Tiện ích đơn giản
Các ultralytics gói đi kèm với vô số tiện ích có thể hỗ trợ, nâng cao và tăng tốc quy trình làm việc của bạn. Có nhiều tiện ích khác nữa, nhưng sau đây là một số tiện ích sẽ hữu ích cho hầu hết các nhà phát triển. Chúng cũng là điểm tham chiếu tuyệt vời để sử dụng khi học lập trình.
Đồng hồ: Ultralytics Tiện ích | Chú thích tự động, API Explorer và Chuyển đổi tập dữ liệu
Dữ liệu
Tự động gắn nhãn/chú thích
Chú thích tập dữ liệu là một quá trình tốn rất nhiều tài nguyên và thời gian. Nếu bạn có YOLO mô hình phát hiện đối tượng được đào tạo trên một lượng dữ liệu hợp lý, bạn có thể sử dụng nó và SAM để tự động chú thích dữ liệu bổ sung (định dạng phân đoạn).
from ultralytics.data.annotator import auto_annotate
auto_annotate( # (1)!
data="path/to/new/data",
det_model="yolo11n.pt",
sam_model="mobile_sam.pt",
device="cuda",
output_dir="path/to/save_labels",
)
-
Không có gì trả về từ hàm này
-
Xem phần tham khảo để biết
annotator.auto_annotateđể hiểu rõ hơn về cách thức hoạt động của chức năng này. -
Sử dụng kết hợp với chức năng
segments2boxesđể tạo ra các hộp giới hạn phát hiện đối tượng
Chuyển đổi mặt nạ phân đoạn thành YOLO Định dạng
Sử dụng để chuyển đổi một tập dữ liệu hình ảnh mặt nạ phân đoạn thành YOLO định dạng phân đoạn. Hàm này lấy thư mục chứa hình ảnh mặt nạ định dạng nhị phân và chuyển đổi chúng thành YOLO định dạng phân đoạn.
Mặt nạ đã chuyển đổi sẽ được lưu trong thư mục đầu ra đã chỉ định.
from ultralytics.data.converter import convert_segment_masks_to_yolo_seg
# The classes here is the total classes in the dataset, for COCO dataset we have 80 classes
convert_segment_masks_to_yolo_seg(masks_dir="path/to/masks_dir", output_dir="path/to/output_dir", classes=80)
Chuyển đổi COCO thành YOLO Định dạng
Sử dụng để chuyển đổi chú thích COCO JSON thành đúng YOLO định dạng. Đối với các tập dữ liệu phát hiện đối tượng (hộp giới hạn), use_segments Và use_keypoints cả hai đều nên False
from ultralytics.data.converter import convert_coco
convert_coco( # (1)!
"../datasets/coco/annotations/",
use_segments=False,
use_keypoints=False,
cls91to80=True,
)
- Không có gì trả về từ hàm này
Để biết thêm thông tin về convert_coco chức năng, ghé thăm trang tham khảo
Nhận Kích thước Hộp giới hạn
from ultralytics.utils.plotting import Annotator
from ultralytics import YOLO
import cv2
model = YOLO('yolo11n.pt') # Load pretrain or fine-tune model
# Process the image
source = cv2.imread('path/to/image.jpg')
results = model(source)
# Extract results
annotator = Annotator(source, example=model.names)
for box in results[0].boxes.xyxy.cpu():
width, height, area = annotator.get_bbox_dimension(box)
print("Bounding Box Width {}, Height {}, Area {}".format(
width.item(), height.item(), area.item()))
Chuyển đổi hộp giới hạn thành phân đoạn
Với sự hiện hữu x y w h dữ liệu hộp giới hạn, chuyển đổi thành các phân đoạn bằng cách sử dụng yolo_bbox2segment chức năng. Các tập tin hình ảnh và chú thích cần được sắp xếp như thế này:
data
|__ images
├─ 001.jpg
├─ 002.jpg
├─ ..
└─ NNN.jpg
|__ labels
├─ 001.txt
├─ 002.txt
├─ ..
└─ NNN.txt
from ultralytics.data.converter import yolo_bbox2segment
yolo_bbox2segment( # (1)!
im_dir="path/to/images",
save_dir=None, # saved to "labels-segment" in images directory
sam_model="sam_b.pt",
)
- Không có gì trả về từ hàm này
Ghé thăm yolo_bbox2segment trang tham khảo để biết thêm thông tin về chức năng này.
