सामग्री पर जाएं

के लिए संदर्भ ultralytics/data/converter.py

नोट

यह फ़ाइल यहाँ उपलब्ध है https://github.com/ultralytics/ultralytics/बूँद/मुख्य/ultralytics/data/converter.py का उपयोग करें। यदि आप कोई समस्या देखते हैं तो कृपया पुल अनुरोध का योगदान करके इसे ठीक करने में मदद करें 🛠️। 🙏 धन्यवाद !



ultralytics.data.converter.coco91_to_coco80_class()

91-अनुक्रमणिका COCO वर्ग IDs को 80-अनुक्रमणिका COCO वर्ग IDs में कनवर्ट करता है.

देता:

प्रकार विवरण: __________
list

91 वर्ग आईडी की एक सूची जहां सूचकांक 80-इंडेक्स क्लास आईडी का प्रतिनिधित्व करता है और मान है इसी 91-इंडेक्स क्लास आईडी।

में स्रोत कोड ultralytics/data/converter.py
 14 बांग्लादेश बांग्लादेश 14 बांग्लादेश बांग्लादेश 14 बांग्लादेश बांग्लादेश 14 बांग्लादेश बांग्लादेश 14 (मलेशिया) 14 बांग्लादेश बांग्लादेश (वियतनाम) 14 बांग्लादेश बांग्लादेश (वियतनाम) 14 बांग्लादेश बांग्लादेश (एमएस) 14 बांग्लादेश (आरबीआई) 14 बांग्लादेश बांग्लादेश (आरबीआई) 14 बांग्लादेश बांग्लादेश (आरबीआई) 14 बांग्लादेश बांग्लादेश (आरबीआई) 14  (3) 32 16 17 18 19 20 21 22 23   24 25 26 27 28   29 30 31 32 33 34  35 36   37  38   39 40 41 42    43 44 45    46   47          48  49 50 51 52 53 54 55 56 57 58  59 60 61 62 63 64 65 66 67 68  69 70  71 72   73 74   75 76   77 78           79  80  81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98    99 100   101  102 103  104  105  106 107  108 109  110 111 112 113 114
def coco91_to_coco80_class():
    """
    Converts 91-index COCO class IDs to 80-index COCO class IDs.

    Returns:
        (list): A list of 91 class IDs where the index represents the 80-index class ID and the value is the
            corresponding 91-index class ID.
    """
    return [
        0,
        1,
        2,
        3,
        4,
        5,
        6,
        7,
        8,
        9,
        10,
        None,
        11,
        12,
        13,
        14,
        15,
        16,
        17,
        18,
        19,
        20,
        21,
        22,
        23,
        None,
        24,
        25,
        None,
        None,
        26,
        27,
        28,
        29,
        30,
        31,
        32,
        33,
        34,
        35,
        36,
        37,
        38,
        39,
        None,
        40,
        41,
        42,
        43,
        44,
        45,
        46,
        47,
        48,
        49,
        50,
        51,
        52,
        53,
        54,
        55,
        56,
        57,
        58,
        59,
        None,
        60,
        None,
        None,
        61,
        None,
        62,
        63,
        64,
        65,
        66,
        67,
        68,
        69,
        70,
        71,
        72,
        None,
        73,
        74,
        75,
        76,
        77,
        78,
        79,
        None,
    ]



ultralytics.data.converter.coco80_to_coco91_class()

Converts 80-index (val2014) to 91-index (paper).
For details see https://tech.amikelive.com/node-718/what-object-categories-labels-are-in-coco-dataset/.

Example:
    ```python
    import numpy as np

    a = np.loadtxt('data/coco.names', dtype='str', delimiter='

') b = np.loadtxt('data/coco_paper.names', dtype='str', सीमांकक =' ') x1 = [सूची (ए [i] == बी).इंडेक्स (सच) + 1 श्रेणी में i के लिए (80)] # डार्कनेट से कोको x2 = [सूची (बी [मैं] == ए).सूचकांक (सच) यदि कोई (बी [मैं] == ए) और कोई नहीं मैं के लिए रेंज में (91)] # कोको से डार्कनेट '''

में स्रोत कोड ultralytics/data/converter.py
117 118 119 120 121 122 123 124 125 126 127 128129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147148149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170171 172 173 174 175 176 177 178179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198199 200 201 202 203 204 205 206207208 209 210 211 212213
def coco80_to_coco91_class():
    """
    Converts 80-index (val2014) to 91-index (paper).
    For details see https://tech.amikelive.com/node-718/what-object-categories-labels-are-in-coco-dataset/.

