SeaDronesSee数据集部署

SeaDronesSee数据集为无人机拍摄的海洋救援相关的数据集。目标框有’ignored’, ‘swimmer’, ‘boat’, ‘jetski’, ‘life_saving_appliances’, 'buoy’六个类别。

原始的官网dang下来的数据集是由Java标注的json格式的数据集，无法直接在YOLO上面部署，需要进行数据格式转换，将json格式转换成txt格式。下面进行教程：

一、数据预处理

1. 将解压后的Compressed Version中的images和annotations粘贴到data中
2. 运行data_process.py。将会生成三个txt文件和一个labels文件夹
3. 把images/test、train、val中的所有图片移动到images下

   import os
   from tqdm import tqdm
   from PIL import Image
   import json
   
   def generate_txt_file(folder_path, txt_file_path):
       print("正在处理文件夹:", folder_path)
       with open(txt_file_path, 'w') as txt_file:
           file_list = os.listdir(folder_path)
           for file_name in file_list:
               if file_name.endswith('.jpg') or file_name.endswith('.png'):
                   txt_file.write('data/images/' + file_name + '\n')
       print("已生成文件:", txt_file_path)
   
   
   def JSONtoTXT(mode,datapath):
       # 若没有，创建labels文件夹
       if not os.path.exists('labels'):
           os.mkdir('labels')
       with open(datapath, 'r') as file:
           data = json.load(file)
       print("正在处理：" + datapath)
       annotations = data['annotations']
       for annotation in tqdm(annotations):
           category_id = annotation['category_id']
   
           if category_id == 0:  # 如果category_id为ignore，则跳过当前注释信息
               print(str(annotation['image_id']) + ".jpg的标签为ignore")
               continue
   
           image_id = annotation['image_id']
           file_path = os.path.join('images/', mode + '/' + str(image_id) + '.jpg')
           with Image.open(file_path) as img:
               width, height = img.size
           bbox = annotation['bbox']
           # 目标框中心点x轴相对于图片x轴的比例 = (目标框x位置 + 目标框宽度 / 2) / 图片宽度
           x = (int(bbox[0]) + int(bbox[2]) / 2) / int(width)
           # 目标框中心点y轴相对于图片y轴的比例 = (目标框y位置 + 目标框高度 / 2) / 图片高度
           y = (int(bbox[1]) + int(bbox[3]) / 2) / int(height)
           # 目标框宽度相对于图片宽度的比例 = 目标框宽度 / 图片宽度
           w = int(bbox[2]) / int(width)
           # 目标框高度相对于图片高度的比例 = 目标框高度 / 图片高度
           h = int(bbox[3]) / int(height)
   
           content = f"{category_id} {x} {y} {w} {h}"
           file_name = image_id
           file_path = f'labels/{file_name}.txt'
   
           if os.path.exists(file_path):
               with open(file_path, 'a') as file:
                   file.write('\n' + content)
           else:
               with open(file_path, 'w') as file:
                   file.write(content)
   
   
   """
   一：根据images下的三个文件夹，生成对应的txt。内容为各图片路径
   """
   # 文件夹路径
   train_folder = 'images/train'
   val_folder = 'images/val'
   test_folder ='images/test'
   # 生成txt文件
   generate_txt_file(train_folder, 'train.txt')
   generate_txt_file(val_folder, 'val.txt')
   generate_txt_file(test_folder, 'test.txt')
   print("文件处理完成。")
   
   """
   二：根据JSON转txt（这是这个代码中主要的部分）
   """
   # JSON文件数据清洗转TXT
   JSONtoTXT('train', 'annotations/instances_train.json')
   JSONtoTXT('val', 'annotations/instances_val.json')
   JSONtoTXT('test', 'annotations/instances_test_nogt.json')
   print("处理完成")
   

   修改最后三行代码分别转换test、train、val中的数据集标签。运行效果图如下：会生成label文件夹，里面就是所需要的数据集标签。

二、训练数据集

1. 数据集准备：首先需要准备一个包含图像和对应标注信息的数据集。图像应该包含待检测的目标，并且与每个目标相关联的标注信息应该包括类别和边界框的位置。（seadronessee数据集）

2. 安装Yolov5：在开始训练之前，需要安装Yolov5。可以从Yolov5的GitHub仓库中下载源代码，然后根据文档中提供的指南进行安装。

3. 配置模型参数：在Yolov5的源代码目录中，有一个名为yolov5s.yaml的文件，它包含了模型的配置参数。可以根据自己的需求进行修改，例如调整输入图像的分辨率、修改训练的超参数等。

4. 数据集划分：在yolov5s.yaml文件中，可以指定训练集和验证集的路径。将数据集划分为训练集和验证集，并将它们的路径分别填入配置文件中。

5. 标注转换：Yolov5要求标注信息以特定格式提供。可以使用工具如labelImg将标注信息转换为Yolov5所需的格式，通常是将标注信息保存为txt文件，每个文件对应一张图像。

6. 训练模型：在命令行中运行train.py脚本来开始训练模型。可以通过指定模型配置文件、数据集路径和其他训练参数来自定义训练过程。训练过程将自动按照指定的参数进行模型训练。

7. 评估模型：在训练完成后，可以使用val.py脚本对训练得到的模型进行评估。该脚本将在验证集上计算模型的性能指标，如精度、召回率等。

8. 模型推理：训练完成后，可以使用detect.py脚本对新图像进行模型推理。该脚本将加载训练得到的模型，并在输入图像中检测目标。可以通过指定输入图像的路径和输出结果的保存路径来运行脚本。

三、说明

本文主要讲解数据转换，可以将seadronessee数据集进行格式转换，对于后续训练提供数据支撑。