Chuyển đổi các phân đoạn thành các hộp giới hạn
Nếu bạn có một tập dữ liệu sử dụng định dạng tập dữ liệu phân đoạn bạn có thể dễ dàng chuyển đổi chúng thành các hộp giới hạn thẳng đứng (hoặc nằm ngang) (x y w h format) bằng chức năng này.
import numpy as np
from ultralytics.utils.ops import segments2boxes
segments = np.array(
[
[805, 392, 797, 400, ..., 808, 714, 808, 392],
[115, 398, 113, 400, ..., 150, 400, 149, 298],
[267, 412, 265, 413, ..., 300, 413, 299, 412],
]
)
segments2boxes([s.reshape(-1, 2) for s in segments])
# >>> array([[ 741.66, 631.12, 133.31, 479.25],
# [ 146.81, 649.69, 185.62, 502.88],
# [ 281.81, 636.19, 118.12, 448.88]],
# dtype=float32) # xywh bounding boxes
Để hiểu chức năng này hoạt động như thế nào, hãy truy cập trang tham khảo
Tiện ích
Nén hình ảnh
Nén một tệp hình ảnh duy nhất xuống kích thước nhỏ hơn trong khi vẫn giữ nguyên tỷ lệ khung hình và chất lượng. Nếu hình ảnh đầu vào nhỏ hơn kích thước tối đa, nó sẽ không được thay đổi kích thước.
from pathlib import Path
from ultralytics.data.utils import compress_one_image
for f in Path("path/to/dataset").rglob("*.jpg"):
compress_one_image(f) # (1)!
- Không có gì trả về từ hàm này
Tự động chia tách tập dữ liệu
Tự động chia một tập dữ liệu thành train/val/test chia tách và lưu các chia tách kết quả vào autosplit_*.txt tập tin. Chức năng này sẽ sử dụng lấy mẫu ngẫu nhiên, không được bao gồm khi sử dụng fraction lập luận cho việc đào tạo.
from ultralytics.data.utils import autosplit
autosplit( # (1)!
path="path/to/images",
weights=(0.9, 0.1, 0.0), # (train, validation, test) fractional splits
annotated_only=False, # split only images with annotation file when True
)
- Không có gì trả về từ hàm này
Xem trang Tham khảo để biết thêm thông tin chi tiết về chức năng này.
Phân đoạn-đa giác thành Mặt nạ nhị phân
Chuyển đổi một đa giác đơn (dưới dạng danh sách) thành mặt nạ nhị phân có kích thước hình ảnh được chỉ định. Đa giác ở dạng [N, 2] với N như số lượng (x, y) các điểm xác định đường viền đa giác.
Cảnh báo
N phải luôn luôn đều đặn.
import numpy as np
from ultralytics.data.utils import polygon2mask
imgsz = (1080, 810)
polygon = np.array([805, 392, 797, 400, ..., 808, 714, 808, 392]) # (238, 2)
mask = polygon2mask(
imgsz, # tuple
[polygon], # input as list
color=255, # 8-bit binary
downsample_ratio=1,
)
Hộp giới hạn
Các trường hợp của hộp giới hạn (ngang)
Để quản lý dữ liệu hộp giới hạn, Bboxes lớp này sẽ giúp chuyển đổi giữa định dạng tọa độ hộp, tỷ lệ kích thước hộp, tính diện tích, bao gồm các giá trị bù trừ và nhiều hơn nữa!
import numpy as np
from ultralytics.utils.instance import Bboxes
boxes = Bboxes(
bboxes=np.array(
[
[22.878, 231.27, 804.98, 756.83],
[48.552, 398.56, 245.35, 902.71],
[669.47, 392.19, 809.72, 877.04],
[221.52, 405.8, 344.98, 857.54],
[0, 550.53, 63.01, 873.44],
[0.0584, 254.46, 32.561, 324.87],
]
),
format="xyxy",
)
boxes.areas()
# >>> array([ 4.1104e+05, 99216, 68000, 55772, 20347, 2288.5])
boxes.convert("xywh")
print(boxes.bboxes)
# >>> array(
# [[ 413.93, 494.05, 782.1, 525.56],
# [ 146.95, 650.63, 196.8, 504.15],
# [ 739.6, 634.62, 140.25, 484.85],
# [ 283.25, 631.67, 123.46, 451.74],
# [ 31.505, 711.99, 63.01, 322.91],
# [ 16.31, 289.67, 32.503, 70.41]]
# )
Xem Bboxes phần tham khảo để biết thêm các thuộc tính và phương pháp có sẵn.
