yolov8标注细胞、识别边缘、计算面积、灰度值计算

于 2024-07-27 23:42:38 发布
阅读量153 收藏 2
点赞数 1
分类专栏： YOLO 文章标签： YOLO
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/csdn_cai_csdn/article/details/140742233
版权

一、数据标注

1. 使用labelme软件标注每个细胞的边界信息，标注结果为JSON格式

在这里插入图片描述
在这里插入图片描述

2. JSON格式转yolo支持的txt格式
import json
import os
import glob
import os.path as osp

'''
	此函数用来将labelme软件标注好的数据集转换为yolov5_7.0sege中使用的数据集
	:param jsonfilePath: labelme标注好的*.json文件所在文件夹
    :param resultDirPath: 转换好后的*.txt保存文件夹
    :param classList: 数据集中的类别标签
'''  
def labelme2yolov2Seg(jsonfilePath, resultDirPath, classList):
    # 0.创建保存转换结果的文件夹
    if (not os.path.exists(resultDirPath)):
        os.mkdir(resultDirPath)
 
    # 1.获取目录下所有的labelme标注好的Json文件，存入列表中
    jsonfileList = glob.glob(osp.join(jsonfilePath, "*.json") )
    print(jsonfileList)  # 打印文件夹下的文件名称
 
    # 2.遍历json文件，进行转换
    for jsonfile in jsonfileList:
        # 3. 打开json文件
        with open(jsonfile, "r",encoding='UTF-8') as f:
            file_in = json.load(f)
 
            # 4. 读取文件中记录的所有标注目标
            shapes = file_in["shapes"]
 
            # 5. 使用图像名称创建一个txt文件，用来保存数据
            with open(resultDirPath + "\\" + jsonfile.split("\\")[-1].replace(".json", ".txt"), "w") as file_handle:
                # 6. 遍历shapes中的每个目标的轮廓
                for shape in shapes:
                    # 7.根据json中目标的类别标签，从classList中寻找类别的ID，然后写入txt文件中
                    file_handle.writelines(str(classList.index(shape["label"])) + " ")
 
                    # 8. 遍历shape轮廓中的每个点，每个点要进行图像尺寸的缩放，即x/width, y/height
                    for point in shape["points"]:
                        x = point[0] / file_in["imageWidth"]  # mask轮廓中一点的X坐标
                        y = point[1] / file_in["imageHeight"]  # mask轮廓中一点的Y坐标
                        file_handle.writelines(str(x) + " " + str(y) + " ")  # 写入mask轮廓点
 
                    # 9.每个物体一行数据，一个物体遍历完成后需要换行
                    file_handle.writelines("\n")
            # 10.所有物体都遍历完，需要关闭文件
            file_handle.close()
        # 10.所有物体都遍历完，需要关闭文件
        f.close()
 
 
if __name__ == "__main__":
    jsonfilePath = r"D:/workspace/yolov8/datasets/json"  # 要转换的json文件所在目录
    resultDirPath = r"D:/workspace/yolov8/datasets/txt"  # 要生成的txt文件夹
    labelme2yolov2Seg(jsonfilePath=jsonfilePath, resultDirPath=resultDirPath, classList=['danhe','linba','yilin'])  # 更改为自己的类别名

转换结果：
在这里插入图片描述

二、训练数据

1. 配置文件

路径：ultralytics\cfg\datasets\cell_seg.yaml

path: ../datasets/cell_seg # dataset root dir
train: images/train # train images (relative to 'path')
val: images/val # val images (relative to 'path')
test: test/images # test images (optional)

nc: 2

# Classes
names:
  0: danhe
  1: linba
2. 训练脚本
# 细胞实例分割训练
from  ultralytics import YOLO

model = YOLO('yolov8n-seg.pt')
# 训练自己的数据集，  文件路径： ultralytics/cfg/datasets/cell_seg.yaml
model.train(data='cell_seg.yaml', epochs=100, imgsz=320)
# 使用验证集 验证效果
model.val()
3. 训练结果

