Referentie voor ultralytics/data/converter.py
Opmerking
Dit bestand is beschikbaar op https://github.com/ultralytics/ ultralytics/blob/main/ ultralytics/data/converter .py. Als je een probleem ziet, help het dan oplossen door een Pull Request 🛠️ bij te dragen. Bedankt 🙏!
ultralytics.data.converter.coco91_to_coco80_class()
Converteert COCO-klasse-ID's met 91 indexen naar COCO-klasse-ID's met 80 indexen.
Retourneert:
Type | Beschrijving |
---|---|
list
|
Een lijst met 91 klassen-ID's waarbij de index staat voor de klassen-ID met 80 indexen en de waarde de bijbehorende klassen-ID met 91 indexen is. bijbehorende klasse-ID met 91 indexen is. |
Broncode in ultralytics/data/converter.py
14 15 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 |
|
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', delimiter=' ') x1 = [list(a[i] == b).index(True) + 1 for i in range(80)] # darknet naar coco x2 = [list(b[i] == a).index(True) if any(b[i] == a) else None for i in range(91)] # coco naar darknet ```
Broncode in ultralytics/data/converter.py
117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 |
|
ultralytics.data.converter.convert_coco(labels_dir='../coco/annotations/', save_dir='coco_converted/', use_segments=False, use_keypoints=False, cls91to80=True, lvis=False)
Converteert annotaties van de COCO dataset naar een YOLO annotatieformaat dat geschikt is voor het trainen van YOLO modellen.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
labels_dir |
str
|
Pad naar de map met annotatiebestanden van de COCO dataset. |
'../coco/annotations/'
|
save_dir |
str
|
Pad naar map om resultaten in op te slaan. |
'coco_converted/'
|
use_segments |
bool
|
Of segmentatiemaskers in de uitvoer moeten worden opgenomen. |
False
|
use_keypoints |
bool
|
Of annotaties van sleutelpunten in de uitvoer moeten worden opgenomen. |
False
|
cls91to80 |
bool
|
Of 91 COCO klasse-ID's moeten worden toegewezen aan de corresponderende 80 COCO klasse-ID's. |
True
|
lvis |
bool
|
Of gegevens moeten worden geconverteerd op een lvis dataset manier. |
False
|
Voorbeeld
Uitgang
Genereert uitvoerbestanden in de opgegeven uitvoermap.
Broncode in ultralytics/data/converter.py
216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 |
|
ultralytics.data.converter.convert_dota_to_yolo_obb(dota_root_path)
Converteert DOTA annotaties van datasets naar YOLO OBB (Oriented Bounding Box) formaat.
De functie verwerkt afbeeldingen in de mappen 'train' en 'val' van de DOTA dataset. Voor elke afbeelding wordt het bijbehorende label uit de oorspronkelijke labels-map en schrijft nieuwe labels in YOLO OBB formaat naar een nieuwe map.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
dota_root_path |
str
|
Het pad van de hoofdmap van de DOTA dataset. |
vereist |
Voorbeeld
Opmerkingen
De aangenomen mappenstructuur voor de DOTA dataset:
- DOTA
├─ images
│ ├─ train
│ └─ val
└─ labels
├─ train_original
└─ val_original
Na uitvoering zal de functie de labels ordenen in:
- DOTA
└─ labels
├─ train
└─ val
Broncode in ultralytics/data/converter.py
338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 |
|
ultralytics.data.converter.min_index(arr1, arr2)
Zoek een paar indexen met de kortste afstand tussen twee matrices van 2D-punten.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
arr1 |
ndarray
|
Een NumPy array van de vorm (N, 2) die N 2D-punten voorstelt. |
vereist |
arr2 |
ndarray
|
Een NumPy array van vorm (M, 2) die M 2D punten voorstelt. |
vereist |
Retourneert:
Type | Beschrijving |
---|---|
tuple
|
Een tupel met de indexen van de punten met de kortste afstand in respectievelijk arr1 en arr2. |
Broncode in ultralytics/data/converter.py
ultralytics.data.converter.merge_multi_segment(segments)
Voeg meerdere segmenten samen in één lijst door de coördinaten met de minimale afstand tussen elk segment te verbinden. Deze functie verbindt deze coördinaten met een dunne lijn om alle segmenten samen te voegen.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
segments |
List[List]
|
Originele segmentaties in het JSON-bestand van COCO. Elk element is een lijst met coördinaten, zoals [segmentatie1, segmentatie2,...]. |
vereist |
Retourneert:
Naam | Type | Beschrijving |
---|---|---|
s |
List[ndarray]
|
Een lijst van verbonden segmenten weergegeven als NumPy arrays. |
Broncode in ultralytics/data/converter.py
ultralytics.data.converter.yolo_bbox2segment(im_dir, save_dir=None, sam_model='sam_b.pt')
Converteert bestaande objectdetectiegegevensverzameling (bounding boxes) naar segmentatiegegevensverzameling of georiënteerde bounding box (OBB) in YOLO formaat. Genereert segmentatiegegevens met behulp van SAM auto-annotator als dat nodig is.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
im_dir |
str | Path
|
Pad naar afbeeldingsmap om te converteren. |
vereist |
save_dir |
str | Path
|
Pad om de gegenereerde labels op te slaan, de labels worden opgeslagen
in |
None
|
sam_model |
str
|
Segmentatiemodel om te gebruiken voor tussenliggende segmentatiegegevens; optioneel. |
'sam_b.pt'
|
Opmerkingen
De veronderstelde structuur van de invoermap voor de dataset:
- im_dir
├─ 001.jpg
├─ ..
└─ NNN.jpg
- labels
├─ 001.txt
├─ ..
└─ NNN.txt