1.1.2制作个性化数据集
本次实验目标是检测受电弓开合状态,需要采集open和close两类点云数据,Test是一个存放最终真实无标签测试数据的空目录,process_data.py是一个自动生成数据集配置文件的脚本,后续会介绍
1.2 记录点云数据的配置文件
1.2.1原数据集介绍
除了分类点云数据外,还需要一些记录点云数据文件路径、类别、训练集、测试集的配置文件。
(1)filelist.txt记录了点云数据的相对文件路径
(2)modelnet40_shape_names.txt记录了全部类别
(3)modelnet40_train.txt记录了从数据集中划分的训练集
(4)modelnet40_test.txt记录了从数据集中划分的测试集
1.2.2制作个性化数据集
编写process_data.py数据集预处理脚本文件
import os
import random
import shutil
from pathlib import Path
# 获取当前程序执行的工作目录
current_directory = os.getcwd()
directory_name = os.path.basename(current_directory)
# 带类别标签的数据集所在目录
folder_paths = [Path(current_directory + "/open"), Path(current_directory + "/close")]
# 初始化目录中文件
test_folder_path = Path(current_directory + "/Test")
shutil.rmtree(test_folder_path)
os.mkdir(test_folder_path)
for folder\_path in folder_paths:
file_list = list(folder_path.glob("\*"))
for i, file_path in enumerate(file_list, start=1):
new_file_name = f"{str(i).zfill(4)}{file\_path.suffix}"
new_file_path = folder_path / new_file_name
if new_file_path.exists():
continue
file_path.rename(new_file_path)
# 生成以下目标文件(配置文件)
txt_file_path = Path(current_directory + "/filelist.txt") # 记录全部带标签的数据集文件(带后缀名)
txt_file_path2 = Path(current_directory + f"/{directory\_name}\_train.txt") # 记录全部带标签的训练文件(不带后缀名)
txt_file_path3 = Path(current_directory + f"/{directory\_name}\_test.txt") # 记录全部带标签的测试文件(不带后缀名)
txt_file_path4 = Path(current_directory + f"/{directory\_name}\_shape\_names.txt") # 记录全部类别(不带后缀名)
txt_file_path5 = Path(current_directory + f"/{directory\_name}\_realtest.txt") # 记录不带标签的真实测试文件(不带后缀名)
# 打开目标文件
with txt_file_path.open("w") as txt_file, txt_file_path2.open("w") as txt_file2, txt_file_path3.open(
"w") as txt_file3, txt_file_path4.open("w") as txt_file4:
for folder\_path in folder_paths:
folder_name = folder_path.name
file_list = list(folder_path.glob("\*"))
random.shuffle(file_list) # 随机打乱文件列表
total_files = len(file_list)
train_files_count = int(total_files * 0.8) # 80% of the files for training
for i, file_path in enumerate(file_list, start=1):
new_file_name = f"{folder\_name}\_{str(i).zfill(4)}{file\_path.suffix}"
new_file_path = folder_path / new_file_name
file_path.rename(new_file_path) # 将数据集中的文件名重命名(类别\_编号)
txt_file.write(
str(new_file_path.relative_to(os.path.dirname(folder_path))) + "\n") # 将新文件的相对路径写入filelist.txt
if i <= train_files_count:
txt_file2.write(new_file_path.stem + "\n") # 将前80%的训练数据(不包含后缀)写入\_train.txt
else:
txt_file3.write(new_file_path.stem + "\n") # 将后20%的测试数据(不包含后缀)写入\_test.txt
txt_file4.write(folder_name + "\n") # 将文件夹名(类别名)写入\_shape\_names.txt
# 以下代码是生成真实测试数据Test目录(这里就是简单抽取训练集中的一些数据,标签是通过目录名称体现,这里可以认为这些数据不带标签)
# 从open目录中随机选择n个文件
n_test = 5
open_files = list(Path(current_directory + "/open").glob("\*"))
selected_open_files = random.sample(open_files, n_test)
# 从close目录中随机选择n个文件
close_files = list(Path(current_directory + "/close").glob("\*"))
selected_close_files = random.sample(close_files, n_test)
# 将选中的文件复制到Test目录中
test_folder_path = Pa
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上软件测试知识点,真正体系化!
片转存中…(img-fJySVDyb-1719257757959)]
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上软件测试知识点,真正体系化!