在这里插入图片描述
在这里插入图片描述

三、使用上述训练的模型，批量检测细胞、计算细胞面积、灰度值计算

1. 预测细胞类别及轮廓

# 细胞实例分割训练
from  ultralytics import YOLO
# best_seg.pt 训练结果中weight/best.pt
model = YOLO('best_seg.pt')
# 测试数据 批量检测
predict_results = model.predict(source="../datasets/cell/test/images", save=True)

在这里插入图片描述

2. 识别轮廓、计算面积

from ultralytics import YOLO
import cv2
import os
import numpy as np
 
# Load a pretrained YOLOv8n model
model =  YOLO('best_seg.pt')
 
# Define path to the directory containing image files
source = '../datasets/cell/test/images'
 
# 指定输出路径
output_dir = './output_images'
if not os.path.exists(output_dir):
    os.makedirs(output_dir)
 
# 获取待预测文件名称，用于保存同名文件
def get_last_part_of_string(path):
    return os.path.basename(path)
 
#  hex to BGR
def hex_to_bgr(hex):
    return tuple(int(hex[i:i+2], 16) for i in (4, 2, 0))
 
# 颜色，同plotting.py的设置
hexs = (
    "FF3838", "FF9D97", "FF701F", "FFB21D", "CFD231",
    "48F90A", "92CC17", "3DDB86", "1A9334", "00D4BB",
    "2C99A8", "00C2FF", "344593", "6473FF", "0018EC",
    "8438FF", "520085", "CB38FF", "FF95C8", "FF37C7"
)
colors = [hex_to_bgr(h) for h in hexs]
 
# 开始预测
results = model(source=source, save=False)  # list of Results objects
 
for result in results:
    image_path = result.path
    image = cv2.imread(image_path)
    boxes = result.boxes  # Boxes 对象，用于边界框输出
    masks = result.masks  # Masks 对象，用于分割掩码输出
    names = result.names  # 获取类别名称字典
    
    for box, mask in zip(boxes, masks):
        for cls, contour in zip(box.cls, mask.xy):
            class_id = int(cls.item())  # 获取张量的值并转换为整数
            color = colors[class_id % len(colors)]  # 获取颜色
            contour = np.array(contour, dtype=np.int32)  # 确保轮廓是整数类型
            area = cv2.contourArea(contour)  # 计算轮廓面积
            class_name = names[class_id]  # 获取类别名称
 
            # 计算轮廓的中心
            M = cv2.moments(contour)
            if M['m00'] != 0:
                cx = int(M['m10'] / M['m00'])
                cy = int(M['m01'] / M['m00'])
            else:
                cx, cy = 0, 0

            '''
            cv2.drawContours 参数：
                image: 输入图像，一般是二值图像或彩色图像；
                contours: 要绘制的轮廓，是一个 Python 列表，每个列表元素都是一个 Numpy 数组，代表一个轮廓；
                contourIdx: 要绘制的轮廓的索引，默认为 -1, 代表绘制所有轮廓；
                color: 轮廓的颜色，是一个三元组，分别表示 RGB 颜色；
                thickness: 线条的粗细，默认为 1;
                lineType: 线条类型，默认为 cv2.LINE_8;
                hierarchy: 轮廓的层次关系，是一个 Numpy 数组；
                maxLevel: 最多绘制的轮廓层
            '''
            # 绘制掩码轮廓
            cv2.drawContours(image, [contour], -1, color, 2)
            
