技术标签: 目标检测
前言
:前段时间用到了mmlab的mmdetction和mmpose,因此以一个小的数据集复现了从数据集制作到模型训练和测试的全流程。希望对想入门mmlab框架的小伙伴有所帮助。主要想做目标检测和关键点检测,因此标注目标检测框和关键点。标注范式:注意关键点只能在一个目标检测框内
数据链接:以标注并转为MS COCO格式数据集
提取码:heak
查看原图片
import cv2
import numpy as np
import json
import matplotlib.pyplot as plt
img_path = 'IMG_4801_JPG_jpg.rf.121fd7907310ecece04dc4020e07e7f2.jpg'
img_bgr = cv2.imread(img_path)
plt.imshow(img_bgr[:,:,::-1])
plt.show()
打印json文件信息
labelme_path = 'IMG_4801_JPG_jpg.rf.121fd7907310ecece04dc4020e07e7f2.json'
with open(labelme_path, 'r', encoding='utf-8') as f:
labelme = json.load(f)
print(labelme.keys())
# dict_keys(['version', 'flags', 'shapes', 'imagePath', 'imageData', 'imageHeight', 'imageWidth'])
print(labelme['shapes'])
可视化框(rectangle)标注
# 可视化框(rectangle)标注
# 框(rectangle)可视化配置
bbox_color = (255, 129, 0) # 框的颜色
bbox_thickness = 5 # 框的线宽
# 框类别文字
bbox_labelstr = {
'font_size':2, # 字体大小
'font_thickness':4, # 字体粗细
'offset_x':0, # X 方向,文字偏移距离,向右为正
'offset_y':-80, # Y 方向,文字偏移距离,向下为正
}
for each_ann in labelme['shapes']: # 遍历每一个标注
if each_ann['shape_type'] == 'rectangle': # 筛选出框标注
# 框的类别
bbox_label = each_ann['label']
# 框的两点坐标
bbox_keypoints = each_ann['points']
bbox_keypoint_A_xy = bbox_keypoints[0]
bbox_keypoint_B_xy = bbox_keypoints[1]
# 左上角坐标
bbox_top_left_x = int(min(bbox_keypoint_A_xy[0], bbox_keypoint_B_xy[0]))
bbox_top_left_y = int(min(bbox_keypoint_A_xy[1], bbox_keypoint_B_xy[1]))
# 右下角坐标
bbox_bottom_right_x = int(max(bbox_keypoint_A_xy[0], bbox_keypoint_B_xy[0]))
bbox_bottom_right_y = int(max(bbox_keypoint_A_xy[1], bbox_keypoint_B_xy[1]))
# 画矩形:画框
img_bgr = cv2.rectangle(img_bgr, (bbox_top_left_x, bbox_top_left_y), (bbox_bottom_right_x, bbox_bottom_right_y),
bbox_color, bbox_thickness)
# 写框类别文字:图片,文字字符串,文字左上角坐标,字体,字体大小,颜色,字体粗细
img_bgr = cv2.putText(img_bgr, bbox_label, (
bbox_top_left_x + bbox_labelstr['offset_x'], bbox_top_left_y + bbox_labelstr['offset_y']),
cv2.FONT_HERSHEY_SIMPLEX, bbox_labelstr['font_size'], bbox_color,
bbox_labelstr['font_thickness'])
plt.imshow(img_bgr[:,:,::-1])
plt.show()
可视化关键点(keypoint)标注
# 可视化关键点(keypoint)标注
# 关键点配色
kpt_color_map = {
'head':{
'id':0, 'color':[255,0,0], 'radius':10, 'thickness':-1},
'tail':{
'id':1, 'color':[0,255,0], 'radius':10, 'thickness':-1}
}
# 点类别文字
kpt_labelstr = {
'font_size':1, # 字体大小
'font_thickness':4, # 字体粗细
'offset_x':30, # X 方向,文字偏移距离,向右为正
'offset_y':100, # Y 方向,文字偏移距离,向下为正
}
for each_ann in labelme['shapes']: # 遍历每一个标注
if each_ann['shape_type'] == 'point': # 筛选出关键点标注
kpt_label = each_ann['label'] # 该点的类别
# 该点的 XY 坐标
kpt_xy = each_ann['points'][0]
kpt_x, kpt_y = int(kpt_xy[0]), int(kpt_xy[1])
# 该点的可视化配置
kpt_color = kpt_color_map[kpt_label]['color'] # 颜色
kpt_radius = kpt_color_map[kpt_label]['radius'] # 半径
kpt_thickness = kpt_color_map[kpt_label]['thickness'] # 线宽(-1代表填充)
# 画圆:画该关键点
img_bgr = cv2.circle(img_bgr, (kpt_x, kpt_y), kpt_radius, kpt_color, kpt_thickness)
# 写该点类别文字:图片,文字字符串,文字左上角坐标,字体,字体大小,颜色,字体粗细
img_bgr = cv2.putText(img_bgr, kpt_label, (kpt_x + kpt_labelstr['offset_x'], kpt_y + kpt_labelstr['offset_y']),
cv2.FONT_HERSHEY_SIMPLEX, kpt_labelstr['font_size'], kpt_color,
kpt_labelstr['font_thickness'])
plt.imshow(img_bgr[:,:,::-1])
plt.show()
保存可视化图片
cv2.imwrite('visualize.jpg', img_bgr)
import os
import shutil
import random
from tqdm import tqdm
Dataset_root = '../glue_134_Keypoint'
os.chdir(os.path.join(Dataset_root, 'labelme_jsons'))
print('共有 {} 个 labelme 格式的 json 文件'.format(len(os.listdir())))
test_frac = 0.2 # 测试集比例
random.seed(123) # 随机数种子,便于复现
folder = '.'
