小结-YOLOV5训练自己的数据集,有些数据集是png的解决办法

这次我在做项目时,数据集有些事png图像,训练时出现下面的信息

虽然这个并不影响最终的结果,但是看的不舒服

 png格式的图像通道不能直接更改为jpg格式,需要改变通道

from PIL import Image
import os

# 设置需要转换的图片目录
img_dir = r""

# 遍历目录下所有文件
for filename in os.listdir(img_dir):
    # 判断文件是否为png格式
    if filename.endswith(".png"):
        # 构造新的文件名,将后缀改为jpg
        new_filename = os.path.splitext(filename)[0] + ".jpg"
        # 打开图片
        img = Image.open(os.path.join(img_dir, filename))
        # 如果图片是RGBA模式,转换为RGB模式
        if img.mode == "RGBA":
            img = img.convert("RGB")
        # 如果图片是P模式,转换为RGB模式
        if img.mode == "P":
            img = img.convert("RGB")
        # 保存为新的jpg格式图片
        img.save(os.path.join(img_dir, new_filename))
        # 关闭图片
        img.close()
        # 删除原来的png格式图片
        os.remove(os.path.join(img_dir, filename))

只改变后缀,不改变前缀

  • 3
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
要使用 YOLOv5 训练自己的数据集,需要遵循以下步骤: 1. 准备数据集:收集并标注图像,将它们划分为训练集和验证集。YOLOv5 支持许多不同的图像格式,包括JPEG、PNG、BMP、GIF等等。标注可以使用许多不同的工具来完成,例如 LabelImg、RectLabel、VGG Image Annotator等。 2. 安装 YOLOv5:使用 pip 或者 git clone 命令进行安装。可以从 https://github.com/ultralytics/yolov5 获取源代码并进行安装。 3. 配置训练参数:定义网络架构、数据集路径、学习率等超参数。可以使用默认参数,也可以根据自己的数据集进行微调。 4. 训练模型:使用命令行工具或者脚本来启动训练过程。在训练过程中,模型会在训练集上进行训练,并在验证集上进行验证。可以通过修改训练参数来控制训练过程的停止条件和保存模型的频率。 5. 评估模型:使用评估工具对训练好的模型进行评估。根据数据集的特点,可以选择不同的评估指标,例如精度、召回率、AP(平均精度)等等。 6. 使用模型:将训练好的模型应用于实际场景。可以使用 Python 脚本或者 C++ API 来加载模型并进行推理。可以将模型部署到服务器、移动设备或者嵌入式系统中。 以上是使用 YOLOv5 训练自己的数据集的基本步骤。需要注意的是,这只是一个简单的指南,具体的实现过程可能因数据集的不同而有所不同。
评论 6
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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