Mẹo
Nhiều chức năng sau đây (và nhiều chức năng khác) có thể được truy cập bằng cách sử dụng Bboxes lớp học nhưng nếu bạn muốn làm việc trực tiếp với các hàm, hãy xem các phần tiếp theo về cách nhập các hàm này một cách độc lập.
Hộp tỷ lệ
Khi tăng hoặc giảm kích thước hình ảnh, tọa độ hộp giới hạn tương ứng có thể được điều chỉnh phù hợp để khớp bằng cách sử dụng ultralytics.utils.ops.scale_boxes.
import cv2 as cv
import numpy as np
from ultralytics.utils.ops import scale_boxes
image = cv.imread("ultralytics/assets/bus.jpg")
h, w, c = image.shape
resized = cv.resize(image, None, (), fx=1.2, fy=1.2)
new_h, new_w, _ = resized.shape
xyxy_boxes = np.array(
[
[22.878, 231.27, 804.98, 756.83],
[48.552, 398.56, 245.35, 902.71],
[669.47, 392.19, 809.72, 877.04],
[221.52, 405.8, 344.98, 857.54],
[0, 550.53, 63.01, 873.44],
[0.0584, 254.46, 32.561, 324.87],
]
)
new_boxes = scale_boxes(
img1_shape=(h, w), # original image dimensions
boxes=xyxy_boxes, # boxes from original image
img0_shape=(new_h, new_w), # resized image dimensions (scale to)
ratio_pad=None,
padding=False,
xywh=False,
)
print(new_boxes) # (1)!
# >>> array(
# [[ 27.454, 277.52, 965.98, 908.2],
# [ 58.262, 478.27, 294.42, 1083.3],
# [ 803.36, 470.63, 971.66, 1052.4],
# [ 265.82, 486.96, 413.98, 1029],
# [ 0, 660.64, 75.612, 1048.1],
# [ 0.0701, 305.35, 39.073, 389.84]]
# )
- Các hộp giới hạn được chia tỷ lệ cho kích thước hình ảnh mới
Chuyển đổi định dạng hộp giới hạn
XYXY → XYWH
Chuyển đổi tọa độ hộp giới hạn từ định dạng (x1, y1, x2, y2) sang định dạng (x, y, chiều rộng, chiều cao) trong đó (x1, y1) là góc trên cùng bên trái và (x2, y2) là góc dưới cùng bên phải.
import numpy as np
from ultralytics.utils.ops import xyxy2xywh
xyxy_boxes = np.array(
[
[22.878, 231.27, 804.98, 756.83],
[48.552, 398.56, 245.35, 902.71],
[669.47, 392.19, 809.72, 877.04],
[221.52, 405.8, 344.98, 857.54],
[0, 550.53, 63.01, 873.44],
[0.0584, 254.46, 32.561, 324.87],
]
)
xywh = xyxy2xywh(xyxy_boxes)
print(xywh)
# >>> array(
# [[ 413.93, 494.05, 782.1, 525.56],
# [ 146.95, 650.63, 196.8, 504.15],
# [ 739.6, 634.62, 140.25, 484.85],
# [ 283.25, 631.67, 123.46, 451.74],
# [ 31.505, 711.99, 63.01, 322.91],
# [ 16.31, 289.67, 32.503, 70.41]]
# )
Tất cả các chuyển đổi hộp giới hạn
from ultralytics.utils.ops import (
ltwh2xywh,
ltwh2xyxy,
xywh2ltwh, # xywh → top-left corner, w, h
xywh2xyxy,
xywhn2xyxy, # normalized → pixel
xyxy2ltwh, # xyxy → top-left corner, w, h
xyxy2xywhn, # pixel → normalized
)
for func in (ltwh2xywh, ltwh2xyxy, xywh2ltwh, xywh2xyxy, xywhn2xyxy, xyxy2ltwh, xyxy2xywhn):
print(help(func)) # print function docstrings
Xem docstring cho từng chức năng hoặc truy cập ultralytics.utils.ops trang tham khảo để đọc thêm về từng chức năng.