img_paths = os.listdir(folder)
random.shuffle(img_paths) # 随机打乱
val_number = int(len(img_paths) * test_frac) # 测试集文件个数
train_files = img_paths[val_number:] # 训练集文件名列表
val_files = img_paths[:val_number] # 测试集文件名列表
print('数据集文件总数', len(img_paths))
print('训练集文件个数', len(train_files))
print('测试集文件个数', len(val_files))
# 创建文件夹,存放训练集的 labelme格式的 json 标注文件
train_labelme_jsons_folder = 'train_labelme_jsons'
os.mkdir(train_labelme_jsons_folder)
for each in tqdm(train_files):
src_path = os.path.join(folder, each)
dst_path = os.path.join(train_labelme_jsons_folder, each)
shutil.move(src_path, dst_path)
# 创建文件夹,存放训练集的 labelme格式的 json 标注文件
val_labelme_jsons_folder = 'val_labelme_jsons'
os.mkdir(val_labelme_jsons_folder)
for each in tqdm(val_files):
src_path = os.path.join(folder, each)
dst_path = os.path.join(val_labelme_jsons_folder, each)
shutil.move(src_path, dst_path)
导入相关包
import os
import json
import numpy as np
指定数据集信息
Dataset_root = '../glue_134_Keypoint'
class_list = {
'supercategory': 'glue',
'id': 1,
'name': 'glue',
'keypoints': ['head', 'tail'],
'skeleton': [[0, 1]]
}
函数-处理单个labelme标注json文件
def process_single_json(labelme, image_id=1):
'''
输入labelme的json数据,输出coco格式的每个框的关键点标注信息
'''
global ANN_ID
coco_annotations = []
for each_ann in labelme['shapes']: # 遍历该json文件中的所有标注
if each_ann['shape_type'] == 'rectangle': # 筛选出个体框
# 个体框元数据
bbox_dict = {
}
bbox_dict['category_id'] = 1
bbox_dict['segmentation'] = []
bbox_dict['iscrowd'] = 0
bbox_dict['segmentation'] = []
bbox_dict['image_id'] = image_id
bbox_dict['id'] = ANN_ID
# print(ANN_ID)
ANN_ID += 1
# 获取个体框坐标
bbox_left_top_x = min(int(each_ann['points'][0][0]), int(each_ann['points'][1][0]))
bbox_left_top_y = min(int(each_ann['points'][0][1]), int(each_ann['points'][1][1]))
bbox_right_bottom_x = max(int(each_ann['points'][0][0]), int(each_ann['points'][1][0]))
bbox_right_bottom_y = max(int(each_ann['points'][0][1]), int(each_ann['points'][1][1]))
bbox_w = bbox_right_bottom_x - bbox_left_top_x
bbox_h = bbox_right_bottom_y - bbox_left_top_y
bbox_dict['bbox'] = [bbox_left_top_x, bbox_left_top_y, bbox_w, bbox_h] # 左上角x、y、框的w、h
bbox_dict['area'] = bbox_w * bbox_h
# 筛选出分割多段线
for each_ann in labelme['shapes']: # 遍历所有标注
if each_ann['shape_type'] == 'polygon': # 筛选出分割多段线标注
# 第一个点的坐标
first_x = each_ann['points'][0][0]
first_y = each_ann['points'][0][1]
if (first_x > bbox_left_top_x) & (first_x < bbox_right_bottom_x) & (
first_y < bbox_right_bottom_y) & (first_y > bbox_left_top_y): # 筛选出在该个体框中的关键点
bbox_dict['segmentation'] = list(
map(lambda x: list(map(lambda y: round(y, 2), x)), each_ann['points'])) # 坐标保留两位小数