            # 在图像上绘制面积和类名
            text = f'{class_name} {area:.2f}'
            '''
            cv2.putText 参数：
                img: 需要绘制文本的图像。‌
                text: 要绘制的文本内容。‌
                org: 文本框的左下角坐标，‌即起始点(x,y)。‌
                fontFace: 字体类型, 如cv2.FONT_HERSHEY_SIMPLEX、cv2.FONT_HERSHEY_PLAIN等。
                fontScale: 字体大小, float类型, 一般设置为1.0。‌
                color: 文本颜色, BGR格式。
                thickness: 文本粗细, 如果设置为None, ‌则表示绘制实心文字。‌
                lineType: 线型, 可选类型包括cv2.LINE_4、cv2.LINE_8、cv2.LINE_AA等。
                bottomLeftOrigin: 如果为True, ‌则图像数据原点在左下角（‌默认情况下在左上角）‌。‌
            '''
            cv2.putText(image, text, (cx, cy), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 1)
 
    # 保存图像
    output_path = os.path.join(output_dir, get_last_part_of_string(image_path))


    '''
    cv2.imwrite() 参数：
        filename: 要保存的文件路径和名称，包括路径（‌如果文件不在当前工作目录下）‌和文件扩展名（‌如 .jpg, .png 等）‌。
        img: 要保存的图像数据，通常是通过 OpenCV 读取或处理得到的。
    '''
    cv2.imwrite(output_path, image)
    print(f'Saved: {output_path}')

在这里插入图片描述

3. 灰度值提取

from ultralytics import YOLO
import cv2
import os
import numpy as np
 
# Load a pretrained YOLOv8n model
model =  YOLO('best_seg.pt')
 
# Define path to the directory containing image files
source = '../datasets/cell/test/images'
 
# 指定输出路径
output_dir = './output_images'
if not os.path.exists(output_dir):
    os.makedirs(output_dir)
 
# 获取待预测文件名称，用于保存同名文件
def get_last_part_of_string(path):
    return os.path.basename(path)
 
#  hex to BGR
def hex_to_bgr(hex):
    return tuple(int(hex[i:i+2], 16) for i in (4, 2, 0))
 
# 颜色，同plotting.py的设置
hexs = (
    "FF3838", "FF9D97", "FF701F", "FFB21D", "CFD231",
    "48F90A", "92CC17", "3DDB86", "1A9334", "00D4BB",
    "2C99A8", "00C2FF", "344593", "6473FF", "0018EC",
    "8438FF", "520085", "CB38FF", "FF95C8", "FF37C7"
)
colors = [hex_to_bgr(h) for h in hexs]
 
# 开始预测
results = model(source=source, save=False)  # list of Results objects

n_points = 5
spacing = 30

for result in results:
    image_path = result.path
    image = cv2.imread(image_path)
    boxes = result.boxes  # Boxes 对象，用于边界框输出
    masks = result.masks  # Masks 对象，用于分割掩码输出
    names = result.names  # 获取类别名称字典

    # 将图片转换成灰度图
    gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    
    for box, mask in zip(boxes, masks):
        for cls, contour in zip(box.cls, mask.xy):
            class_id = int(cls.item())  # 获取张量的值并转换为整数
            color = colors[class_id % len(colors)]  # 获取颜色
            contour = np.array(contour, dtype=np.int32)  # 确保轮廓是整数类型
            area = cv2.contourArea(contour)  # 计算轮廓面积
            class_name = names[class_id]  # 获取类别名称

           
            # 计算轮廓的中心
            M = cv2.moments(contour)
            if M['m00'] != 0:
                cx = int(M['m10'] / M['m00'])
                cy = int(M['m01'] / M['m00'])
            else:
                cx, cy = 0, 0
     
            
            '''
            cv2.drawContours 参数：
                image: 输入图像，一般是二值图像或彩色图像；
                contours: 要绘制的轮廓，是一个 Python 列表，每个列表元素都是一个 Numpy 数组，代表一个轮廓；
                contourIdx: 要绘制的轮廓的索引，默认为 -1, 代表绘制所有轮廓；
                color: 轮廓的颜色，是一个三元组，分别表示 RGB 颜色；
                thickness: 线条的粗细，默认为 1;
                lineType: 线条类型，默认为 cv2.LINE_8;
                hierarchy: 轮廓的层次关系，是一个 Numpy 数组；
                maxLevel: 最多绘制的轮廓层
            '''
            # 绘制掩码轮廓
            cv2.drawContours(gray_image, [contour], -1, color, 2)
            