Vẽ đồ thị
Chú thích bản vẽ
Ultralytics bao gồm một lớp Annotator có thể được sử dụng để chú thích bất kỳ loại dữ liệu nào. Dễ sử dụng nhất với các hộp giới hạn phát hiện đối tượng , các điểm chính tạo dáng và các hộp giới hạn định hướng .
Ultralytics Chú thích quét
Python Ví dụ sử dụng YOLO11 🚀
import cv2
from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors
# User defined video path and model file
cap = cv2.VideoCapture("Path/to/video/file.mp4")
model = YOLO(model="yolo11s-seg.pt") # Model file i.e. yolo11s.pt or yolo11m-seg.pt
if not cap.isOpened():
print("Error: Could not open video.")
exit()
# Initialize the video writer object.
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
video_writer = cv2.VideoWriter("ultralytics.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
masks = None # Initialize variable to store masks data
f = 0 # Initialize frame count variable for enabling mouse event.
line_x = w # Store width of line.
dragging = False # Initialize bool variable for line dragging.
classes = model.names # Store model classes names for plotting.
window_name = "Ultralytics Sweep Annotator"
def drag_line(event, x, y, flags, param): # Mouse callback for dragging line.
global line_x, dragging
if event == cv2.EVENT_LBUTTONDOWN or (flags & cv2.EVENT_FLAG_LBUTTON):
line_x = max(0, min(x, w))
dragging = True
while cap.isOpened(): # Loop over the video capture object.
ret, im0 = cap.read()
if not ret:
break
f = f + 1 # Increment frame count.
count = 0 # Re-initialize count variable on every frame for precise counts.
annotator = Annotator(im0)
results = model.track(im0, persist=True) # Track objects using track method.
if f == 1:
cv2.namedWindow(window_name)
cv2.setMouseCallback(window_name, drag_line)
if results[0].boxes.id is not None:
if results[0].masks is not None:
masks = results[0].masks.xy
track_ids = results[0].boxes.id.int().cpu().tolist()
clss = results[0].boxes.cls.cpu().tolist()
boxes = results[0].boxes.xyxy.cpu()
for mask, box, cls, t_id in zip(masks or [None] * len(boxes), boxes, clss, track_ids):
color = colors(t_id, True) # Assign different color to each tracked object.
if mask is not None and mask.size > 0:
# If you want to overlay the masks
# mask[:, 0] = np.clip(mask[:, 0], line_x, w)
# mask_img = cv2.fillPoly(im0.copy(), [mask.astype(int)], color)
# cv2.addWeighted(mask_img, 0.5, im0, 0.5, 0, im0)
if box[0] > line_x:
count += 1
annotator.seg_bbox(mask=mask, mask_color=color, label=str(classes[cls]))
else:
if box[0] > line_x:
count += 1
annotator.box_label(box=box, color=color, label=str(classes[cls]))
annotator.sweep_annotator(line_x=line_x, line_y=h, label=f"COUNT:{count}") # Display the sweep
cv2.imshow(window_name, im0)
video_writer.write(im0)
if cv2.waitKey(1) & 0xFF == ord("q"):
break
cap.release() # Release the video capture.
video_writer.release() # Release the video writer.
cv2.destroyAllWindows() # Destroy all opened windows.
Hộp giới hạn ngang
import cv2 as cv
import numpy as np
from ultralytics.utils.plotting import Annotator, colors
names = { # (1)!
