莆田网站开发,济源市城乡建设局网站,网络营销具有很强的什么特征,wordpress iis7.5 伪静态之前写了一个基于YOLOv8z做旋转目标检测的文章#xff0c;内容写得不够好#xff0c;内容也比较杂乱。现如今YOLO已经更新到11了#xff0c;数据集也集齐了无人机和卫星的农业大棚#xff0c;所以这次就写一个基于YOLO11 OBB的农业大棚旋转检测。
1. 下载源码配置环境 在h… 之前写了一个基于YOLOv8z做旋转目标检测的文章内容写得不够好内容也比较杂乱。现如今YOLO已经更新到11了数据集也集齐了无人机和卫星的农业大棚所以这次就写一个基于YOLO11 OBB的农业大棚旋转检测。
1. 下载源码配置环境 在https://github.com/ultralytics/ultralytics网页下载YOLO11源码解压缩后创建虚拟环境即可环境创建不是很难这里就不细说了。
2. 数据集准备
2.1 数据标注 这里我使用LabelImg2标注无人机和卫星影像我是在一整张大幅影像上对影像中的农业大棚进行标注的最后面使用算法将影像裁剪成合适的尺寸用于训练后面会详细介绍整个流程。 卫星影像中的农业大棚 无人机影像中的农业大棚 在LabelImg2上标注好数据LabelImg2标注是五点式即旋转框的中心xy坐标、旋转框的长度和宽度、旋转角度。如下图所示 影像大小为 7176 X 5080 影像为RGB3通道标注了两个旋转框旋转框标签为默认的dog
2.2 XML标注文件转DOTA格式标签文件TXT 新建一个名为roxml_to_dota.py的python脚本复制粘贴下面的代码
# 文件名称 roxml_to_dota.py
# 功能描述 把rolabelimg标注的xml文件转换成dota能识别的xml文件
# 再转换成dota格式的txt文件
# 把旋转框 cx,cy,w,h,angle或者矩形框cx,cy,w,h,转换成四点坐标x1,y1,x2,y2,x3,y3,x4,y4
import os
import xml.etree.ElementTree as ET
import mathcls_list [dog] # 修改为自己的标签def edit_xml(xml_file, dotaxml_file):修改xml文件:param xml_file:xml文件的路径:return:# dxml_file open(xml_file,encodinggbk)# tree ET.parse(dxml_file).getroot()tree ET.parse(xml_file)objs tree.findall(object)for ix, obj in enumerate(objs):x0 ET.Element(x0) # 创建节点y0 ET.Element(y0)x1 ET.Element(x1)y1 ET.Element(y1)x2 ET.Element(x2)y2 ET.Element(y2)x3 ET.Element(x3)y3 ET.Element(y3)# obj_type obj.find(bndbox)# type obj_type.text# print(xml_file)if (obj.find(robndbox) None):obj_bnd obj.find(bndbox)obj_xmin obj_bnd.find(xmin)obj_ymin obj_bnd.find(ymin)obj_xmax obj_bnd.find(xmax)obj_ymax obj_bnd.find(ymax)# 以防有负值坐标xmin max(float(obj_xmin.text), 0)ymin max(float(obj_ymin.text), 0)xmax max(float(obj_xmax.text), 0)ymax max(float(obj_ymax.text), 0)obj_bnd.remove(obj_xmin) # 删除节点obj_bnd.remove(obj_ymin)obj_bnd.remove(obj_xmax)obj_bnd.remove(obj_ymax)x0.text str(xmin)y0.text str(ymax)x1.text str(xmax)y1.text str(ymax)x2.text str(xmax)y2.text str(ymin)x3.text str(xmin)y3.text str(ymin)else:obj_bnd obj.find(robndbox)obj_bnd.tag bndbox # 修改节点名obj_cx obj_bnd.find(cx)obj_cy obj_bnd.find(cy)obj_w obj_bnd.find(w)obj_h obj_bnd.find(h)obj_angle obj_bnd.find(angle)cx float(obj_cx.text)cy float(obj_cy.text)w float(obj_w.text)h float(obj_h.text)angle float(obj_angle.text)obj_bnd.remove(obj_cx) # 删除节点obj_bnd.remove(obj_cy)obj_bnd.remove(obj_w)obj_bnd.remove(obj_h)obj_bnd.remove(obj_angle)x0.text, y0.text rotatePoint(cx, cy, cx - w / 2, cy - h / 2, -angle)x1.text, y1.text rotatePoint(cx, cy, cx w / 2, cy - h / 2, -angle)x2.text, y2.text rotatePoint(cx, cy, cx w / 2, cy h / 2, -angle)x3.text, y3.text rotatePoint(cx, cy, cx - w / 2, cy h / 2, -angle)# obj.remove(obj_type) # 删除节点obj_bnd.append(x0) # 新增节点obj_bnd.append(y0)obj_bnd.append(x1)obj_bnd.append(y1)obj_bnd.append(x2)obj_bnd.append(y2)obj_bnd.append(x3)obj_bnd.append(y3)tree.write(dotaxml_file, methodxml, encodingutf-8) # 更新xml文件# 转换成四点坐标