            # 在图像上绘制面积和类名
            text = f'{class_name} {area:.2f}'
            cv2.putText(gray_image, text, (cx, cy-20), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 1)

            # 以轮廓为中心，在图像上绘制点
            for i in range(n_points):
                # 从中心店左移2个点的距离
                x = cx + i * spacing - spacing *2
                y = cy 

                gray_value = gray_image[y, x]
                # 画点
                cv2.circle(gray_image, (x, y), 2, (255, 0, 0), 1)
                # 点描述
                cv2.putText(gray_image, str(i+1), (x-5, y-5), cv2.FONT_HERSHEY_SIMPLEX, 0.4, (255, 0, 0), 1)
                # cv2.circle(gray_image, (x-(i * spacing), y), 2, (0, 255, 0), 1) 
                
                gray_text = f"Point {i+1}({x},{y}): gray value = {gray_value} "

                print(gray_text)

                # 将点的灰度值绘制在图片的左上角
                cv2.putText(gray_image, gray_text, (10, 15+i*15), cv2.FONT_HERSHEY_SIMPLEX, 0.4, (0, 0, 0), 1)
                
 
    # 保存图像
    output_path = os.path.join(output_dir, get_last_part_of_string(image_path))


    '''
    cv2.imwrite() 参数：
        filename: 要保存的文件路径和名称，包括路径（‌如果文件不在当前工作目录下）‌和文件扩展名（‌如 .jpg, .png 等）‌。
        img: 要保存的图像数据，通常是通过 OpenCV 读取或处理得到的。
    '''
    cv2.imwrite(output_path, gray_image)
    print(f'Saved: {output_path}')