# bbox_dict['segmentation'] = each_ann['points']
# 筛选出该个体框中的所有关键点
bbox_keypoints_dict = {
}
for each_ann in labelme['shapes']: # 遍历所有标注
if each_ann['shape_type'] == 'point': # 筛选出关键点标注
# 关键点横纵坐标
x = int(each_ann['points'][0][0])
y = int(each_ann['points'][0][1])
label = each_ann['label']
if (x > bbox_left_top_x) & (x < bbox_right_bottom_x) & (y < bbox_right_bottom_y) & (
y > bbox_left_top_y): # 筛选出在该个体框中的关键点
bbox_keypoints_dict[label] = [x, y]
bbox_dict['num_keypoints'] = len(bbox_keypoints_dict)
# print(bbox_keypoints_dict)
# 把关键点按照类别顺序排好
bbox_dict['keypoints'] = []
for each_class in class_list['keypoints']:
if each_class in bbox_keypoints_dict:
bbox_dict['keypoints'].append(bbox_keypoints_dict[each_class][0])
bbox_dict['keypoints'].append(bbox_keypoints_dict[each_class][1])
bbox_dict['keypoints'].append(2) # 2-可见不遮挡 1-遮挡 0-没有点
else: # 不存在的点,一律为0
bbox_dict['keypoints'].append(0)
bbox_dict['keypoints'].append(0)
bbox_dict['keypoints'].append(0)
coco_annotations.append(bbox_dict)
return coco_annotations
函数-转换当前目录下所有labelme格式的json文件
def process_folder():
IMG_ID = 0
ANN_ID = 0
# 遍历所有 labelme 格式的 json 文件
for labelme_json in os.listdir():
if labelme_json.split('.')[-1] == 'json':
with open(labelme_json, 'r', encoding='utf-8') as f:
labelme = json.load(f)
## 提取图像元数据
img_dict = {
}
img_dict['file_name'] = labelme['imagePath']
img_dict['height'] = labelme['imageHeight']
img_dict['width'] = labelme['imageWidth']
img_dict['id'] = IMG_ID
coco['images'].append(img_dict)
## 提取框和关键点信息
coco_annotations = process_single_json(labelme, image_id=IMG_ID)
coco['annotations'] += coco_annotations
IMG_ID += 1
print(labelme_json, '已处理完毕')
else:
pass
处理训练集json文件并保存和验证文件是否正常
coco = {
}
coco['categories'] = []
coco['categories'].append(class_list)
coco['images'] = []
coco['annotations'] = []
IMG_ID = 0
ANN_ID = 0
path = os.path.join(Dataset_root, 'labelme_jsons', 'train_labelme_jsons')
os.chdir(path)
process_folder()
# 保存coco标注文件
coco_path = '../../train_coco.json'
with open(coco_path, 'w') as f:
json.dump(coco, f, indent=2)
os.chdir('../../')
os.listdir()
from pycocotools.coco import COCO
my_coco = COCO('train_coco.json')
处理验证集json文件并保存和验证文件是否正常
coco = {
}
coco['categories'] = []
coco['categories'].append(class_list)
coco['images'] = []
coco['annotations'] = []
IMG_ID = 0
ANN_ID = 0
path = os.path.join('labelme_jsons', 'val_labelme_jsons')
os.chdir(path)
process_folder()
# 保存coco标注文件
coco_path = '../../val_coco.json'
with open(coco_path, 'w') as f:
json.dump(coco, f, indent=2)
os.chdir('../../')
my_coco = COCO('val_coco.json')
至此,用于mmdetection框架的MS COCO格式文件转换完成