0: "person",
5: "bus",
11: "stop sign",
}
image = cv.imread("ultralytics/assets/bus.jpg")
ann = Annotator(
image,
line_width=None, # default auto-size
font_size=None, # default auto-size
font="Arial.ttf", # must be ImageFont compatible
pil=False, # use PIL, otherwise uses OpenCV
)
xyxy_boxes = np.array(
[
[5, 22.878, 231.27, 804.98, 756.83], # class-idx x1 y1 x2 y2
[0, 48.552, 398.56, 245.35, 902.71],
[0, 669.47, 392.19, 809.72, 877.04],
[0, 221.52, 405.8, 344.98, 857.54],
[0, 0, 550.53, 63.01, 873.44],
[11, 0.0584, 254.46, 32.561, 324.87],
]
)
for nb, box in enumerate(xyxy_boxes):
c_idx, *box = box
label = f"{str(nb).zfill(2)}:{names.get(int(c_idx))}"
ann.box_label(box, label, color=colors(c_idx, bgr=True))
image_with_bboxes = ann.result()
- Tên có thể được sử dụng từ
model.nameskhi làm việc với kết quả phát hiện
Hộp giới hạn định hướng (OBB)
import cv2 as cv
import numpy as np
from ultralytics.utils.plotting import Annotator, colors
obb_names = {10: "small vehicle"}
obb_image = cv.imread("datasets/dota8/images/train/P1142__1024__0___824.jpg")
obb_boxes = np.array(
[
[0, 635, 560, 919, 719, 1087, 420, 803, 261], # class-idx x1 y1 x2 y2 x3 y2 x4 y4
[0, 331, 19, 493, 260, 776, 70, 613, -171],
[9, 869, 161, 886, 147, 851, 101, 833, 115],
]
)
ann = Annotator(
obb_image,
line_width=None, # default auto-size
font_size=None, # default auto-size
font="Arial.ttf", # must be ImageFont compatible
pil=False, # use PIL, otherwise uses OpenCV
)
for obb in obb_boxes:
c_idx, *obb = obb
obb = np.array(obb).reshape(-1, 4, 2).squeeze()
label = f"{obb_names.get(int(c_idx))}"
ann.box_label(
obb,
label,
color=colors(c_idx, True),
rotated=True,
)
image_with_obb = ann.result()
Hộp giới hạn Chú thích hình tròn Nhãn hình tròn
Đồng hồ: Hướng dẫn chi tiết về chú thích văn bản và hình tròn với Python Bản demo trực tiếp | Ultralytics Chú thích 🚀
import cv2
from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator
model = YOLO("yolo11s.pt")
names = model.names
cap = cv2.VideoCapture("path/to/video/file.mp4")
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
writer = cv2.VideoWriter("Ultralytics circle annotation.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))
while True:
ret, im0 = cap.read()
if not ret:
break
annotator = Annotator(im0)
results = model.predict(im0)
boxes = results[0].boxes.xyxy.cpu()
clss = results[0].boxes.cls.cpu().tolist()
for box, cls in zip(boxes, clss):
annotator.circle_label(box, label=names[int(cls)])
writer.write(im0)
cv2.imshow("Ultralytics circle annotation", im0)
if cv2.waitKey(1) & 0xFF == ord("q"):
break
writer.release()
cap.release()
cv2.destroyAllWindows()
Hộp giới hạn Văn bản Chú thích Nhãn văn bản
import cv2
from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator
model = YOLO("yolo11s.pt")
names = model.names
cap = cv2.VideoCapture("path/to/video/file.mp4")
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
writer = cv2.VideoWriter("Ultralytics text annotation.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))
while True:
ret, im0 = cap.read()
if not ret:
break
annotator = Annotator(im0)
results = model.predict(im0)
boxes = results[0].boxes.xyxy.cpu()
clss = results[0].boxes.cls.cpu().tolist()
for box, cls in zip(boxes, clss):
annotator.text_label(box, label=names[int(cls)])
writer.write(im0)
cv2.imshow("Ultralytics text annotation", im0)
if cv2.waitKey(1) & 0xFF == ord("q"):
break
writer.release()
cap.release()
cv2.destroyAllWindows()
Xem Annotator Trang tham khảo để có thêm hiểu biết sâu sắc.