在这里插入图片描述

南方姑娘-qing
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
目标检测YOLO实战应用案例100讲-基于深度学习的交通场景多尺度目标检测算法研究与应用
qq_36130719的博客
05-26 1198
目前，交通目标检测算法主要分为传统目标检测算法和基于深度学习的目标检测算法。传统的目标检测算法无法有效处理由于不同光照、遮挡等引起的目标非线性外观变化，在区域生成阶段产生大量冗余候选框且正负样本失衡[12]，无法自动学习和生成特征，整体缺乏全局优化策略，难以有效提高分类水平。深度学习技术的迅猛发展在目标检测领域中逐渐展现出无可替代的优越性[13], [14]，同时极大地推动了目标检测在智能交通系统的进一步发展和应用，在交通目标检测、交通状态预测、交通流统计以及道路交通状。
目标检测YOLO实战应用案例100讲-基于深度学习的自动驾驶目标检测算法研究
qq_36130719的博客
05-18 1103
近年来，随着人工智能技术以及车载感知器件的快速发展，国内外许多传统汽车企业与互联网巨头强强联手，开始在自动驾驶的战场上布局。如图1-1所示,百度、特斯拉、谷歌以及华为等科技公司已经在自动驾驶领域取得了阶段性的进展。谷歌公司早在2010年就开始了自动驾驶的研究工作，目前的自动驾驶安全行驶距离已经超过14万英里；特斯拉则在自动驾驶商业化方面取得成绩优异，2020年，配有“完全自动驾驶”的汽车年销量已经超过60万。国内自动驾驶技术。
05_YouOnlyLookOnce(YOLOV1)目标检测领域的革命性突破
https://github.com/foxpup11?tab=repositories
06-01 725
https://www.bilibili.com/video/BV15w411Z7LG?p=3&spm_id_from=pageDriver&vd_source=7dace3632125a1ef7fd32c285eb2fbac
CV学习笔记 | CV综述 [2020.10.01]
不愿透露姓氏的王先生
01-26 3609
文章目录0.概述（整理完后随时修改）1.人工神经网络1.1.人工神经网络发展历程1.2.一些神经元节点的工作原理 内容简述： 关于NN发展历程 CNN架构 … 说明： 学习笔记内容整理自网络 0.概述（整理完后随时修改） 本文第一章简要回顾了人工神经网络自1998年以来模型的发展历程，并介绍了神经元节点的工作原理，引出26个(现存)神经元网络模型。该部分内容主要参见自： NEURAL NETWORK ZOO PREQUEL: CELLS NAD LAYERS THE NEURAL NETWOR
图像识别技术的来龙区别，图像识别的底层原理及应用场景大总结-人工智能基础知识必读
zhang9880000的博客
06-24 634
模式识别技术的优化和应用：传统的模式识别技术在医学图像处理和识别中存在不足，因此，研究者们对这些算法进行了改进和优化，使其更适合医学图像的处理。半监督学习的应用：在小样本数据集中，未标记的数据可以用来辅助训练。跨领域的融合：图像识别技术与其他领域的技术融合，如机器人技术、自动驾驶技术和无人机技术等，可以推动实时图像处理技术的应用和发展。多维性和复杂性的医学成像技术：考虑到医学影像数据的多维性和复杂性，研究者们正在探索基于密度分组、多特征连接和融合特征组合的医学成像技术和方法，以提高图像识别的准确性和效率。
综述总结：稀疏&集成的卷积神经网络学习
gzq0723的博客
12-15 1304
关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq学习群｜扫码在主页获取加入方式计算机视觉研究院专栏作者：Edison_G今天主要和大家说的是分类检测过程中...
目标检测YOLO实战应用案例100讲-基于深度学习的自动驾驶目标检测算法研究（续）
qq_36130719的博客
04-22 465
4.1 YOLOv8算法原理在探讨YOLOv8算法的原理时，我们首先需要理解YOLO（You Only Look Once）系列算法的核心理念，即在单次前向传播过程中同时进行目标的定位和分类。这种一步到位的检测方式使得YOLO算法在速度和效率上有着显著的优势。YOLOv8作为这一系列中的最新迭代，不仅继承了前代YOLO算法的这些优点，而且在结构设计和性能上都有了显著的改进，从而进一步提升了检测的准确性和速度。
深度学习（学习记录）
w2563216521的博客
01-02 2792
深度学习基本内容学习了解
脑启发遥感解译:一个全面的调查
LIHONGLI000125的博客
03-16 1931
摘要:基于大脑的算法已经成为下一代人工智能的新趋势。通过对脑科学的研究，可以有效提高遥感算法的智能化。综述和分析了脑认知学习的基本性质和遥感解译研究的最新进展。本文首先介绍了大脑的结构组成和性质。然后，研究了五种代表性的脑启发算法，包括多尺度几何分析、压缩感知、注意机制、强化学习和迁移学习。其次，本文综述了遥感数据类型、遥感解译典型应用的发展和遥感实现，包括遥感数据集、软件和硬件。最后，讨论了脑启发遥感解译的十大有待解决的问题和未来的发展方向。本工作旨在全面回顾脑机制和遥感的发展，并为脑启发遥感解译的未来研