    Example:
        ```python
        import numpy as np

        a = np.loadtxt('data/coco.names', dtype='str', delimiter='\n')
        b = np.loadtxt('data/coco_paper.names', dtype='str', delimiter='\n')
        x1 = [list(a[i] == b).index(True) + 1 for i in range(80)]  # darknet to coco
        x2 = [list(b[i] == a).index(True) if any(b[i] == a) else None for i in range(91)]  # coco to darknet
        ```
    """
    return [
        1,
        2,
        3,
        4,
        5,
        6,
        7,
        8,
        9,
        10,
        11,
        13,
        14,
        15,
        16,
        17,
        18,
        19,
        20,
        21,
        22,
        23,
        24,
        25,
        27,
        28,
        31,
        32,
        33,
        34,
        35,
        36,
        37,
        38,
        39,
        40,
        41,
        42,
        43,
        44,
        46,
        47,
        48,
        49,
        50,
        51,
        52,
        53,
        54,
        55,
        56,
        57,
        58,
        59,
        60,
        61,
        62,
        63,
        64,
        65,
        67,
        70,
        72,
        73,
        74,
        75,
        76,
        77,
        78,
        79,
        80,
        81,
        82,
        84,
        85,
        86,
        87,
        88,
        89,
        90,
    ]



ultralytics.data.converter.convert_coco(labels_dir='../coco/annotations/', save_dir='coco_converted/', use_segments=False, use_keypoints=False, cls91to80=True)

COCO डेटासेट एनोटेशन को एक YOLO प्रशिक्षण के लिए उपयुक्त एनोटेशन प्रारूप YOLO मॉडल।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
labels_dir str

COCO डेटासेट एनोटेशन फ़ाइलों वाली निर्देशिका का पथ।

'../coco/annotations/'
save_dir str

परिणामों को सहेजने के लिए निर्देशिका का पथ।

'coco_converted/'
use_segments bool

आउटपुट में सेगमेंटेशन मास्क शामिल करना है या नहीं।

False
use_keypoints bool

आउटपुट में कीपॉइंट एनोटेशन शामिल करना है या नहीं।

False
cls91to80 bool

क्या 91 कोको क्लास आईडी को संबंधित 80 कोको क्लास आईडी में मैप करना है।

True
उदाहरण
from ultralytics.data.converter import convert_coco

convert_coco('../datasets/coco/annotations/', use_segments=True, use_keypoints=False, cls91to80=True)
आउटपुट

निर्दिष्ट आउटपुट निर्देशिका में आउटपुट फ़ाइलें उत्पन्न करता है।

में स्रोत कोड ultralytics/data/converter.py
216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297298299 300 301 302  303 304305306 307 308 309 310 311 312 313 314 315 316317
def convert_coco(
    labels_dir="../coco/annotations/",
    save_dir="coco_converted/",
    use_segments=False,
    use_keypoints=False,
    cls91to80=True,
):
    """
    Converts COCO dataset annotations to a YOLO annotation format  suitable for training YOLO models.

    Args:
        labels_dir (str, optional): Path to directory containing COCO dataset annotation files.
        save_dir (str, optional): Path to directory to save results to.
        use_segments (bool, optional): Whether to include segmentation masks in the output.
        use_keypoints (bool, optional): Whether to include keypoint annotations in the output.
        cls91to80 (bool, optional): Whether to map 91 COCO class IDs to the corresponding 80 COCO class IDs.

