Convert_COCO_to_YOLO_Convert_Polygon_to_Rectangle_Split_dataset

简介

由于项目需要，使用CVAT进行标注，使用多边形进行标注，为了获取MOTS算法所需的标注文件。但是，仍需要使用YOLO模型进行相应目标检测。不过CVAT导出yolo格式，其标注文件夹为空。因此可以通过导出COCO格式，再根据ultralytic官方库提供的转换函数，转换为YOLO格式，此时数据集可以用于训练一个segmentation任务的YOLO模型。

但是，为了进行detection任务，可以将转换后的多边形YOLO格式（即masks）的标注文件，进一步转换问矩形YOLO格式（即boxes）的标注文件。

同时，由于数据集来源于不同的视频，因此导出、转换后，所有数据集并为进行整合，同时也存在不同视频产生的数据的文件名相同，因此需要对不同的数据进行合并，再进一步划分训练、验证、测试的数据集。

YOLO的数据集文件结构如下：

dataset/
├── images/
│   ├── train/
│   │   ├── image1.jpg
│   │   ├── image2.jpg
│   │   └── ...
│   ├── valid/
│   │   ├── image1.jpg
│   │   ├── image2.jpg
│   │   └── ...
│   └── test/
│       ├── image1.jpg
│       ├── image2.jpg
│       └── ...
└── labels/
    ├── train/
    │   ├── image1.txt
    │   ├── image2.txt
    │   └── ...
    ├── valid/
    │   ├── image1.txt
    │   ├── image2.txt
    │   └── ...
    └── test/
        ├── image1.txt
        ├── image2.txt
        └── ...

文件结构

Conver_Collect_Dataset.py
├──	convert_coco_to_yolo.py
│   ├── folder_file_process.py
├── rename.py
├── convert_polygon_to_rectangle.py
├── folder_file_process.py

Split_Dataset.py

功能说明

功能实现，分为两个部分：

1. 转换数据集，并汇总到数据容器中

具体而言，在使用前，需要准备一个包含图像的COCO格式的标注数据集

其文件结构如下：

COCO/
├── images/
│   ├── image1.jpg
│   ├── image2.jpg
│   └── ...
├── annotations/
│   └── annotations.json

使用时，Convert_Collect_Dataset.py 将调用convert_coco_to_yolo.py 把coco路径下的annotations文件夹中的.json转换为YOLO需要的.txt文件

之后将由rename.py 对所有标签文件名进行修改，即增加前缀

随后convert_polygon_to_rectangle.py将会把多边形标注转换为矩形标注，并保存至指定的数据集容器

标签处理完成后，将对图像进行改名，同样使用了rename.py，增加前缀

然后，移动图像到指定的数据集容器

2. 从数据容器中读取数据并按比例划分train, valid, test数据集到指定路径

Split_Dataset.py将从数据集容器中读取相应文件，随机划分数据集

使用说明

• Convert_Collect_Dataset.py

  • 提供COCO格式标签数据集的根目录
  • 需要给文件改名所需的前缀
  • 数据容器的路径

• Split_Dataset.py

  • 给root_path提供数据容器的根路径
  • 指定一个保存划分好数据集饿路径 save_path

改进点

• 对于分割数据集可以增加检查目标路径是否为空，若不为空可以选择删除路径内文件后，再执行拷贝