【YOLO】Python实例分割 YOLOv5-segment使用教程

前言
前段时间，YOLOv5推出7.0版本，主要更新点是在目标检测的同时引入了实例分割。
目前，YOLOv5团队已经转向了YOLOv8的更新，因此，7.0版本大概率是YOLOv5的最终稳定版。

 

更新信息
官方公告中给出了YOLOv5-7.0的更新要点：

推出了基于coco-seg的实例分割预训练模型

Yolov5-seg的变动

仔细对比yolov5的目标检测与分类的代码框架，主要的改动点在以下几个方面：

1. 训练、测试、验证等的代码入口；

2. 数据加载和预处理；

3. 网络变动；

4. loss的变动；

5. 评价指标。

下载预训练模型

官方仓库有不同模型大小的预训练模型，这里以yolov5m-seg为例。
下载链接：https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5m-seg.pt

数据集的文件结构如下：

• screen-seg
  • images
    • train2017
  • labels
    • train2017

其中第一个为类别标签，后面的两个为一组，即(x1,y1)，(x2,y2)…意为一个个点，这些点连线即为所框选的实例。

模型训练

下面以coco128-seg数据集训练为例，首先修改screen-seg.yaml配置文件，修改相应路径：

1. path: screen-seg

2. train: images/train2017

3. val: images/train2017

之后终端运行：

数据集制作：

github地址：https://github.com/vietanhdev/anylabeling

在 YOLO 和 Segment Anything 的 AI 支持下轻松进行数据标记！

AnyLabeling = LabelImg + Labelme + Improved UI + Auto-labeling

任何标签 = 标签Img + 标签我 + 改进的用户界面 + 自动标签

油管演示：https://www.youtube.com/watch?v=xLVz-f6OeUY

文档：https://anylabeling.com

1. 安装和运行
2. 下载并运行可执行文件

从版本下载并运行最新版本。

创建环境：

conda create -n anylabeling python=3.8

conda activate anylabeling

安装任何标签：

pip install anylabeling

运行应用：

anylabeling

使用教程：

shapes：保存着bbox的类别和坐标（左上角，右下角）；

imagePath：json文件对应的原图名称；

imageHeight：原图的高度；

imageWidth：原图的宽度；

我们现在要将json文件中的标注信息提取到txt文件中，代码实现如下：

import os  
import json  
import numpy as np  
# 类和索引  
CLASSES=["person","horse"]  
def convert(size,box):  
    ''''' 
    input: 
    size:(width,height); 
    box:(x1,x2,y1,y2) 
    output: 
    (x,y,w,h) 
    '''  
    dw=1./size[0]  
    dh=1./size[1]  
    x=(box[0]+box[1])/2.0  
    y=(box[2]+box[3])/2.0  
    w=box[1]-box[0]  
    h=box[3]-box[2]  
    x=x*dw  
    w=w*dw  
    y=y*dh  
    h=h*dh  
    return (x,y,w,h)  
# json -> txt  
def json2txt(path_json,path_txt):  
    with open(path_json,"r") as path_json:  
        jsonx=json.load(path_json)  
        width=int(jsonx["imageWidth"])      # 原图的宽  
        height=int(jsonx["imageHeight"])    # 原图的高  
        with open(path_txt,"w+") as ftxt:  
            # 遍历每一个bbox对象  
            for shape in jsonx["shapes"]:  
                obj_cls=str(shape["label"])     # 获取类别  
                cls_id=CLASSES.index(obj_cls)   # 获取类别索引  
                points=np.array(shape["points"])    # 获取(x1,y1,x2,y2)  
                x1=int(points[0][0])  
                y1=int(points[0][1])  
                x2=int(points[1][0])  
                y2=int(points[1][1])  
                # (左上角,右下角) -> (中心点,宽高) 归一化  
                bb=convert((width,height),(x1,x2,y1,y2))  
                ftxt.write(str(cls_id)+" "+" ".join([str(a) for a in bb])+"\n")  
if __name__=="__main__":  
    # json文件夹  
    dir_json="C:\\Users\\26818\\Desktop\\test\\input\\"  
    # txt文件夹  
    dir_txt="C:\\Users\\26818\\Desktop\\test\\out\\"  
    if not os.path.exists(dir_txt):  
        os.makedirs(dir_txt)  
    # 得到所有json文件  
    list_json=os.listdir(dir_json)  
    # 遍历每一个json文件,转成txt文件  
    for cnt,json_name in enumerate(list_json):  
        print("cnt=%d,name=%s"%(cnt,json_name))  
        path_json=dir_json+json_name  
        path_txt=dir_txt+json_name.replace(".json",".txt")  
        # (x1,y1,x2,y2)->(x,y,w,h)  
        json2txt(path_json,path_txt) 

生成的txt文件如下图所示，格式包括（类别索引，x，y，w，h）