实验数据集介绍
本次使用的数据集是NWPU VHR-10数据集，涉及10个目标，一共有650张图像，650张图像分别对应了650个标注文件，标注文件中一行为标注一个目标，其中前面两个值分别表示左上角和右下角的坐标位置，最后一个值表示目标的类别，以下是10个目标对应的ID。
1-airplane, 2-ship, 3-storage tank, 4-baseball diamond, 5-tennis court, 6-basketball court, 7-ground track field, 8-harbor, 9-bridge, 10-vehicle
现在要在主流的一些目标检测框架上进行训练和测试，首先要转化为主流的目标检测的格式，包括coco格式、voc格式和yolo格式，方便在这些网络的基础上进行微调。
YOLO格式
yolo的格式也分为多种：
yolov3格式版本：
代码地址：eriklindernoren/PyTorch-YOLOv3: Minimal PyTorch implementation of YOLOv3 (github.com)
格式要求：Move your annotations to
data/custom/labels/. The dataloader expects that the annotation file corresponding to the imagedata/custom/images/train.jpghas the pathdata/custom/labels/train.txt. Each row in the annotation file should define one bounding box, using the syntaxlabel_idx x_center y_center width height. The coordinates should be scaled[0, 1], and thelabel_idxshould be zero-indexed and correspond to the row number of the class name indata/custom/classes.names.每张图片对应一个标注文件，其中每一行表示一个目标，从左向右依次是
label_idx x_center y_center width height，label_idx是从0开始的。数据格式：类别id 中心点x坐标 中心点y坐标 w h
常用的数据格式就是这样，关键在于如何将代码进行转化，主要是左上角坐标和右下角坐标到yolo这四个格式之间的转化公式。
# 标准的转化形式如下：
x, y, x2, y2 = obj['bbox']
class_name = obj['name']
label = classes_dict[class_name]
cx = (x2+x)*0.5 / width
cy = (y2+y)*0.5 / height
w = (x2-x)*1. / width
h = (y2-y)*1. / height
line = "%s %.6f %.6f %.6f %.6f\n" % (label, cx, cy, w, h)
lines.append(line)
正式得转化代码如下：
# 源数据地址：F:\datas\遥感数据集\NWPU VHR-10\o
import os
import numpy as np
from PIL import Image
def save_txt(save_folder, save_name, yolo_objects):
save_path = os.path.join(save_folder, save_name)
yolo_objects = np.array(yolo_objects)
# todo numpy.savetxt（fname，X，fmt ='％。18e'，delimiter =''，
# np.savetxt('data/task.txt', self.task, fmt="%d", delimiter=" ")
# np.savetxt(save_path, yolo_objects, fmt ='％s', delimiter ='\n')
np.savetxt(save_path, yolo_objects, fmt="%d %.18f %.18f %.18f %.18f", delimiter=' ')
def parse_img(img_path):
img = Image.open(img_path)
# 通过size函数返回的是wH
print(img.size)
np_img = np.array(img)
# pillow 读取图片是HWC
print(np_img.shape)
# 本地文件夹：E:\dddata\NWPU VHR-10 dataset
# 解析标注文件
def parse_txt(img_path, ann_path):
objects = []
ann_lines = np.loadtxt(ann_path, dtype=str, delimiter=',')
n_dim = ann_lines.ndim
# print(ann_lines.ndim)
# print(ann_lines)
img = Image.open(img_path)
width, height = img.size
if n_dim == 1:
object = []
x_min = int(ann_lines[0][1:])
y_min = int(ann_lines[1][:-1])
x_max = int(ann_lines[2][1:])
y_max = int(ann_lines[3][:-1])
label_id = int(ann_lines[4])
object.append(x_min)
object.append(y_min)
object.append(x_max)
object.append(y_max)
object.append(label_id)
object.append(width)
object.append(height)
objects.append(object)
# print(x_min, y_min, x_max, y_max, lable_id)
else:
for ann_line in ann_lines:
object = []
x_min = int(ann_line[0][1:])
y_min = int(ann_line[1][:-1])
x_max = int(ann_line[2][1:])
y_max = int(ann_line[3][:-1])
label_id = int(ann_line[4])
object.append(x_min)
object.append(y_min)
object.append(x_max)
object.append(y_max)
object.append(label_id)
object.append(width)
object.append(height)
objects.append(object)