    Example:
        ```python
        from ultralytics.data.converter import convert_coco

        convert_coco('../datasets/coco/annotations/', use_segments=True, use_keypoints=False, cls91to80=True)
        ```

    Output:
        Generates output files in the specified output directory.
    """

    # Create dataset directory
    save_dir = increment_path(save_dir)  # increment if save directory already exists
    for p in save_dir / "labels", save_dir / "images":
        p.mkdir(parents=True, exist_ok=True)  # make dir

    # Convert classes
    coco80 = coco91_to_coco80_class()

    # Import json
    for json_file in sorted(Path(labels_dir).resolve().glob("*.json")):
        fn = Path(save_dir) / "labels" / json_file.stem.replace("instances_", "")  # folder name
        fn.mkdir(parents=True, exist_ok=True)
        with open(json_file) as f:
            data = json.load(f)

        # Create image dict
        images = {f'{x["id"]:d}': x for x in data["images"]}
        # Create image-annotations dict
        imgToAnns = defaultdict(list)
        for ann in data["annotations"]:
            imgToAnns[ann["image_id"]].append(ann)

        # Write labels file
        for img_id, anns in TQDM(imgToAnns.items(), desc=f"Annotations {json_file}"):
            img = images[f"{img_id:d}"]
            h, w, f = img["height"], img["width"], img["file_name"]

            bboxes = []
            segments = []
            keypoints = []
            for ann in anns:
                if ann["iscrowd"]:
                    continue
                # The COCO box format is [top left x, top left y, width, height]
                box = np.array(ann["bbox"], dtype=np.float64)
                box[:2] += box[2:] / 2  # xy top-left corner to center
                box[[0, 2]] /= w  # normalize x
                box[[1, 3]] /= h  # normalize y
                if box[2] <= 0 or box[3] <= 0:  # if w <= 0 and h <= 0
                    continue

                cls = coco80[ann["category_id"] - 1] if cls91to80 else ann["category_id"] - 1  # class
                box = [cls] + box.tolist()
                if box not in bboxes:
                    bboxes.append(box)
                    if use_segments and ann.get("segmentation") is not None:
                        if len(ann["segmentation"]) == 0:
                            segments.append([])
                            continue
                        elif len(ann["segmentation"]) > 1:
                            s = merge_multi_segment(ann["segmentation"])
                            s = (np.concatenate(s, axis=0) / np.array([w, h])).reshape(-1).tolist()
                        else:
                            s = [j for i in ann["segmentation"] for j in i]  # all segments concatenated
                            s = (np.array(s).reshape(-1, 2) / np.array([w, h])).reshape(-1).tolist()
                        s = [cls] + s
                        segments.append(s)
                    if use_keypoints and ann.get("keypoints") is not None:
                        keypoints.append(
                            box + (np.array(ann["keypoints"]).reshape(-1, 3) / np.array([w, h, 1])).reshape(-1).tolist()
                        )

            # Write
            with open((fn / f).with_suffix(".txt"), "a") as file:
                for i in range(len(bboxes)):
                    if use_keypoints:
                        line = (*(keypoints[i]),)  # cls, box, keypoints
                    else:
                        line = (
                            *(segments[i] if use_segments and len(segments[i]) > 0 else bboxes[i]),
                        )  # cls, box or segments
                    file.write(("%g " * len(line)).rstrip() % line + "\n")

    LOGGER.info(f"COCO data converted successfully.\nResults saved to {save_dir.resolve()}")



ultralytics.data.converter.convert_dota_to_yolo_obb(dota_root_path)

DOTA डेटासेट एनोटेशन को YOLO OBB (ओरिएंटेड बाउंडिंग बॉक्स) प्रारूप।

फ़ंक्शन DOTA डेटासेट के 'ट्रेन' और 'वैल' फ़ोल्डरों में छवियों को संसाधित करता है। प्रत्येक छवि के लिए, यह पढ़ता है मूल लेबल निर्देशिका से संबद्ध लेबल और में नए लेबल लिखता है YOLO एक नई निर्देशिका के लिए OBB प्रारूप.

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
dota_root_path str

DOTA डेटासेट का रूट डायरेक्टरी पथ.