def rotatePoint(xc, yc, xp, yp, theta):xoff xp - xc;yoff yp - yc;cosTheta math.cos(theta)sinTheta math.sin(theta)pResx cosTheta * xoff sinTheta * yoffpResy - sinTheta * xoff cosTheta * yoffreturn str(int(xc pResx)), str(int(yc pResy))def totxt(xml_path, out_path):# 想要生成的txt文件保存的路径这里可以自己修改files os.listdir(xml_path)i 0for file in files:tree ET.parse(xml_path os.sep file)root tree.getroot()name file.split(.)[0]output out_path \\ name .txtfile open(output, w)i i 1objs tree.findall(object)for obj in objs:cls obj.find(name).textbox obj.find(bndbox)x0 int(float(box.find(x0).text))y0 int(float(box.find(y0).text))x1 int(float(box.find(x1).text))y1 int(float(box.find(y1).text))x2 int(float(box.find(x2).text))y2 int(float(box.find(y2).text))x3 int(float(box.find(x3).text))y3 int(float(box.find(y3).text))if x0 0:x0 0if x1 0:x1 0if x2 0:x2 0if x3 0:x3 0if y0 0:y0 0if y1 0:y1 0if y2 0:y2 0if y3 0:y3 0for cls_index, cls_name in enumerate(cls_list):if cls cls_name:file.write({} {} {} {} {} {} {} {} {} {}\n.format(x0, y0, x1, y1, x2, y2, x3, y3, cls, cls_index))file.close()# print(output)print(i)if __name__ __main__:# -----**** 第一步把xml文件统一转换成旋转框的xml文件 ****-----roxml_path rD:\data\yolov8_obb\origin_xml # labelimg2标注生成的原始xml文件路径dotaxml_path rD:\data\yolov8_obb\dota_xml # 转换后dota能识别的xml文件路径路径需存在不然报错out_path rD:\data\yolov8_obb\dota_txt # 转换后dota格式的txt文件路径路径需存在不然报错filelist os.listdir(roxml_path)for file in filelist:edit_xml(os.path.join(roxml_path, file), os.path.join(dotaxml_path, file))# -----**** 第二步把旋转框xml文件转换成txt格式 ****-----totxt(dotaxml_path, out_path) 注意事项 【1】运行代码之前将cls_list [dog] # 修改为自己的标签不修改也不会报错只是转换后的TXT中将没有任何数据 【2】小心修改文件路径别搞错了即
if __name__ __main__:# -----**** 第一步把xml文件统一转换成旋转框的xml文件 ****-----roxml_path rD:\data\yolov8_obb\origin_xml # labelimg2标注生成的原始xml文件路径dotaxml_path rD:\data\yolov8_obb\dota_xml # 转换后dota能识别的xml文件路径路径需存在不然报错out_path rD:\data\yolov8_obb\dota_txt # 转换后dota格式的txt文件路径路径需存在不然报错filelist os.listdir(roxml_path)for file in filelist:edit_xml(os.path.join(roxml_path, file), os.path.join(dotaxml_path, file))# -----**** 第二步把旋转框xml文件转换成txt格式 ****-----totxt(dotaxml_path, out_path) 下面是转换后的TXT格式的标签文件此时的标签还不是OBB数据集的格式还需要再转换 2.3 标签更改 我在标注的过程中使用的是LabelImg2软件中默认的标签名即dog。在这里我使用代码将其中的标签修改为自己的标签即dp。 新建一个名为change_label.py的python文件复制粘贴下面的代码
import osdef replace_text_in_files(folder_path, old_text, new_text):# 遍历指定文件夹for filename in os.listdir(folder_path):# 检查文件是否是.txt文件if filename.endswith(.txt):file_path os.path.join(folder_path, filename)# 读取文件内容with open(file_path, r, encodingutf-8) as file:file_data file.read()# 替换文本updated_data file_data.replace(old_text, new_text)# 写入更改后的内容with open(file_path, w, encodingutf-8) as file:file.write(updated_data)# 调用函数将dog替换为dp