# print(objects)
return objects
# 首先从原始文件中提取出文件路径, 文件名，以及图片大小等信息
def get_origin_data(img_folder, ann_folder):
# 通过标注文件去寻找原始图片文件，返回为字典的形式
# key：图片路径 value: 目标信息数组
imgpath_objects = []
img_names = os.listdir(img_folder)
for img_name in img_names:
ann_name = img_name.split(".")[0] + '.txt'
img_path = os.path.join(img_folder, img_name)
ann_path = os.path.join(ann_folder, ann_name)
# 读取txt文件
objects = parse_txt(img_path, ann_path)
# 构建字典
one_imgpath_objects = {}
one_imgpath_objects[img_path] = objects
imgpath_objects.append(one_imgpath_objects)
# 返回的是字典数组，每个字典文件的key表示的图片路径，value是这个图片object的值
return imgpath_objects
def set_yolo_txt(imgpath_objects, save_folder = "E:/dddata/oher_format/yolo"):
# 写成for循环，保存为yolo的形式，结束
for one_imgpath_objects in imgpath_objects:
# print(one_imgpath_objects)
for img_path, objects in one_imgpath_objects.items():
img_name = img_path.split(".")[0].split("\\")[-1]
yolo_objects = []
for object in objects:
yolo_object = []
x_min = object[0]
y_min = object[1]
x_max = object[2]
y_max = object[3]
label_id = object[4]
width = object[5]
height = object[6]
center_x = (x_max+x_min)*0.5/width
center_y = (y_max+y_min)*0.5/height
w = (x_max-x_min)*1./width
h = (y_max-y_min)*1./height
yolo_object.append(label_id)
yolo_object.append(center_x)
yolo_object.append(center_y)
yolo_object.append(w)
yolo_object.append(h)
yolo_objects.append(yolo_object)
print(yolo_objects)
save_name = img_name + '.txt'
# save_folder = "F:/datas/遥感数据集/NWPU VHR-10/yolo"
save_txt(save_folder, save_name, yolo_objects)
if __name__ == '__main__':
# 1. 返回字典信息
imgpath_objects = get_origin_data(img_folder="E:/dddata/NWPU VHR-10 dataset/positive image set", ann_folder="E:/dddata/NWPU VHR-10 dataset/ground truth")
# 2. 对字典信息进行处理,保存再txt文件中
set_yolo_txt(imgpath_objects = imgpath_objects, save_folder="E:/dddata/oher_format/yolo")
# parse_txt('F:/datas/遥感数据集/NWPU VHR-10/o/ground truth/003.txt')
# parse_img("003.jpg")
# parse_img("test.jpg")
VOC格式
voc形式的数据集一般包含以下几个文件夹
- Annotations
- ImageSets
- JPEGImages
- SegmentationClass
- SegmentationObject
对于目标检测的任务而言，一般只需要用到Annotations文件夹和JPEGImages文件夹，其中测试图片和训练图片都保存在一个目录下面，通过ImageSets文件夹中Main子文件夹下面的txt文件来对测试图片和验证图片进行解析。
JPEGImages主要提供的是PASCAL VOC所提供的所有的图片信息，包括训练图片，测试图片
这些图像就是用来进行训练和测试验证的图像数据。
Annotations主要存放xml格式的标签文件，每个xml对应JPEGImage中的一张图片
ImageSetsMain图像物体识别的数据，总共20类, 需要保证train val没有交集
SegmentationObject & SegmentationClass保存的是物体分割后的数据，在物体识别中没有用到
下面是标注文件的示例：
<annotation>
<folder>VOC2012</folder>
<filename>2007_000392.jpg</filename> //文件名
<source> //图像来源（不重要）
<database>The VOC2007 Database</database>
<annotation>PASCAL VOC2007</annotation>
<image>flickr</image>
</source>
<size> //图像尺寸（长宽以及通道数）
<width>500</width>
<height>332</height>
<depth>3</depth>
</size>
<segmented>1</segmented> //是否用于分割（在图像物体识别中01无所谓）
<object> //检测到的物体
<name>horse</name> //物体类别
<pose>Right</pose> //拍摄角度
<truncated>0</truncated> //是否被截断（0表示完整）
<difficult>0</difficult> //目标是否难以识别（0表示容易识别）
<bndbox> //bounding-box（包含左下角和右上角xy坐标）
<xmin>100</xmin>
<ymin>96</ymin>
<xmax>355</xmax>
<ymax>324</ymax>
</bndbox>
</object>
<object> //检测到多个物体
<name>person</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>198</xmin>