आवश्यक
उदाहरण
from ultralytics.data.converter import convert_dota_to_yolo_obb

convert_dota_to_yolo_obb('path/to/DOTA')
नोट्स

DOTA डेटासेट के लिए मानी गई निर्देशिका संरचना:

- DOTA
    ├─ images
    │   ├─ train
    │   └─ val
    └─ labels
        ├─ train_original
        └─ val_original

निष्पादन के बाद, फ़ंक्शन लेबल को इसमें व्यवस्थित करेगा:

- DOTA
    └─ labels
        ├─ train
        └─ val
में स्रोत कोड ultralytics/data/converter.py
320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348349 350351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408409410411412 413
def convert_dota_to_yolo_obb(dota_root_path: str):
    """
    Converts DOTA dataset annotations to YOLO OBB (Oriented Bounding Box) format.

    The function processes images in the 'train' and 'val' folders of the DOTA dataset. For each image, it reads the
    associated label from the original labels directory and writes new labels in YOLO OBB format to a new directory.

    Args:
        dota_root_path (str): The root directory path of the DOTA dataset.

    Example:
        ```python
        from ultralytics.data.converter import convert_dota_to_yolo_obb

        convert_dota_to_yolo_obb('path/to/DOTA')
        ```

    Notes:
        The directory structure assumed for the DOTA dataset:

            - DOTA
                ├─ images
                │   ├─ train
                │   └─ val
                └─ labels
                    ├─ train_original
                    └─ val_original

        After execution, the function will organize the labels into:

            - DOTA
                └─ labels
                    ├─ train
                    └─ val
    """
    dota_root_path = Path(dota_root_path)

    # Class names to indices mapping
    class_mapping = {
        "plane": 0,
        "ship": 1,
        "storage-tank": 2,
        "baseball-diamond": 3,
        "tennis-court": 4,
        "basketball-court": 5,
        "ground-track-field": 6,
        "harbor": 7,
        "bridge": 8,
        "large-vehicle": 9,
        "small-vehicle": 10,
        "helicopter": 11,
        "roundabout": 12,
        "soccer-ball-field": 13,
        "swimming-pool": 14,
        "container-crane": 15,
        "airport": 16,
        "helipad": 17,
    }

    def convert_label(image_name, image_width, image_height, orig_label_dir, save_dir):
        """Converts a single image's DOTA annotation to YOLO OBB format and saves it to a specified directory."""
        orig_label_path = orig_label_dir / f"{image_name}.txt"
        save_path = save_dir / f"{image_name}.txt"

        with orig_label_path.open("r") as f, save_path.open("w") as g:
            lines = f.readlines()
            for line in lines:
                parts = line.strip().split()
                if len(parts) < 9:
                    continue
                class_name = parts[8]
                class_idx = class_mapping[class_name]
                coords = [float(p) for p in parts[:8]]
                normalized_coords = [
                    coords[i] / image_width if i % 2 == 0 else coords[i] / image_height for i in range(8)
                ]
                formatted_coords = ["{:.6g}".format(coord) for coord in normalized_coords]
                g.write(f"{class_idx} {' '.join(formatted_coords)}\n")

    for phase in ["train", "val"]:
        image_dir = dota_root_path / "images" / phase
        orig_label_dir = dota_root_path / "labels" / f"{phase}_original"
        save_dir = dota_root_path / "labels" / phase

        save_dir.mkdir(parents=True, exist_ok=True)

        image_paths = list(image_dir.iterdir())
        for image_path in TQDM(image_paths, desc=f"Processing {phase} images"):
            if image_path.suffix != ".png":
                continue
            image_name_without_ext = image_path.stem
            img = cv2.imread(str(image_path))
            h, w = img.shape[:2]
            convert_label(image_name_without_ext, w, h, orig_label_dir, save_dir)



ultralytics.data.converter.min_index(arr1, arr2)

2D बिंदुओं के दो सरणियों के बीच सबसे कम दूरी के साथ इंडेक्स की एक जोड़ी खोजें।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
arr1 ndarray

आकार की एक NumPy सरणी (N, 2) N 2D बिंदुओं का प्रतिनिधित्व करती है।

आवश्यक
arr2 ndarray

आकार की एक NumPy सरणी (M, 2) M 2D बिंदुओं का प्रतिनिधित्व करती है।

आवश्यक

देता:

प्रकार विवरण: __________
tuple

एक टपल जिसमें क्रमशः arr1 और arr2 में सबसे कम दूरी वाले बिंदुओं के सूचकांक होते हैं।

में स्रोत कोड ultralytics/data/converter.py
416 417 418 419 420 421 422 423 424 425 426 427428
def min_index(arr1, arr2):
    """
    Find a pair of indexes with the shortest distance between two arrays of 2D points.

