SeaDronesSee数据集在YOLOV8上的部署

已于 2024-01-02 17:57:18 修改
阅读量1.4k 收藏 31
点赞数 17
文章标签： yolov8
于 2024-01-02 17:31:04 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/PJ212/article/details/135344900
版权
本文介绍了如何将SeaDronesSee海洋救援数据集部署到YOLOV8深度学习模型中，包括数据预处理步骤，如清洗和转换标注信息，以及生成所需的txt文件和labels文件夹，以便进行模型训练和验证。
摘要由CSDN通过智能技术生成

SeaDronesSee数据集在YOLOV8上的部署

  • 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。以下内容为为实现该数据集在yoloV8上的部署，进行的预处理与运行测试。

我的GitHub链接：SeaDronesSee-dataset-on-YOLOV8
数据来源：SeaDronesSee

一、目录初始结构

.
├── ./data
│   ├── ./data/images
│   │   ├── ./data/images/train
│   │   │   ├── ./data/images/train/0.jpg
│   │   │   ├── ./data/images/train/1.jpg
│   │   │   └── ...
│   │   ├── ./data/images/val
│   │   │   ├── ./data/images/val/0.jpg
│   │   │   ├── ./data/images/val/1.jpg
│   │   │   └── ...
│   │   ├── ./data/images/test
│   │   │   ├── ./data/images/test/0.jpg
│   │   │   ├── ./data/images/test/1.jpg
│   │   │   └── ...
│   ├── ./data/annotations
│   │   ├── ./data/annotations/instances_train.json
│   │   └── ./data/annotations/instances_val.json
│   ├── ./data/SeaDronesSee.yaml
│   └── ./data/data_process.py
————————————————

二、数据预处理

  • 目标：将annotations中的标注信息清洗转换为我们想要的数据
  1. 将解压后的Compressed Version中的images和annotations粘贴到data中

    需要SeaDronesSee数据集压缩包的请私信我

  2. 运行data_process.py。将会生成三个txt文件和一个labels文件夹
# data_process.py的内容：
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']  # 读取JSON中的类别标签
		# 下面的if语句可删
        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
		 # 读取JSON中的图片id，并根据路径找到对应图片，获取图片的宽和高
        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
        # 读取JSON中框的[x，y，宽，高]
        bbox = annotation['bbox']
        # 归一化处理：
        # 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)
		# 最后所需的数据内容
        content = f"{category_id} {x} {y} {w} {h}"
        file_name = image_id
        file_path = f'labels/{file_name}.txt'

		# 写入labels文件夹
        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, 'train2.txt')
generate_txt_file(val_folder, 'val2.txt')
generate_txt_file(test_folder, 'test2.txt')
print("文件处理完成。")

"""
二：根据JSON转txt=============================================================
"""
# JSON文件数据清洗转TXT
JSONtoTXT('train', 'annotations/instances_train.json')
JSONtoTXT('val', 'annotations/instances_val.json')
print("处理完成")
  1. 最后，把images/test、train、val中的所有图片移动到images下
  • 注意！ 在autodl上，SeaDronesSee.yaml中的txt路径要这样写才能找到，如果不行的话需要再调试一下
    train: ../../data/train.txt
val: ../../data/val.txt
test: ../../data/test.txt

yolov8最终会读取的东西：images下的所有jpg、labels下的所有txt、SeaDronesSee.yaml、train.txt、val.txt、test.txt

  • 训练开始前所必须的目录结构：
.
├── ./data
│   ├── ./data/images
│   │   ├── ./data/images/1.jpg
│   │   ├── ./data/images/2.jpg
│   │   ├── ./data/images/3.jpg
│   │   ├── ...
│   ├── ./data/labels
│   │   ├── ./data/labels/1.txt
│   │   ├── ./data/labels/2.txt
│   │   ├── ./data/labels/3.txt
│   │   ├── ...
│   ├── ./data/SeaDronesSee.yaml
│   ├── ./data/train.txt
│   ├── ./data/val.txt
│   └── ./data/test.txt
————————————————
  • 附：SeaDronesSee.yaml内容
train: ../../data/train.txt
val: ../../data/val.txt
test: ../../data/test.txt

# number of classes
nc: 6

# class names
names: ['ignore', 'swimmer', 'boat', 'jetski', 'life_saving_appliances', 'buoy']

三、快速开始

  1. 模型训练（只进行了快速试验，若换成yolov8s.pt epochs=100，效果会更好些）
yolo task=detect mode=train model=yolov8n.pt data=data/SeaDronesSee.yaml batch=32 epochs=20 imgsz=640 workers=16 device=0
  1. 模型验证（注意！运行前请查看并替换上面train生成的文件夹名称‘runs/detect/train1’）
yolo task=detect mode=val model=runs/detect/train1/weights/best.pt data=data/SeaDronesSee.yaml device=0
  1. 模型预测（source换为需要预测的文件目录）
yolo task=detect mode=predict model=runs/detect/train1/weights/best.pt source=data/images device=0
  • 所有的运行结果会保存在/runs/detect/目录下

