qq_40280673的博客

Python OpenCv读取.dat类型图片数据显示并批量转为bmp等图片格式

精灵标注助手制作VOC数据集的简易入门教程

CVAT制作COCO数据集，VOC数据集或其它格式的数据集简易入门教程

总结了使用Labelimg制作VOC数据集或yolo数据集的入门方法

现在开源的多数数据集都是VOC格式，但是往往我们使用的时候需要用到其它格式的数据集，愁的很，是不是需要重新一个一个的打标签呢？其实不用，只需要一段简单的代码就可以直接将VOC格式数据集转为yolo格式数据集，以下代码是可以直接自动分几个文件夹存放好训练集，验证集，以及对应对应标签的，数据集的分配比例也是可以自定义修改的。...

在做深度学习训练的时候，自己用视频采集了**数据集**，后期一帧一帧提取出来，很多帧是重复的，这时候可以只选取某一列作为训练用的数据集，比如我原始数据集中有80625张图片，如果不借助代码提取，太费人了，这里我总结两种方法快速提取。...

在做深度学习采集**数据集**时，先录制视频，后期将视频帧提取出来作为数据集，是一种高效准备数据集的好方法，关于将视频帧中指定多少帧保存一帧到指定文件路径的代码见下

我们在深度学习训练之前准备数据集的时候，特别是打标注的数据集，需要耗费大量的人力物力打标签，在打完的基础我们还可以直接对数据集进行二次增强，即**数据集增强**。

做图像处理的时候，需要将电脑文件夹中的图片格式批量修改，有一种不需要写代码的方法既可快速实现图片批量转换格式

VOC格式数据集转COCO格式数据集

深度学习训练前快速批量修改数据集中的图片名（按原顺序）

快速批量修改VOC格式数据集标签的文件名，即快速批量修改.xml文件名

想大批量提取文件图片名，提取出来保存到.txt文件中，提取方法有很多，但是多数方法提取出来之后，图片名是乱序的，不是我们自己预想的顺序排列。我自也试了一些方法，总结如下。

在经过图像处理每一帧后，想将连续帧组合成高帧率视频，可以采用下面的方法。

本文介绍了图像语义分割任务中常用的标注工具Labelme的详细使用教程。主要内容包括：1) Labelme工具的安装方法（推荐3.16.7版本）；2) 文件存储位置的组织方式；3) 工具界面功能详解及标注示例；4) 常用快捷键说明；5) 提供将标注文件转换为统一格式的Python代码。文章还推荐了半自动标注工具ISAT，并给出了其他常用标注工具（Labelimg、CVAT等）的制作教程链接。教程内容全面，从安装到使用再到数据格式转换，为图像分割任务的标注工作提供了完整的技术指导。

在大批量处理数据集图片时，使用Python中的os.listdir()，发现读取的图片不是按照预想的顺序读取，是乱序的，这............忍不了，为了解决这个问题，总结了Python 按照图片名称顺序(升序)读取文件夹中图片处理的方法。

VOC格式数据集制作：ImageSets->Segmentation文件中的train.txt，test.txt，trainval.txt，val.txt详细制作过程。

paddleseg数据集自定义比例划分为测试集test.txt，训练集train.txt，验证集val.txt

Python批量提取文件夹中图片的名称及路径到指定的.txt文件中

将A文件夹中剩余与B文件夹不重名的多张图像拷贝到C文件夹

一阶降解退化模拟真实噪声图像

在语义分割任务中，数据增强是提升模型性能和泛化能力的关键步骤。通过对训练样本进行各种形式的数据增强，可以产生更多样化的训练数据，从而增强模型在不同场景下的表现。

使用OpenCV批量随机添加运动模糊、高斯噪声和泊松噪声

快速批量替换图片名称为指定名称

训练样本中meta_info_GT.txt文件制作。

批量按照原图片名排序修改图片格式为00000001.png的详细过程

模拟现实世界中的多种图像降解现象，使得模型可以学习更鲁棒的超分辨率复原能力。

ISAT（Image Segmentation Annotation Tool）结合了Meta推出的Segment Anything Model（SAM），是一款功能强大且灵活的图像语义分割和打标签工具。ISAT结合SAM是一款非常优秀的图像语义分割和打标签工具，适合需要高效、准确标注的大规模项目。其自动化能力和用户友好界面使其在提高工作效率和数据质量方面表现出色。对于图像算法工程师和数据标注团队来说，这是一个值得推荐的工具组合。

YOLO格式的数据集通常包含两部分：图像文件和对应的文本标注文件。每个文本标注文件中包含了图像中每个物体的类别和位置信息。每一行代表一个物体.。

将高分辨率图像分割成大小均匀的图像用于训练，可以提高训练效率，提高模型性能，并提供更大的灵活性。