    Args:
        arr1 (np.ndarray): A NumPy array of shape (N, 2) representing N 2D points.
        arr2 (np.ndarray): A NumPy array of shape (M, 2) representing M 2D points.

    Returns:
        (tuple): A tuple containing the indexes of the points with the shortest distance in arr1 and arr2 respectively.
    """
    dis = ((arr1[:, None, :] - arr2[None, :, :]) ** 2).sum(-1)
    return np.unravel_index(np.argmin(dis, axis=None), dis.shape)



ultralytics.data.converter.merge_multi_segment(segments)

निर्देशांकों को प्रत्येक खंड के बीच न्यूनतम दूरी से जोड़कर एकाधिक खंडों को एक सूची में मर्ज करें. यह फ़ंक्शन सभी खंडों को एक में मर्ज करने के लिए इन निर्देशांकों को एक पतली रेखा से जोड़ता है।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
segments List[List]

COCO की JSON फ़ाइल में मूल विभाजन। प्रत्येक तत्व निर्देशांक की एक सूची है, जैसे [segmentation1, segmentation2,...].

आवश्यक

देता:

नाम प्रकार विवरण: __________
s List[ndarray]

जुड़े खंडों की एक सूची जिसे NumPy सरणियों के रूप में दर्शाया गया है।

में स्रोत कोड ultralytics/data/converter.py
431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461462463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478
def merge_multi_segment(segments):
    """
    Merge multiple segments into one list by connecting the coordinates with the minimum distance between each segment.
    This function connects these coordinates with a thin line to merge all segments into one.

    Args:
        segments (List[List]): Original segmentations in COCO's JSON file.
                               Each element is a list of coordinates, like [segmentation1, segmentation2,...].

    Returns:
        s (List[np.ndarray]): A list of connected segments represented as NumPy arrays.
    """
    s = []
    segments = [np.array(i).reshape(-1, 2) for i in segments]
    idx_list = [[] for _ in range(len(segments))]

    # Record the indexes with min distance between each segment
    for i in range(1, len(segments)):
        idx1, idx2 = min_index(segments[i - 1], segments[i])
        idx_list[i - 1].append(idx1)
        idx_list[i].append(idx2)

    # Use two round to connect all the segments
    for k in range(2):
        # Forward connection
        if k == 0:
            for i, idx in enumerate(idx_list):
                # Middle segments have two indexes, reverse the index of middle segments
                if len(idx) == 2 and idx[0] > idx[1]:
                    idx = idx[::-1]
                    segments[i] = segments[i][::-1, :]

                segments[i] = np.roll(segments[i], -idx[0], axis=0)
                segments[i] = np.concatenate([segments[i], segments[i][:1]])
                # Deal with the first segment and the last one
                if i in [0, len(idx_list) - 1]:
                    s.append(segments[i])
                else:
                    idx = [0, idx[1] - idx[0]]
                    s.append(segments[i][idx[0] : idx[1] + 1])

        else:
            for i in range(len(idx_list) - 1, -1, -1):
                if i not in [0, len(idx_list) - 1]:
                    idx = idx_list[i]
                    nidx = abs(idx[1] - idx[0])
                    s.append(segments[i][nidx:])
    return s



ultralytics.data.converter.yolo_bbox2segment(im_dir, save_dir=None, sam_model='sam_b.pt')

