01):
    """
    Get the coordinates of windows.

    Args:
        im_size (tuple): Original image size, (h, w).
        crop_sizes (List(int)): Crop size of windows.
        gaps (List(int)): Gap between crops.
        im_rate_thr (float): Threshold of windows areas divided by image ares.
    """
    h, w = im_size
    windows = []
    for crop_size, gap in zip(crop_sizes, gaps):
        assert crop_size > gap, f"invalid crop_size gap pair [{crop_size} {gap}]"
        step = crop_size - gap

        xn = 1 if w <= crop_size else ceil((w - crop_size) / step + 1)
        xs = [step * i for i in range(xn)]
        if len(xs) > 1 and xs[-1] + crop_size > w:
            xs[-1] = w - crop_size

        yn = 1 if h <= crop_size else ceil((h - crop_size) / step + 1)
        ys = [step * i for i in range(yn)]
        if len(ys) > 1 and ys[-1] + crop_size > h:
            ys[-1] = h - crop_size

        start = np.array(list(itertools.product(xs, ys)), dtype=np.int64)
        stop = start + crop_size
        windows.append(np.concatenate([start, stop], axis=1))
    windows = np.concatenate(windows, axis=0)

    im_in_wins = windows.copy()
    im_in_wins[:, 0::2] = np.clip(im_in_wins[:, 0::2], 0, w)
    im_in_wins[:, 1::2] = np.clip(im_in_wins[:, 1::2], 0, h)
    im_areas = (im_in_wins[:, 2] - im_in_wins[:, 0]) * (im_in_wins[:, 3] - im_in_wins[:, 1])
    win_areas = (windows[:, 2] - windows[:, 0]) * (windows[:, 3] - windows[:, 1])
    im_rates = im_areas / win_areas
    if not (im_rates > im_rate_thr).any():
        max_rate = im_rates.max()
        im_rates[abs(im_rates - max_rate) < eps] = 1
    return windows[im_rates > im_rate_thr]



ultralytics.data.split_dota.get_window_obj(anno, windows, iof_thr=0.7)

احصل على كائنات لكل نافذة.

شفرة المصدر في ultralytics/data/split_dota.py
132 133 134 135 136 137 138139 140 141 142 143
def get_window_obj(anno, windows, iof_thr=0.7):
    """Get objects for each window."""
    h, w = anno["ori_size"]
    label = anno["label"]
    if len(label):
        label[:, 1::2] *= w
        label[:, 2::2] *= h
        iofs = bbox_iof(label[:, 1:], windows)
        # Unnormalized and misaligned coordinates
        return [(label[iofs[:, i] >= iof_thr]) for i in range(len(windows))]  # window_anns
    else:
        return [np.zeros((0, 9), dtype=np.float32) for _ in range(len(windows))]  # window_anns



ultralytics.data.split_dota.crop_and_save(anno, windows, window_objs, im_dir, lb_dir)

اقتصاص الصور وحفظ التسميات الجديدة.

البارامترات:

اسم نوع وصف افتراضي
anno dict

إملاء التعليق التوضيحي ، بما في ذلك filepath, label, ori_size كمفاتيحها.

مطلوب
windows list

قائمة إحداثيات النوافذ.

مطلوب
window_objs list

قائمة بالتصنيفات داخل كل نافذة.

مطلوب
im_dir str

مسار دليل الإخراج للصور.

مطلوب
lb_dir str

مسار دليل الإخراج للتسميات.

مطلوب
تلاحظ

بنية الدليل المفترضة لمجموعة بيانات DOTA: - data_root -الصور -قطار - فال -تسميات -قطار - فال

شفرة المصدر في ultralytics/data/split_dota.py
146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168169 170 171 172 173 174 175 176 177 178179 180 181 182 183 184 185 186 187
def crop_and_save(anno, windows, window_objs, im_dir, lb_dir):
    """
    Crop images and save new labels.

    Args:
        anno (dict): Annotation dict, including `filepath`, `label`, `ori_size` as its keys.
        windows (list): A list of windows coordinates.
        window_objs (list): A list of labels inside each window.
        im_dir (str): The output directory path of images.
        lb_dir (str): The output directory path of labels.

    Notes:
        The directory structure assumed for the DOTA dataset:
            - data_root
                - images
                    - train
                    - val
                - labels
                    - train
                    - val
    """
    im = cv2.imread(anno["filepath"])
    name = Path(anno["filepath"]).stem
    for i, window in enumerate(windows):
        x_start, y_start, x_stop, y_stop = window.tolist()
        new_name = f"{name}__{x_stop - x_start}__{x_start}___{y_start}"
        patch_im = im[y_start:y_stop, x_start:x_stop]
        ph, pw = patch_im.shape[:2]

        cv2.imwrite(str(Path(im_dir) / f"{new_name}.jpg"), patch_im)
        label = window_objs[i]
        if len(label) == 0:
            continue
        label[:, 1::2] -= x_start
        label[:, 2::2] -= y_start
        label[:, 1::2] /= pw
        label[:, 2::2] /= ph

        with open(Path(lb_dir) / f"{new_name}.txt", "w") as f:
            for lb in label:
                formatted_coords = ["{:.6g}".format(coord) for coord in lb[1:]]
                f.write(f"{int(lb[0])} {' '.join(formatted_coords)}\n")



ultralytics.data.split_dota.split_images_and_labels(data_root, save_dir, split='train', crop_sizes=[1024], gaps=[200])

تقسيم كل من الصور والتسميات.