<ymin>58</ymin>
<xmax>286</xmax>
<ymax>197</ymax>
</bndbox>
</object>
</annotation>
一般而言，有图片的名称、长和宽等信息，之后一张图片对应有多个object，每个object中包含了类名、然后三个对于目标检测而言不重要的信息，以及bndbox信息，bndbox信息十分重要，主要是左上角的坐标和右下角的坐标。
通过下列代码讲原始的标注信息转化为xml形式：
import os
import numpy as np
from PIL import Image
import xml.etree.ElementTree as ET
from xml.dom.minidom import *
# from xml.dom.minidom import
# voc格式的目标需要转化为xml文件
# todo 数据集类名
classes_names = ['airplane', 'ship', 'storage tank', 'baseball diamond', 'tennis court', 'basketball court', 'ground track field', 'harbor', 'bridge', 'vehicle']
# 1. 前面保持不变，还是把标注的基本信息转化回来
# 本地文件夹：E:\dddata\NWPU VHR-10 dataset
# 解析标注文件
def parse_txt(img_path, ann_path):
objects = []
ann_lines = np.loadtxt(ann_path, dtype=str, delimiter=',')
n_dim = ann_lines.ndim
# print(ann_lines.ndim)
# print(ann_lines)
img = Image.open(img_path)
width, height = img.size
if n_dim == 1:
object = []
x_min = int(ann_lines[0][1:])
y_min = int(ann_lines[1][:-1])
x_max = int(ann_lines[2][1:])
y_max = int(ann_lines[3][:-1])
label_id = int(ann_lines[4])
object.append(x_min)
object.append(y_min)
object.append(x_max)
object.append(y_max)
object.append(label_id)
object.append(width)
object.append(height)
objects.append(object)
# print(x_min, y_min, x_max, y_max, lable_id)
else:
for ann_line in ann_lines:
object = []
x_min = int(ann_line[0][1:])
y_min = int(ann_line[1][:-1])
x_max = int(ann_line[2][1:])
y_max = int(ann_line[3][:-1])
label_id = int(ann_line[4])
object.append(x_min)
object.append(y_min)
object.append(x_max)
object.append(y_max)
object.append(label_id)
object.append(width)
object.append(height)
objects.append(object)
# print(objects)
return objects
# 首先从原始文件中提取出文件路径, 文件名，以及图片大小等信息
def get_origin_data(img_folder, ann_folder):
# 通过标注文件去寻找原始图片文件，返回为字典的形式
# key：图片路径 value: 目标信息数组
imgpath_objects = []
img_names = os.listdir(img_folder)
for img_name in img_names:
ann_name = img_name.split(".")[0] + '.txt'
img_path = os.path.join(img_folder, img_name)
ann_path = os.path.join(ann_folder, ann_name)
# 读取txt文件
objects = parse_txt(img_path, ann_path)
# 构建字典
one_imgpath_objects = {}
one_imgpath_objects[img_path] = objects
imgpath_objects.append(one_imgpath_objects)
# 返回的是字典数组，每个字典文件的key表示的图片路径，value是这个图片object的值
return imgpath_objects
# 美化xml文件
def pretty_xml(element, indent, newline, level=0): # elemnt为传进来的Elment类，参数indent用于缩进，newline用于换行
if element: # 判断element是否有子元素
if (element.text is None) or element.text.isspace(): # 如果element的text没有内容
element.text = newline + indent * (level + 1)
else:
element.text = newline + indent * (level + 1) + element.text.strip() + newline + indent * (level + 1)
# else: # 此处两行如果把注释去掉，Element的text也会另起一行
# element.text = newline + indent * (level + 1) + element.text.strip() + newline + indent * level
temp = list(element) # 将element转成list
for subelement in temp:
if temp.index(subelement) < (len(temp) - 1): # 如果不是list的最后一个元素，说明下一个行是同级别元素的起始，缩进应一致
subelement.tail = newline + indent * (level + 1)
else: # 如果是list的最后一个元素， 说明下一行是母元素的结束，缩进应该少一个
subelement.tail = newline + indent * level
pretty_xml(subelement, indent, newline, level=level + 1) # 对子元素进行递归操作