replace_text_in_files(rD:\yolo11\greenhouse\roxml_to_dota\xml_to_txt, dog, dp) 下面是更改标签后的txtTXT文件内容 2.4 DOTA格式标签文件转换为YOLO OBB训练所需的格式
1TIF格式影像转换为PNG格式 创建一个名为tif_to_png.py的python文件复制粘贴下面的代码
import os
import tifffile
from PIL import Image
import numpy as npdef tif2png_high_quality(tif_folder, png_folder):将tif文件夹中的所有tif图像转换为png图像并尽可能保持图像质量。Args:tif_folder: 包含tif图像的文件夹路径。png_folder: 保存png图像的文件夹路径。if not os.path.exists(png_folder):os.makedirs(png_folder)for filename in os.listdir(tif_folder):if filename.endswith(.tif) or filename.endswith(.tiff):tif_filepath os.path.join(tif_folder, filename)png_filepath os.path.join(png_folder, filename.replace(.tif, .png).replace(.tiff, .png))try:# 使用tifffile库读取tif图像可以更好地处理各种tif格式和元数据tif_image tifffile.imread(tif_filepath)# 如果tif图像是多通道的需要进行一些处理例如转换为RGB图像或者分别保存每个通道if tif_image.ndim 3 and tif_image.shape[2] 3: #处理多波段图像例如大于3个波段的遥感图像# 可以选择需要的波段合成RGB图像或者保存所有波段为单独的png文件# 这里以合成RGB图像为例假设前三个波段是RGB波段tif_image tif_image[:,:,:3] # 取前三个波段tif_image np.clip(tif_image, 0, 255).astype(np.uint8) # 裁剪像素值到0-255并转换为uint8类型img Image.fromarray(tif_image)elif tif_image.dtype np.uint16: #16位图像处理转换为8位img Image.fromarray((tif_image / 256).astype(np.uint8))else: # 其他情况直接转换img Image.fromarray(tif_image)# 使用 Pillow 库保存 png 图像, 可以指定更高的压缩质量img.save(png_filepath, PNG, compress_level1) # compress_level 1 表示最小压缩质量最高print(f已将 {tif_filepath} 转换为 {png_filepath})except Exception as e:print(f转换 {tif_filepath} 时出错: {e})# 示例用法
tif_folder tif_images # 替换为你的tif图像文件夹路径
png_folder png_images # 替换为你想保存png图像的文件夹路径
tif2png_high_quality(tif_folder, png_folder) 设置好图像文件夹路径将TIF图像转换为PNG格式的图像 2在项目代码目录下面创建下面的文件夹结构然后将划分好的图像和标签文件放到相应的文件夹中 这里我直接使用v8教程里面的图 3编写转换标注格式的代码 创建一个名为convert_dota_to_yolo_obb.py的python文件复制粘贴下面的代码
import syssys.path.append(D:\yolo11)from ultralytics.data.converter import convert_dota_to_yolo_obbconvert_dota_to_yolo_obb(D:\yolo11\greenhouse\data) 由于官方源码转换代码用的是VOC数据集所以这里我们需要修改ultralytics/data/
converter.py中的类别名改成自己的数据集类别名。修改ultralytics/data/converter.py中的代码 转换后的OBB数据集格式的标签会保存在labels\train和labels\val中训练需要使用的就是这两个文件夹train_original和val_original用不到 转换后的OBB数据集格式的标签文件中的内容 2.5 png格式影像裁剪 在项目代码目录下面创建下面的文件夹结构然后将OBB格式的标签文件和对应的图像放到相应的文件夹中 里面的train_original和val_original文件夹不需要截图里面多余了 创建一个名为split_images.py的python文件复制粘贴下面的代码
from ultralytics.data.split_dota import split_test, split_trainval# 分割训练集和验证集同时包含标签。标签需要是YOLO格式的
# 即0 0.332813 0.164062 0.403125 0.15 0.45 0.373437 0.379688 0.389062
#
# param data_root str数据根目录的路径。
# param save_dir str保存分割后数据集的目录路径。
# param rates list用于设定不同尺度分割比例的列表例如[0.5, 1.0, 1.5]表示三个尺度。
# param gap int设定在数据集中间隔多少个样本进行一次分割。
split_trainval(data_rootrD:\yolo11\datasets,save_dirrD:\yolo11\DOTAv1.0-split,rates[1.0, 1.5], # multiscale 1.0640x640 1.5426x426gap100,
)# 分割测试集不包含标签。
