【代码】YOLOv8标注信息验证

此代码的功能是标注信息验证,将原图和YOLOv8标注文件(txt)放在同一个文件夹中,作为输入文件夹

程序将标注的信息还原到原图中,并将原图和标注后的图像一同保存,以便查看

两个draw_labels函数,分别是将目标区域轮廓标出来或者颜色填充

python 复制代码
import cv2
import numpy as np
import os

def read_txt_labels(txt_file):
    """
    从 txt 标注文件中读取标签
    :param txt_file: txt 标注文件路径
    :return: 标签列表
    """
    with open(txt_file, "r") as f:
      labels = []
      for line in f.readlines():
        label_data = line.strip().split(" ")
        class_id = int(label_data[0])
        # 解析边界框坐标
        coordinates = [float(x) for x in label_data[1:]]
        labels.append([class_id, coordinates])
    return labels


def draw_labels(image, labels):
  """
  在图像上绘制分割区域轮廓
  :param image: 图像
  :param labels: 标签列表
  """
  for label in labels:
    class_id, coordinates = label
    # 将坐标转换为整数并重新塑形为多边形
    points = [(int(x * image.shape[1]), int(y * image.shape[0])) for x, y in zip(coordinates[::2], coordinates[1::2])]
    # 使用多边形绘制轮廓
    cv2.polylines(image, [np.array(points)], True, (0, 0, 255), 2)  # 红色表示分割区域轮廓


# def draw_labels(image, labels):
#   """
#   在图像上绘制分割区域
#   :param image: 图像
#   :param labels: 标签列表
#   """
#   for label in labels:
#     class_id, coordinates = label
#     # 将坐标转换为整数并重新塑形为多边形
#     points = [(int(x * image.shape[1]), int(y * image.shape[0])) for x, y in zip(coordinates[::2], coordinates[1::2])]
#     # 使用多边形填充
#     cv2.fillPoly(image, [np.array(points)], (0, 255, 0))  # 绿色表示分割区域


def process_and_save_image(image_path, txt_path, output_folder):
    # 读取图像
    image = cv2.imread(image_path)
    labels = read_txt_labels(txt_path)
    # 复制原始图像以进行绘制
    image_with_labels = image.copy()
    # 绘制分割区域
    draw_labels(image_with_labels, labels)
    # 创建一个新的图像,左侧是原图,右侧是带标注的图
    combined_image = np.concatenate((image, image_with_labels), axis=1)
    # 定义输出图像路径
    base_filename = os.path.basename(image_path)
    output_image_path = os.path.join(output_folder, base_filename)
    # 保存图像
    cv2.imwrite(output_image_path, combined_image)

def main(input_folder, output_folder):
    # 确保输出文件夹存在
    if not os.path.exists(output_folder):
        os.makedirs(output_folder)
    # 获取输入文件夹中的所有图片文件
    image_files = [f for f in os.listdir(input_folder) if f.lower().endswith(('.png', '.jpg', '.jpeg'))]
    for image_file in image_files:
        # 构建图像和标注文件的路径
        image_path = os.path.join(input_folder, image_file)
        txt_file = os.path.splitext(image_path)[0] + '.txt'
        # 检查标注文件是否存在
        if os.path.exists(txt_file):
            process_and_save_image(image_path, txt_file, output_folder)
        else:
            print(f"标注文件 {txt_file} 不存在,跳过图像 {image_file}")

if __name__ == "__main__":
    input_folder_path = 'D:\Desktop\images'  # 替换为实际的输入文件夹路径
    output_folder_path = 'D:\Desktop\images_02'  # 替换为实际的输出文件夹路径
    main(input_folder_path, output_folder_path)

示例:


相关推荐
Loacnasfhia91 天前
使用YOLOv8-MultiSEAMHead实现电池自动检测系统 优化电池缺陷识别与分类 多类别电池检测模型训练与部署
yolo·目标跟踪·分类
航Hang*1 天前
Photoshop 图形与图像处理技术——第9章:实践训练2——变换花朵颜色与绘制正方体
图像处理·笔记·学习·ui·photoshop·期末·复习
航Hang*1 天前
Photoshop 图形与图像处理技术——第9章:实践训练5——文字和路径
图像处理·笔记·学习·ui·photoshop·期末
AI小怪兽1 天前
YOLO26:面向实时目标检测的关键架构增强与性能基准测试
人工智能·yolo·目标检测·计算机视觉·目标跟踪·架构
岑梓铭1 天前
YOLO深度学习(计算机视觉)—毕设笔记(yolo训练效率加快)
人工智能·笔记·深度学习·神经网络·yolo·计算机视觉
AI街潜水的八角1 天前
基于深度学习神经网络YOLOv4目标检测的汽车车牌识别系统
深度学习·神经网络·yolo
Ryan老房1 天前
从LabelImg到TjMakeBot-标注工具的进化史
人工智能·yolo·目标检测·计算机视觉·ai
Coding茶水间1 天前
基于深度学习的吸烟检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)
开发语言·人工智能·深度学习·yolo·目标检测·机器学习
junziruruo1 天前
损失函数(以FMTrack频率感知交互与多专家模型的损失为例)
图像处理·深度学习·学习·计算机视觉
duyinbi75171 天前
YOLO11-FDPN-DASI:基于改进YOLO的输送带火灾检测与状态识别系统
yolo