मौजूदा ऑब्जेक्ट डिटेक्शन डेटासेट (बाउंडिंग बॉक्स) को सेगमेंटेशन डेटासेट या ओरिएंटेड बाउंडिंग बॉक्स (OBB) में कनवर्ट करता है में YOLO प्रारूप। का उपयोग करके विभाजन डेटा उत्पन्न करता है SAM आवश्यकतानुसार ऑटो-एनोटेटर

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
im_dir str | Path

कनवर्ट करने के लिए छवि निर्देशिका का पथ।

आवश्यक
save_dir str | Path

उत्पन्न लेबल को बचाने के लिए पथ, लेबल सहेजे जाएंगे में labels-segment के एक ही निर्देशिका स्तर में im_dir अगर save_dir कोई नहीं है। डिफ़ॉल्ट: कोई नहीं.

None
sam_model str

मध्यवर्ती विभाजन डेटा के लिए उपयोग करने के लिए विभाजन मॉडल; वैकल्पिक।

'sam_b.pt'
नोट्स

डेटासेट के लिए ग्रहण की गई इनपुट निर्देशिका संरचना:

- im_dir
    ├─ 001.jpg
    ├─ ..
    └─ NNN.jpg
- labels
    ├─ 001.txt
    ├─ ..
    └─ NNN.txt
में स्रोत कोड ultralytics/data/converter.py
481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506507508509 510 511512513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538539 540541542
def yolo_bbox2segment(im_dir, save_dir=None, sam_model="sam_b.pt"):
    """
    Converts existing object detection dataset (bounding boxes) to segmentation dataset or oriented bounding box (OBB)
    in YOLO format. Generates segmentation data using SAM auto-annotator as needed.

    Args:
        im_dir (str | Path): Path to image directory to convert.
        save_dir (str | Path): Path to save the generated labels, labels will be saved
            into `labels-segment` in the same directory level of `im_dir` if save_dir is None. Default: None.
        sam_model (str): Segmentation model to use for intermediate segmentation data; optional.

    Notes:
        The input directory structure assumed for dataset:

            - im_dir
                ├─ 001.jpg
                ├─ ..
                └─ NNN.jpg
            - labels
                ├─ 001.txt
                ├─ ..
                └─ NNN.txt
    """
    from ultralytics.data import YOLODataset
    from ultralytics.utils.ops import xywh2xyxy
    from ultralytics.utils import LOGGER
    from ultralytics import SAM
    from tqdm import tqdm

    # NOTE: add placeholder to pass class index check
    dataset = YOLODataset(im_dir, data=dict(names=list(range(1000))))
    if len(dataset.labels[0]["segments"]) > 0:  # if it's segment data
        LOGGER.info("Segmentation labels detected, no need to generate new ones!")
        return

    LOGGER.info("Detection labels detected, generating segment labels by SAM model!")
    sam_model = SAM(sam_model)
    for l in tqdm(dataset.labels, total=len(dataset.labels), desc="Generating segment labels"):
        h, w = l["shape"]
        boxes = l["bboxes"]
        if len(boxes) == 0:  # skip empty labels
            continue
        boxes[:, [0, 2]] *= w
        boxes[:, [1, 3]] *= h
        im = cv2.imread(l["im_file"])
        sam_results = sam_model(im, bboxes=xywh2xyxy(boxes), verbose=False, save=False)
        l["segments"] = sam_results[0].masks.xyn

    save_dir = Path(save_dir) if save_dir else Path(im_dir).parent / "labels-segment"
    save_dir.mkdir(parents=True, exist_ok=True)
    for l in dataset.labels:
        texts = []
        lb_name = Path(l["im_file"]).with_suffix(".txt").name
        txt_file = save_dir / lb_name
        cls = l["cls"]
        for i, s in enumerate(l["segments"]):
            line = (int(cls[i]), *s.reshape(-1))
            texts.append(("%g " * len(line)).rstrip() % line)
        if texts:
            with open(txt_file, "a") as f:
                f.writelines(text + "\n" for text in texts)
    LOGGER.info(f"Generated segment labels saved in {save_dir}")





2023-11-12 बनाया गया, अपडेट किया गया 2024-01-23
लेखक: ग्लेन-जोचर (4), लाफिंग-क्यू (1)