#
# param data_root str数据根目录的路径。
# param save_dir str保存分割后数据集的目录路径。
# param rates list用于设定不同尺度分割比例的列表例如[0.5, 1.0, 1.5]表示三个尺度。
# param gap int设定在数据集中间隔多少个样本进行一次分割。
split_test(data_rootrD:\yolo11\datasets,save_dirrD:\yolo11\DOTAv1.0-split,rates[1.0, 1.5], # multiscalegap100, 运行代码之前记得调整导入函数的参数运行代码之后裁剪的图像和对应的标注文件会在DOTAv1.0-split文件夹中 这里我其实有点疑惑我原本是想把所有图像裁剪了再划分数据集但是这里按照ultralytics里面的代码意思似乎是先将所有的大幅影像先划分为训练影像、验证影像和测试影像裁剪之后即是对应的数据集但是先将所有的大幅影像先划分为训练影像、验证影像和测试影像的做法似乎不太科学因为这样的话每个数据集中的图像差异可能比较大我觉得可能不如裁剪之后随机划分数据集的做法个人目前比较粗浅的看法。。。
2.6 挑选有标签的图像 裁剪得到的图像数量和标签数量是不匹配的有些没有标签的图像没有舍弃掉。所有这里需要写个算法将有标签的图像挑选出来与标签一一对应。 创建一个名为pick_images.py的python文件复制粘贴下面的代码
import os
import shutil# 定义路径
labels_dir /yolo11/greenhouse/DOTAv1.0-split/labels/train
images_dir /yolo11/greenhouse/DOTAv1.0-split/images/train
pick_dir /yolo11/greenhouse/DOTAv1.0-split/images/pick# 确保 pick_dir 存在
os.makedirs(pick_dir, exist_okTrue)# 获取 labels_dir 下的所有 .txt 文件
label_files [f for f in os.listdir(labels_dir) if f.endswith(.txt)]for label_file in label_files:# 提取文件名不包括扩展名base_name os.path.splitext(label_file)[0]# 构建对应的图像文件路径image_jpg_path os.path.join(images_dir, base_name .jpg)image_png_path os.path.join(images_dir, base_name .png)# 检查是否存在对应的图像文件if os.path.exists(image_jpg_path):# 复制图像文件到 pick_dirshutil.copy(image_jpg_path, pick_dir)print(f已复制 {image_jpg_path} 到 {pick_dir})elif os.path.exists(image_png_path):# 复制图像文件到 pick_dirshutil.copy(image_png_path, pick_dir)print(f已复制 {image_png_path} 到 {pick_dir})else:print(f未找到与 {label_file} 对应的图像文件)
2.7 数据集划分 先构建好文件夹结构文件夹结构如下所有图像放在img文件夹下所有txt放在dotatxt文件夹下 使用下面的代码划分数据集
import os
import random
import shutilrandom.seed(42)
该脚本用于将给定的数据集分割成训练集和测试集。
数据集应包含图像和对应的标注文件。
脚本会按照90%训练集和10%测试集的比例进行分割并将图像和标注文件分别复制到相应的文件夹中。
# 设置数据集文件夹路径和输出文件夹路径
data_folder data_mouse_ro
img_folder data_mouse_ro/dataset/images
label_folder data_mouse_ro/dataset/labels# 计算每个子集的大小
# 总文件数乘以0.9得到训练集大小其余为测试集大小
total_files len(os.listdir(os.path.join(data_folder, img)))
train_size int(total_files * 0.9)
test_size int(total_files - train_size)# 获取所有图像文件的文件名列表并进行随机打乱
image_files os.listdir(os.path.join(data_folder, img))
random.shuffle(image_files)# 复制图像和标注文件到相应的子集文件夹中
# 枚举每个图像文件根据索引决定复制到训练集还是测试集文件夹
for i, image_file in enumerate(image_files):base_file_name os.path.splitext(image_file)[0] # 获取文件名不包括扩展名image_path os.path.join(data_folder, img, image_file)label_path os.path.join(data_folder, dotatxt, base_file_name .txt)# 根据索引判断文件应复制到训练集还是测试集if i train_size:shutil.copy(image_path, os.path.join(img_folder, train)) # 复制图像到训练集shutil.copy(label_path, os.path.join(label_folder, train_original)) # 复制标注到训练集else:shutil.copy(image_path, os.path.join(img_folder, val)) # 复制图像到测试集shutil.copy(label_path, os.path.join(label_folder, val_original)) # 复制标注到测试集
3. 模型配置 4. 训练 5. 验证 写的比较急后面再完善。。。