四、文件解释

最终目标：实现yaml对三个txt的读取。实现labels与images的所需格式

  1. data_process.py：

    • 根据images中不同文件夹和图片名称，生成对应的train、val、test.txt三个文件。内容为图片路径
    • 清洗两个JSON文件中的必要性数据，并进行归一化处理（输出格式为：目标框类别 目标框中心点x轴相对于图片x轴的比例 目标框…y轴的比例 目标框宽度相对于图片宽度的比例 目标框长度…的比例）
    • 生成（图片id.txt）到labels文件夹中

  2. SeaDronesSee.yaml：让yolo命令读取到必要信息

  3. 注意：'ignored’标签在标注图片中没有出现

五、结果展示

  • 原图示例
    请添加图片描述
  • 结果展示
    请添加图片描述

六、致谢

感谢 YOLOv8教程系列 优质的方法指导

感谢超级好用的GPT3.5的超级好用的回答

臭弟弟xz
关注
  • 17
    点赞
  • 踩
  • 31
    收藏
    觉得还不错? 一键收藏
  • 19
    评论
超详细介绍基于微调 Faster R-CNN实现海上航拍图像中检测小物体-含源码与数据集免费下载
DT程序员的博客
05-29 224
本文超详细介绍了如何基于微调 Faster R-CNN实现海上航拍图像中检测小物体同时文章含完整的源码与数据集免费下载
yolov5训练visdrone数据集
05-09
yolov5训练visdrone数据集
SeaDronesSee数据集_无人机海上搜救数据集
m0_74887193的博客
06-25 453
SeaDronesSee数据集正是为了满足这一需求，为无人机搜索与救援技术的发展提供了强有力的数据支持。SeaDronesSee数据集的出现为无人机搜索与救援技术的发展提供了强有力的数据支持。随着计算机视觉技术的不断进步和算法的不断优化，基于SeaDronesSee数据集训练的算法将在未来的海洋搜索与救援中发挥越来越重要的作用。SeaDronesSee数据集是一个专注于海洋搜索与救援（SAR）场景的大规模数据集，旨在帮助研究和开发在海上使用无人机（UAV）进行搜索和救援的系统。
SEA 数据集
06-26
sea数据集，或者叫schonlau数据集， 差不多的，用于内部威胁检测，等等，有需要其他日志数据的请联系我　
无人机加入海上搜救；信息检索一站式开发包；JAX 实现的模块化强化学习库；动物园实际场景多视数据集；前沿论文 | ShowMeAI资讯日报
热门推荐
ShowMeAI研究中心
10-28 1万+
使用无人机系统完成海上搜救任务、无监督视觉表示学习自监督方法库、OpenAI的Whisper高质量语音识别模块、信息检索一站式开发包、JAX实现的模块化强化学习库、对线面试官·Java后端知识图谱、清华大学·量化神经网络课程、事件相机资源清单、动物园实际场景多视数据集、前沿论文…点击获取全部资讯
【AI视野·今日CV 计算机视觉论文速览 第192期】Thu, 6 May 2021
TomRen
05-06 1036
AI视野·今日CS.CV 计算机视觉论文速览 Thu, 6 May 2021 Totally 61 papers ????上期速览✈更多精彩请移步主页 Daily Computer Vision Papers Self-Supervised Multi-Frame Monocular Scene Flow Authors Junhwa Hur, Stefan Roth由于简单，经济的捕获设置，估计从一系列单眼图像序列的3D场景流动一直在增加。由于问题严重的问题，目前方法的准确性受到限制，特别是高
即插即用 | YOLOv5可以这样升级小目标检测
CV_Autobot的博客
04-01 4873
作者|小书童 编辑| 集智书童点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【目标检测】技术交流群后台回复【2D检测综述】获取鱼眼检测、实时检测、通用2D检测等近5年内所有综述！小目标检测是计算机视觉和目标检测领域的一个重大挑战。小目标检测器的性能往往因缺乏像素和不太重要的特征而受到影响。这个问题源于特征尺度的变化和特征处理过程中的信息丢失引起的信息...
效率UP！机器学习从废品中分拣可回收材料；计算机科学自学计划▪中译版；Python入门指南；好用的代码自动补全工具；前沿论文 | ShowMeAI资讯日报
ShowMeAI研究中心
10-31 1万+
EVA 探索性视频分析系统、Code4Me 代码自动补全扩展、深度学习图像生成的Web界面前端、PyTorch分布式模板、Whisper语音识别的Webservice、计算机科学自学计划(中文翻译版)、现代Python入门指南、GitHub Action 本地运行引擎资源列表、用于修补容器的工具列表、前沿论文…点击获取全部资讯
