【目标检测】制作YOLO开源项目常用的数据集

1 目标格式

目标是生成train.txt, val.txt，常见开源项目用的格式有两种：

A类：

index image_path with height  class_id1 x1 y1 x2 y2 class_id2 x1 y1 x2 y2 [...]

这里的image_path是图像相对工程的路径，采用空格作为分隔符，例如，

./my_dataset/JPEGImages/playPhone1_0001.jpg 1366 768 0 541 310 581 350 0 

B类：

image_name x1,y1,x2,y2,class_id1 x1,y1,x2,y2,id x1,y1,x2,y2,class_id2 [...]

这里的image_name是图像名称，不包含路径。名称和bboxes，不同bbox之间用空格作为分隔符，bbox坐标用逗号作为分隔符，例如，

playPhone1_0001.jpg 541,310,581,350,0 641,410,681,450,1

2 数据集制作

LabelImg标注检测框比较方便，我采用的是先制作成VOC数据集格式，然后利用脚本转换。

2.1 图像重命名

如果你的图像名称里面有中文或特殊符号，建议用序号给图像重命名：

# -*- coding: UTF-8 -*-

import os

work_dir = input("please input wording directory:")
# work_dir = "G:/0_image_data/dataset/" + work_dir

files = os.listdir(work_dir)

index = 0
for file in files:
	str_index = work_dir + str("_%04d"%index) + ".jpg"
	src_path = work_dir + '/' + file
	dst_path = work_dir + '/' + str_index
	print(src_path, "------>", dst_path)
	index += 1
	
	os.rename(src_path, dst_path)
print("Done.")

2.2 LabelImg标注

利用labelImg标注图像，会在图像路径下面生成同名的xml格式的数据标签：

2.3 制作VOC格式的数据集

首先创建一个文件夹，取个名字，本例取名my_dataset，在其中创建子文件夹，目录结构如下：

- my_dataset/
	-Annotations/
	-ImageSets/
		-Main/
	-JPEGImages/

在my_dataset目录下面创建一个data.names文件，里面写入你的标签名称，写的顺序决定了标签的ID：

将如下脚本拷贝到my_dataset路径下，执行，将在./ImageSets/Main文件夹下面生成VOC格式的标签文件：

#-*- coding:utf-8 -*-
import os
import random
import numpy as np

xml_file_path = "./Annotations"
target_path = "./ImageSets/Main"

#perception
trainval = 0.9     #(num of trainval set) / (num of all samples)
train