目标检测YOLOV3-训练集真实标注label预处理（三）

目录

1. 预处理标注文件

2. 制作数据生成器

3. 测试 

---

文件下载：https://download.csdn.net/download/qq_37116150/12289213

1. 预处理标注文件

首先将全局变量定义完成：

IMGSZ = 512 # 输入图片尺寸大小，必须是512x512
GRIDSZ = 16 # 网络最后输出的尺寸， 16x16
num_classes = 3 # 标签类别，共有3类，其中一类是背景，实际就两类，可根据需要修改
# YOLO的anchors的5个尺寸
ANCHORS = [0.57273, 0.677385, 1.87446, 2.06253, 3.33843, 5.47434, 7.88282, 3.52778, 9.77052, 9.16828]

为了损失函数，需要将标注信息的格式修改，应符合网络输出的格式: [b, 16, 16, 5, (4+1+num_classes)]，具体代码如下：

def process_true_boxes(gt_boxes, anchors):
    """
    计算一张图片的真实标签信息
    :param gt_boxes:
    :param anchors:
    :return:
    """
    # gt_boxes: [40,5] 一张真实标签的位置坐标信息，40是虚数，根据实际情况来定
    # 512//16=32
    # 计算网络模型从输入到输出的缩小比例
    scale = IMGSZ // GRIDSZ
    # [5,2] 将anchors转化为矩阵形式，一行代表一个anchors
    anchors = np.array(anchors).reshape((5, 2))

    # mask for object
    # 用来判断该方格位置的anchors有没有目标，每个方格有5个anchors
    detector_mask = np.zeros([GRIDSZ, GRIDSZ, 5, 1])
    # x-y-w-h-l
    # 在输出方格的尺寸上[16, 16, 5]制作真实标签, 用于和预测输出值做比较，计算损失值
    matching_gt_box = np.zeros([GRIDSZ, GRIDSZ, 5, 5])
    # [40,5] x1-y1-x2-y2-l => x-y-w-h-l
    # 制作一个numpy变量，用于存储一张图片真实标签转换格式后的数据
    # 将左上角与右下角坐标转化为中心坐标与宽高的形式
    # [x_min, y_min, x_max, y_max] => [x_center, y_center,