Lặt Vặt
Hồ sơ mã
Kiểm tra thời lượng chạy/xử lý mã bằng cách sử dụng with hoặc như một người trang trí.
from ultralytics.utils.ops import Profile
with Profile(device="cuda:0") as dt:
pass # operation to measure
print(dt)
# >>> "Elapsed time is 9.5367431640625e-07 s"
Ultralytics Định dạng được hỗ trợ
Muốn hoặc cần sử dụng các định dạng hình ảnh hoặc video được hỗ trợ bởi Ultralytics theo chương trình? Sử dụng các hằng số này nếu bạn cần.
from ultralytics.data.utils import IMG_FORMATS, VID_FORMATS
print(IMG_FORMATS)
# {'tiff', 'pfm', 'bmp', 'mpo', 'dng', 'jpeg', 'png', 'webp', 'tif', 'jpg'}
print(VID_FORMATS)
# {'avi', 'mpg', 'wmv', 'mpeg', 'm4v', 'mov', 'mp4', 'asf', 'mkv', 'ts', 'gif', 'webm'}
Làm cho chia hết
Tính toán số nguyên gần nhất x để làm cho chia hết cho y.
from ultralytics.utils.ops import make_divisible
make_divisible(7, 3)
# >>> 9
make_divisible(7, 2)
# >>> 8
CÂU HỎI THƯỜNG GẶP
Những tiện ích nào được bao gồm trong Ultralytics gói để nâng cao quy trình làm việc của máy học ?
Các Ultralytics gói bao gồm nhiều tiện ích được thiết kế để hợp lý hóa và tối ưu hóa quy trình làm việc của máy học. Các tiện ích chính bao gồm chú thích tự động để dán nhãn tập dữ liệu, chuyển đổi COCO thành YOLO định dạng với convert_coco , nén hình ảnh và tự động chia tách tập dữ liệu. Các công cụ này nhằm mục đích giảm công sức thủ công, đảm bảo tính nhất quán và nâng cao hiệu quả xử lý dữ liệu.
Tôi có thể sử dụng như thế nào? Ultralytics để tự động dán nhãn cho tập dữ liệu của tôi?
Nếu bạn đã được đào tạo trước Ultralytics YOLO mô hình phát hiện đối tượng, bạn có thể sử dụng nó với mô hình SAM để tự động chú thích tập dữ liệu của mình theo định dạng phân đoạn. Sau đây là một ví dụ:
from ultralytics.data.annotator import auto_annotate
auto_annotate(
data="path/to/new/data",
det_model="yolo11n.pt",
sam_model="mobile_sam.pt",
device="cuda",
output_dir="path/to/save_labels",
)
Để biết thêm chi tiết, hãy kiểm tra phần tham chiếu auto_annotate .
Làm thế nào để tôi chuyển đổi chú thích tập dữ liệu COCO sang YOLO định dạng trong Ultralytics ?
Để chuyển đổi chú thích COCO JSON thành YOLO định dạng để phát hiện đối tượng, bạn có thể sử dụng convert_coco tiện ích. Sau đây là một đoạn mã mẫu:
from ultralytics.data.converter import convert_coco
convert_coco(
"../datasets/coco/annotations/",
use_segments=False,
use_keypoints=False,
cls91to80=True,
)
Để biết thêm thông tin, hãy truy cập trang tham khảo convert_coco .
Mục đích của việc này là gì? YOLO Data Explorer trong Ultralytics bưu kiện?
Các YOLO Nhà thám hiểm là một công cụ mạnh mẽ được giới thiệu trong 8.1.0 cập nhật để nâng cao hiểu biết về tập dữ liệu. Nó cho phép bạn sử dụng truy vấn văn bản để tìm các trường hợp đối tượng trong tập dữ liệu của mình, giúp phân tích và quản lý dữ liệu dễ dàng hơn. Công cụ này cung cấp thông tin chi tiết có giá trị về thành phần và phân phối tập dữ liệu, giúp cải thiện hiệu suất và đào tạo mô hình.
Làm thế nào tôi có thể chuyển đổi các hộp giới hạn thành các phân đoạn trong Ultralytics ?
Để chuyển đổi dữ liệu hộp giới hạn hiện có (trong x y w h định dạng) thành các phân đoạn, bạn có thể sử dụng yolo_bbox2segment chức năng. Đảm bảo các tệp của bạn được sắp xếp theo các thư mục riêng biệt cho hình ảnh và nhãn.
from ultralytics.data.converter import yolo_bbox2segment
yolo_bbox2segment(
im_dir="path/to/images",
save_dir=None, # saved to "labels-segment" in the images directory
sam_model="sam_b.pt",
)
Để biết thêm thông tin, hãy truy cập trang tham khảo yolo _bbox2segment .