基于YOLOv8的蔬菜识别
05-03
下面我们将深入探讨基于YOLOv8的蔬菜识别技术。 **YOLOv8的核心概念：** 1. **实时性**：YOLO的目标是快速检测图像中的目标，使得系统能在接近实时的速度下运行，这在农业自动化、智能物流等领域具有重要意义。 2. ...
计算机深度学习算法中YOLOv5实现车牌识别
03-12
YOLOv5是一种高效、准确的实时目标检测算法，尤其在车牌识别中表现优秀。它全称为"你只看一次v5"（You Only Look Once version 5），是YOLO系列算法的最新版本，由Joseph Redmon等人开发并持续优化。YOLOv5通过将...
基于yolov8+LPRNet的车牌识别项目
05-06
《基于yolov8+LPRNet的车牌识别项目详解》 在当今的智能交通系统中，车牌识别是一项至关重要的技术，它广泛应用于高速公路收费、停车场管理、车辆追踪等领域。本项目采用先进的深度学习框架yolov8与专门针对车牌...
YOLOV5手势识别数据集+代码+模型 2000张标注好的数据+教学视频
03-05
2.手势识别数据集，支持[ 'A', 'number 7', 'D', 'I', 'L', 'V', 'W', 'Y', 'I love you', 'number 5' ]10种手势的识别 3. 提供3组训练好的YOLOV5模型 4.代码中包含图形化界面 5.提供B站视频教程：...
yolov8手势识别训练权重+6000数据集+pyqt界面
06-21
yolov8手势识别权重，包含6000张yolo算法手势识别数据集，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8，yolov9等算法可以直接进行训练模型，txt格式标签， 数据集和检测结果参考：...
YOLOv8快速涨点之改进可扩张残差（DWR）注意力模块
qq_53545309的博客
07-23 292
当前许多工作采用多速率深度扩张卷积（multi-rate depth-wise dilated convolutions）来同时从单一输入特征图中捕获多尺度上下文信息，以提高特征提取效率。：这种设计可能导致难以获取多尺度上下文信息，因为其结构和超参数设置不合理。：为了降低获取多尺度上下文信息的难度，提出了一种高效的多尺度特征提取方法，该方法将原始的单步方法分解为“区域残差化”（RegionResidualization）和“语义残差化”（Semantic Residualization）两个步骤。
YOLO训练过程日志，数值都小于1原因？
weixin_52236586的博客
07-24 374
在YOLO等目标检测模型中，总损失是多个损失项的组合。通常，总损失会进行归一化以平衡各个损失项的影响。这种组合的归一化处理通常会使总损失值较小，但它提供了一个有效的衡量标准来评估模型的整体性能。总之，损失值小于1是正常的，归一化处理是为了确保训练过程中的稳定性和有效性。关注损失值的变化趋势比关注绝对值更为重要，这样可以更好地了解模型的训练情况。如果你的YOLOv5训练日志显示损失值如。
【保姆级教程】跑通YOLOv8-multi-task多任务模型
m0_51579041的博客
07-23 414
【保姆级教程】跑通YOLOv8-multi-task多任务模型
yolov5的分布式训练问题
最新发布
qq_40622955的博客
07-25 386
RuntimeError: Default process group has not been initialized, please make sure to call init_process_group
yolov8标注工具
08-29
您好！要使用 YOLOv8 标注工具，您可以按照以下步骤进行操作： 1. 安装标注工具：YOLOv8 标注工具有很多不同的实现版本，您可以选择适合您的操作系统和需求的版本进行安装。一些常见的选择包括 LabelImg、Labelbox 和 VGG Image Annotator (VIA)。 2. 准备数据集：将您的图像数据集准备好，确保图像文件与标注文件（如果有的话）在同一目录中，并确保文件名对应。 3. 打开标注工具：启动您选择的标注工具，并打开您要标注的图像文件夹。 4. 创建标签类别：在标注工具中创建您要识别的不同对象的标签类别。通常情况下，您需要定义每个对象类别的名称和对应的数字或文本标签。 5. 开始标注：使用标注工具提供的绘制工具（如矩形框或多边形）绘制对象的边界框或区域。确保为每个对象选择正确的类别标签。 6. 保存标注结果：保存标注后的图像和相应的标注文件。一般来说，标注工具会将标注结果保存为与图像文件相对应的 XML、JSON 或 TXT 文件。 7. 标注质量控制：检查标注结果并确保它们准确无误。进行必要的修正和调整，以确保标注结果的质量。 以上是使用 YOLOv8 标注工具的基本步骤。请注意，YOLOv8 是一种目标检测算法，您可以使用标注工具为每个目标对象创建包围框或区域。
评论
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