yolov8训练与应用
04-24
【YOLOv8训练与应用】在特定领域，如海事环境中的实时目标检测，深度学习模型的训练面临着...随着更多类似工具和技术的发展，我们可以期待在未来，即使在数据集条件受限的情况下，深度学习模型也能实现更出色的表现。
面向大尺度的小目标检测《Towards Large-Scale Small Object Detection: Survey and Benchmarks》阅读笔记
hai0915的博客
10-03 3485
小目标检测最新综述
从模糊到清晰的检测:基于yolov5的空中物体检测与超分辨率
sybh的博客
05-22 838
随着无人机和卫星技术的广泛使用，航空图像中精确 目标检测的需求激增。传统的目标检测模型，在偏向于大目标 的数据集上训练，很难在小的、密集聚集的目标普遍存在的空 中场景中表现最佳。为了应对这一挑战，我们提出了一种创新 的方法，将超分辨率和经过调整的轻量级YOLOv5架构相结合。采用了一系列数据集，包括VisDrone-2023、SeaDroneSee、 VEDAI和NWPU VHR-10，来评估我们的模型的性能。
无人机语义分割数据集（Semantic Drone Dataset）使用方法
一只大憨憨的博客
11-21 5353
数据集介绍 Semantic Drone Dataset数据集下载地址 该语义无人机数据集专注于城市场景的语义理解，以提高无人机自主飞行和着陆程序的安全性。该图像描绘了在距地面 5 至 30 米的高度从最低点（鸟瞰）视角拍摄的 20 多座房屋。高分辨率相机用于获取尺寸为 6000x4000px (24Mpx) 的图像。训练集包含 400 张公开可用的图像，测试集包含 200 张私有图像。 该语义分割数据集包括20个种类： 树、草、其他植被、污垢、碎石 岩石、水、铺砌面积、水池、人 狗、车、自行车、屋顶、墙
在SeaShips数据集上训练并测试Yolov3
weixin_42634342的博客
07-29 8458
在SeaShips数据集上训练并测试Yolov3 本文主要记录我在seaships数据集上训练yolov3网络进行船只检测的简单过程 首先，简介一下SeaShips数据集，下载链接如下：http://www.lmars.whu.edu.cn/prof_web/shaozhenfeng/datasets/SeaShips(7000).zip， 该版本数据集共有7000张图片，图片分辨率均为1920*...
Python 操作 MySQL 数据库.pdf
最新发布
08-13
Python 操作 MySQL 数据库.pdf
安装包单片机开发.zip
08-13
安装包
信息安全简单介绍.pdf
08-13
信息安全简单介绍.pdf
简历-求职简历-word-文件-简历模版免费分享-应届生-高颜值简历模版-个人简历模版-简约大气-大学生在校生-求职-实习
08-13
python简历-求职简历-word-文件-简历模版免费分享-应届生-高颜值简历模版-个人简历模版-简约大气-大学生在校生-求职-实习 简历是展示个人经历、技能和能力的重要文档，以下是一个常见的简历格式和内容模板，供您参考： 简历格式： 头部信息：包括姓名、联系方式（电话号码、电子邮件等）、地址等个人基本信息。 求职目标（可选）：简短描述您的求职意向和目标。 教育背景：列出您的教育经历，包括学校名称、所学专业、就读时间等。 工作经验：按时间顺序列出您的工作经历，包括公司名称、职位、工作时间、工作职责和成就等。 技能和能力：列出您的专业技能、语言能力、计算机技能等与职位相关的能力。 实习经验/项目经验（可选）：如果您有相关实习或项目经验，可以列出相关信息。 获奖和荣誉（可选）：列出您在学术、工作或其他领域获得的奖项和荣誉。 自我评价（可选）：简要描述您的个人特点、能力和职业目标。 兴趣爱好（可选）：列出您的兴趣爱好，展示您的多样性和个人素质。 参考人（可选）：如果您有可提供推荐的人员，可以在简历中提供其联系信息。 简历内容模板： 姓名: 联系方式: 地址: 求职目标: （简短描
seadronessee数据集
05-09
我不确定你想了解关于seadronessee数据集的什么内容。seadronessee数据集是一个用于海洋无人机图像分析的数据集，包括多个不同的数据集，如Seabed、Sea Surface、Underwater、Vehicles等。这些数据集包含了不同场景下的海洋无人机图像，用于训练和测试图像处理和计算机视觉算法。如果你有任何具体的问题，我可以尽力回答。
评论 19
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值