文章浏览阅读645次。这个肯定是末尾的IDAT了,因为IDAT必须要满了才会开始一下个IDAT,这个明显就是末尾的IDAT了。,对应下面的create_head()代码。,对应下面的create_tail()代码。不要考虑爆破,我已经试了一下,太多情况了。题目来源:UNCTF。_攻防世界困难模式攻略图文
文章浏览阅读2.9k次,点赞3次,收藏10次。偶尔会用到,记录、分享。1. 数据库导出1.1 切换到dmdba用户su - dmdba1.2 进入达梦数据库安装路径的bin目录,执行导库操作 导出语句:./dexp cwy_init/[email protected]:5236 file=cwy_init.dmp log=cwy_init_exp.log 注释: cwy_init/init_123..._达梦数据库导入导出
文章浏览阅读1.9k次。1. 在官网上下载KindEditor文件,可以删掉不需要要到的jsp,asp,asp.net和php文件夹。接着把文件夹放到项目文件目录下。2. 修改html文件,在页面引入js文件:<script type="text/javascript" src="./kindeditor/kindeditor-all.js"></script><script type="text/javascript" src="./kindeditor/lang/zh-CN.js"_kindeditor.js
文章浏览阅读2.3k次,点赞6次,收藏14次。SPI的详情简介不必赘述。假设我们通过SPI发送0xAA,我们的数据线就会变为10101010,通过修改不同的内容,即可修改SPI中0和1的持续时间。比如0xF0即为前半周期为高电平,后半周期为低电平的状态。在SPI的通信模式中,CPHA配置会影响该实验,下图展示了不同采样位置的SPI时序图[1]。CPOL = 0,CPHA = 1:CLK空闲状态 = 低电平,数据在下降沿采样,并在上升沿移出CPOL = 0,CPHA = 0:CLK空闲状态 = 低电平,数据在上升沿采样,并在下降沿移出。_stm32g431cbu6
文章浏览阅读1.2k次,点赞2次,收藏8次。数据链路层习题自测问题1.数据链路(即逻辑链路)与链路(即物理链路)有何区别?“电路接通了”与”数据链路接通了”的区别何在?2.数据链路层中的链路控制包括哪些功能?试讨论数据链路层做成可靠的链路层有哪些优点和缺点。3.网络适配器的作用是什么?网络适配器工作在哪一层?4.数据链路层的三个基本问题(帧定界、透明传输和差错检测)为什么都必须加以解决?5.如果在数据链路层不进行帧定界,会发生什么问题?6.PPP协议的主要特点是什么?为什么PPP不使用帧的编号?PPP适用于什么情况?为什么PPP协议不_接收方收到链路层数据后,使用crc检验后,余数为0,说明链路层的传输时可靠传输
文章浏览阅读587次。软件测试工程师移民加拿大 无证移民,未受过软件工程师的教育(第1部分) (Undocumented Immigrant With No Education to Software Engineer(Part 1))Before I start, I want you to please bear with me on the way I write, I have very little gen...
文章浏览阅读304次。Thinkpad X250笔记本电脑,装的是FreeBSD,进入BIOS修改虚拟化配置(其后可能是误设置了安全开机),保存退出后系统无法启动,显示:secure boot failed ,把自己惊出一身冷汗,因为这台笔记本刚好还没开始做备份.....根据错误提示,到bios里面去找相关配置,在Security里面找到了Secure Boot选项,发现果然被设置为Enabled,将其修改为Disabled ,再开机,终于正常启动了。_安装完系统提示secureboot failure
文章浏览阅读10w+次,点赞93次,收藏352次。1、用strtok函数进行字符串分割原型: char *strtok(char *str, const char *delim);功能:分解字符串为一组字符串。参数说明:str为要分解的字符串,delim为分隔符字符串。返回值:从str开头开始的一个个被分割的串。当没有被分割的串时则返回NULL。其它:strtok函数线程不安全,可以使用strtok_r替代。示例://借助strtok实现split#include <string.h>#include <stdio.h&_c++ 字符串分割
文章浏览阅读2.3k次。1 .高斯日记 大数学家高斯有个好习惯:无论如何都要记日记。他的日记有个与众不同的地方,他从不注明年月日,而是用一个整数代替,比如:4210后来人们知道,那个整数就是日期,它表示那一天是高斯出生后的第几天。这或许也是个好习惯,它时时刻刻提醒着主人:日子又过去一天,还有多少时光可以用于浪费呢?高斯出生于:1777年4月30日。在高斯发现的一个重要定理的日记_2013年第四届c a组蓝桥杯省赛真题解答
文章浏览阅读851次,点赞17次,收藏22次。摘要:本文利用供需算法对核极限学习机(KELM)进行优化,并用于分类。
文章浏览阅读1.1k次。一、系统弱密码登录1、在kali上执行命令行telnet 192.168.26.1292、Login和password都输入msfadmin3、登录成功,进入系统4、测试如下:二、MySQL弱密码登录:1、在kali上执行mysql –h 192.168.26.129 –u root2、登录成功,进入MySQL系统3、测试效果:三、PostgreSQL弱密码登录1、在Kali上执行psql -h 192.168.26.129 –U post..._metasploitable2怎么进入
文章浏览阅读257次。本文将为初学者提供Python学习的详细指南,从Python的历史、基础语法和数据类型到面向对象编程、模块和库的使用。通过本文,您将能够掌握Python编程的核心概念,为今后的编程学习和实践打下坚实基础。_python人工智能开发从入门到精通pdf