# 写入xml文件
def write_xml(img_name, width, height, object_dicts, save_path, folder='NWPU VHR-10 dataset'):
'''
object_dict = {'name': classes[int(object_category)],
'truncated': int(truncation),
'difficult': int(occlusion),
'xmin':int(bbox_left),
'ymin':int(bbox_top),
'xmax':int(bbox_left) + int(bbox_width),
'ymax':int(bbox_top) + int(bbox_height)
}
'''
doc = Document
root = ET.Element('Annotation')
ET.SubElement(root, 'folder').text = folder
ET.SubElement(root, 'filename').text = img_name
size_node = ET.SubElement(root, 'size')
ET.SubElement(size_node, 'width').text = str(width)
ET.SubElement(size_node, 'height').text = str(height)
ET.SubElement(size_node, 'depth').text = '3'
for object_dict in object_dicts:
object_node = ET.SubElement(root, 'object')
ET.SubElement(object_node, 'name').text = object_dict['name']
ET.SubElement(object_node, 'pose').text = 'Unspecified'
ET.SubElement(object_node, 'truncated').text = str(object_dict['truncated'])
ET.SubElement(object_node, 'difficult').text = str(object_dict['difficult'])
bndbox_node = ET.SubElement(object_node, 'bndbox')
ET.SubElement(bndbox_node, 'xmin').text = str(object_dict['xmin'])
ET.SubElement(bndbox_node, 'ymin').text = str(object_dict['ymin'])
ET.SubElement(bndbox_node, 'xmax').text = str(object_dict['xmax'])
ET.SubElement(bndbox_node, 'ymax').text = str(object_dict['ymax'])
pretty_xml(root, '\t', '\n')
tree = ET.ElementTree(root)
tree.write(save_path, encoding='utf-8')
# 关键在于数据怎么写，前面基本一致
def set_voc_xml(imgpath_objects, save_folder = "E:/dddata/oher_format/voc"):
# 写成for循环，保存为yolo的形式，结束
for one_imgpath_objects in imgpath_objects:
# print(one_imgpath_objects)
# 转化为xml所适用的字典列表
# object_dict = {'name': classes[int(object_category)],
# 'truncated': int(truncation),
# 'difficult': int(occlusion),
# 'xmin': int(bbox_left),
# 'ymin': int(bbox_top),
# 'xmax': int(bbox_left) + int(bbox_width),
# 'ymax': int(bbox_top) + int(bbox_height)
# }
for img_path, objects in one_imgpath_objects.items():
img_name = img_path.split(".")[0].split("\\")[-1]
voc_objects = []
width = 0
height = 0
for object in objects:
# 这边实际上不需要太多的处理
x_min = object[0]
y_min = object[1]
x_max = object[2]
y_max = object[3]
label_id = int(object[4])
width_one = object[5]
height_one = object[6]
width = width_one
height = height_one
voc_object = {
'name': classes_names[int(label_id -1)],
'truncated': 0,
'difficult': 0,
'xmin': int(x_min),
'ymin': int(y_min),
'xmax': int(x_max),
'ymax': int(y_max)
}
voc_objects.append(voc_object)
save_name = img_name + '.xml'
save_path = os.path.join(save_folder, save_name)
print(save_name)
write_xml(img_name, width, height, voc_objects, save_path, folder='NWPU VHR-10 dataset')
if __name__ == '__main__':
imgpath_objects = get_origin_data(img_folder="E:/dddata/NWPU VHR-10 dataset/positive image set",
ann_folder="E:/dddata/NWPU VHR-10 dataset/ground truth")
# 2. 对字典信息进行处理,保存再txt文件中
set_voc_xml(imgpath_objects=imgpath_objects, save_folder="E:/dddata/oher_format/voc")
coco格式
参考：https://blog.csdn.net/qq_41375609/article/details/94737915
coco数据集为json文件，一般包含5个字段
- info
- images
- annotations
- licenses
- categories