تلاحظ

بنية الدليل المفترضة لمجموعة بيانات DOTA: - data_root -الصور -شق -تسميات -شق وهيكل دليل الإخراج هو: - save_dir -الصور -شق -تسميات -شق

شفرة المصدر في ultralytics/data/split_dota.py
190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208209 210211 212 213 214 215 216217
def split_images_and_labels(data_root, save_dir, split="train", crop_sizes=[1024], gaps=[200]):
    """
    Split both images and labels.

    Notes:
        The directory structure assumed for the DOTA dataset:
            - data_root
                - images
                    - split
                - labels
                    - split
        and the output directory structure is:
            - save_dir
                - images
                    - split
                - labels
                    - split
    """
    im_dir = Path(save_dir) / "images" / split
    im_dir.mkdir(parents=True, exist_ok=True)
    lb_dir = Path(save_dir) / "labels" / split
    lb_dir.mkdir(parents=True, exist_ok=True)

    annos = load_yolo_dota(data_root, split=split)
    for anno in tqdm(annos, total=len(annos), desc=split):
        windows = get_windows(anno["ori_size"], crop_sizes, gaps)
        window_objs = get_window_obj(anno, windows)
        crop_and_save(anno, windows, window_objs, str(im_dir), str(lb_dir))



ultralytics.data.split_dota.split_trainval(data_root, save_dir, crop_size=1024, gap=200, rates=[1.0])

سبليت القطار ومجموعة فال من DOTA.

تلاحظ

بنية الدليل المفترضة لمجموعة بيانات DOTA: - data_root -الصور -قطار - فال -تسميات -قطار - فال وهيكل دليل الإخراج هو: - save_dir -الصور -قطار - فال -تسميات -قطار - فال

شفرة المصدر في ultralytics/data/split_dota.py
220 221 222 223 224 225 226 227 228229 230 231 232 233 234 235 236 237 238239 240241 242 243 244 245246 247
def split_trainval(data_root, save_dir, crop_size=1024, gap=200, rates=[1.0]):
    """
    Split train and val set of DOTA.

    Notes:
        The directory structure assumed for the DOTA dataset:
            - data_root
                - images
                    - train
                    - val
                - labels
                    - train
                    - val
        and the output directory structure is:
            - save_dir
                - images
                    - train
                    - val
                - labels
                    - train
                    - val
    """
    crop_sizes, gaps = [], []
    for r in rates:
        crop_sizes.append(int(crop_size / r))
        gaps.append(int(gap / r))
    for split in ["train", "val"]:
        split_images_and_labels(data_root, save_dir, split, crop_sizes, gaps)



ultralytics.data.split_dota.split_test(data_root, save_dir, crop_size=1024, gap=200, rates=[1.0])

مجموعة اختبار الانقسام من DOTA ، لا يتم تضمين الملصقات ضمن هذه المجموعة.

تلاحظ

بنية الدليل المفترضة لمجموعة بيانات DOTA: - data_root -الصور -اختبر وهيكل دليل الإخراج هو: - save_dir -الصور -اختبر

شفرة المصدر في ultralytics/data/split_dota.py
250 251 252 253 254 255 256 257 258259 260 261 262 263 264 265 266 267 268269 270 271 272 273 274 275 276 277 278279 280281 282283
def split_test(data_root, save_dir, crop_size=1024, gap=200, rates=[1.0]):
    """
    Split test set of DOTA, labels are not included within this set.

    Notes:
        The directory structure assumed for the DOTA dataset:
            - data_root
                - images
                    - test
        and the output directory structure is:
            - save_dir
                - images
                    - test
    """
    crop_sizes, gaps = [], []
    for r in rates:
        crop_sizes.append(int(crop_size / r))
        gaps.append(int(gap / r))
    save_dir = Path(save_dir) / "images" / "test"
    save_dir.mkdir(parents=True, exist_ok=True)

    im_dir = Path(data_root) / "images" / "test"
    assert im_dir.exists(), f"Can't find {im_dir}, please check your data root."
    im_files = glob(str(im_dir / "*"))
    for im_file in tqdm(im_files, total=len(im_files), desc="test"):
        w, h = exif_size(Image.open(im_file))
        windows = get_windows((h, w), crop_sizes=crop_sizes, gaps=gaps)
        im = cv2.imread(im_file)
        name = Path(im_file).stem
        for window in windows:
            x_start, y_start, x_stop, y_stop = window.tolist()
            new_name = f"{name}__{x_stop - x_start}__{x_start}___{y_start}"
            patch_im = im[y_start:y_stop, x_start:x_stop]
            cv2.imwrite(str(save_dir / f"{new_name}.jpg"), patch_im)





تم إنشاء 2024-01-05, اخر تحديث 2024-01-12
المؤلفون: جلين جوشر (2)