这次我拿到的数据集是关于红外图像的数据集，每个字段的含义如下
info字段
info字段包含了数据集的基本信息，包括数据集的来源，提供者之类的，内容如下：
info: {
"year": int,# 年份
"version": str,# 版本
"description": str, # 数据集描述
"contributor": str,# 提供者
"url": str,# 下载地址
"date_created": datetime
}
示例如下：
"info":{
"description":"This is stable 1.0 version of the 2014 MS COCO dataset.",
"url":"http:\/\/mscoco.org",
"version":"1.0","year":2014,
"contributor":"Microsoft COCO group",
"date_created":"2015-01-27 09:11:52.357475"
},
info字段在写程序的时候一般不会使用到
licenses字段
licenses字段表明了图片的版权信息之类的，一般的程序中也用不到
licenses字段的结构如下：
license{
"id": int,
"name": str,
"url": str,
}
licenses字段的示例如下：
{
"url":"http:\/\/creativecommons.org\/licenses\/by-nc-sa\/2.0\/",
"id":1,
"name":"Attribution-NonCommercial-ShareAlike License"
}
images字段
images字段是整个json文件中最重要的字段之一，包含了图片的基本信息，包括图片的名称，宽高。images目录由多个image构成数组，可以遍历，结构如下：
image{
"id": int,# 图片的ID编号（每张图片ID是唯一的）
"width": int,#宽
"height": int,#高
"file_name": str,# 图片名
"license": int,
"flickr_url": str,# flickr网路地址
"coco_url": str,# 网路地址路径
"date_captured": datetime # 数据获取日期
}
示例如下：
{
"license":3,
"file_name":"COCO_val2014_000000391895.jpg",
"coco_url":"http:\/\/mscoco.org\/images\/391895",
"height":360,"width":640,"date_captured":"2013-11-14 11:18:45",
"flickr_url":"http:\/\/farm9.staticflickr.com\/8186\/8119368305_4e622c8349_z.jpg",
"id":391895
}
每一个image的实例是一个dict。其中有一个id字段，代表的是图片的id，每一张图片具有唯一的一个独特的id。
annotations字段
存储图片的标注信息，结构如下：
annotation{
"id": int, # 对象ID，因为每一个图像有不止一个对象，所以要对每一个对象编号（每个对象的ID是唯一的）
"image_id": int,# 对应的图片ID（与images中的ID对应）
"category_id": int,# 类别ID（与categories中的ID对应）
"segmentation": RLE or [polygon],# 对象的边界点（边界多边形，此时iscrowd=0）。
#segmentation格式取决于这个实例是一个单个的对象（即iscrowd=0，将使用polygons格式）还是一组对象（即iscrowd=1，将使用RLE格式）
"area": float,# 区域面积
"bbox": [x,y,width,height], # 定位边框 [x,y,w,h]
"iscrowd": 0 or 1 #见下
}
其中注意这里的bbox格式为[x,y,width,height], # 定位边框 [x,y,w,h]，是没有进行归一化的xywh，所以在进行yolo的转化时需要进行归一化的处理，示例如下：
比如coco2017train或coco2017val数据集中标注的目标(类别)位置在 Annotations 中以 (x, y, width, height) 来进行表示，x，y表示bbox左上角位置，width, height表示bbox的宽和高。而YOLO训练或者进行验证的时候读取的标注格式是以 (xmin, ymin, xmax, ymax) 来进行表示，xmin, ymin表示bbox左上角位置， xmax, ymax表示bbox右下角位置。
{
"segmentation": [[510.66,423.01,511.72,420.03,510.45......]],
"area": 702.1057499999998,
"iscrowd": 0,
"image_id": 289343,
"bbox": [473.07,395.93,38.65,28.67],
"category_id": 18,
"id": 1768
}
categories字段
这个字段主要是记录annotations字段中的类别信息，结构如下：
{
"supercategory": str,# 主类别
"id": int,# 类对应的id （0 默认为背景）
"name": str # 子类别
}
示例如下：
{
"supercategory": "person",
"id": 1,
"name": "person"
},
{
"supercategory": "vehicle",
"id": 2,
"name": "bicycle"
}
附录
voc与voc之间的转化公式
# object_dict = {'name': class_names_detrac[int(content[0])],
# 'truncated': 0,
# 'difficult': 0,
# 'xmin': int(center_x - bbox_width / 2),
# 'ymin': int(center_y - bbox_height / 2),
# 'xmax': int(center_x + bbox_width / 2),
# 'ymax': int(center_y + bbox_height / 2)
# }
代码如下，处理的比较乱，后面再调整
import json
import copy
import numpy as np
import os
import shutil
# 修正框
# 有个问题是数据集中的名称是按照。。执行的
def correct_objects(objects, width, height):
yolo_objects = []
for object in objects:
# 原始数据是xywh
x_min = object[0]
y_min = object[1]
box_w = object[2]
box_h = object[3]
if x_min < 0 or y_min < 0 or box_w < 0 or box_h < 0:
pass
else:
x_max = x_min + box_w
y_max = y_min + box_h
label_id = object[4]
center_x = (x_max + x_min) * 0.5 / width
center_y = (y_max + y_min) * 0.5 / height
wx = (x_max - x_min) * 1. / width
hx = (y_max - y_min) * 1. / height
yolo_object = []
yolo_object.append(label_id)
yolo_object.append(center_x)
yolo_object.append(center_y)
yolo_object.append(wx)
yolo_object.append(hx)
if (center_x < 1) and (center_y <1) and (wx<1) and (hx <1):
yolo_objects.append(yolo_object)
return yolo_objects
def save_txt(save_folder, save_name, yolo_objects):
save_path = os.path.join(save_folder, save_name)
yolo_objects = np.array(yolo_objects)
# todo numpy.savetxt（fname，X，fmt ='％。18e'，delimiter =''，
# np.savetxt('data/task.txt', self.task, fmt="%d", delimiter=" ")
# np.savetxt(save_path, yolo_objects, fmt ='％s', delimiter ='\n')
np.savetxt(save_path, yolo_objects, fmt="%d %.18f %.18f %.18f %.18f", delimiter=' ')
with open("aauRainSnow-thermal.json", "r") as load_f:
load_dict = json.load(load_f)
# print(load_dict)
print("字段信息：")
for key, value in load_dict.items():
print(key)
# 首先把每个字段的信息记录并保存下来
info = load_dict['info']
images = load_dict['images']
annotations = load_dict['annotations']
licenses = load_dict['licenses']
categories = load_dict['categories']
# 这边的categories是从1开始的，应该转化为从0开始
# print(categories)
categories_list = []
for category in categories:
categories_list.append(category['name'])
print("种类：{}种".format(len(categories_list)))
# 首先对图片做一个遍历
# 初始化image_path_objects
tmp_dict_list = {}
for image in images:
file_name = image['file_name']
cam_id = int(file_name.split('cam')[-1][0])
if cam_id == 2:
image_copy = copy.copy(image)
image_copy['objects'] = []
# 然后存在tmp数据中
# 为了方便查询，把图片的id信息作为key进行保存
tmp_dict = {}
tmp_dict_list[image_copy['id']] = image_copy
# tmp_dict_list.append(tmp_dict)
# 遍历标注信息，把标注信息存入
for ann in annotations:
ann_img_id = ann['image_id']
ann_bbox = ann['bbox']
ann_category_id = ann['category_id'] - 1
ann_bbox.append(ann_category_id)
# 添加主信息中
# print(tmp_dict_list[ann_img_id])
tmp_dict_list[ann_img_id]['objects'].append(ann_bbox)
# imgpath_objects
# todo：在这里不用返回直接做写入操作：
# imgpath_objects = []
for value in tmp_dict_list.values():
file_name = value["file_name"]
file_just_name = file_name.split("/")[-1].split(".")[0]
print(file_just_name)
width = value['width']
height = value['height']
objects = value['objects']
# 现在需要对objects做修正
yolo_objects = correct_objects(objects, width, height)
save_txt_name = file_just_name + '.txt'
# print(yolo_objects)
if len(yolo_objects) > 0:
# todo 保存文本文件
save_txt(save_folder="F:/datas/红外/AAU-RainSnow精简/aaurainsnow/v2/yolo_anns", save_name=save_txt_name, yolo_objects=np.array(yolo_objects))
# todo 移动图片文件
img_name = file_name.split("/")[-1]
image_target_path = os.path.join("F:/datas/红外/AAU-RainSnow精简/aaurainsnow/v2/yolo_images", img_name)
image_src_path = os.path.join("F:/datas/红外/AAU-RainSnow精简/aaurainsnow", file_name)
shutil.copy(image_src_path, image_target_path)
致谢
https://zhuanlan.zhihu.com/p/255256266?utm_source=wechat_session
xxx
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
