YOLOv8实例分割离线数据增强,标签可视化!

YOLOv8实例分割离线数据增强的方式:首先使用labelme对图像进行标注,将图像和标注文件存放到images_json文件夹中,然后使用离线数据增强代码对进行增强。

代码较长,完整代码下载地址:完整代码

使用步骤:

1.在代码中设置增强次数和文件路径,选择想要数据增强的方式
复制代码
if __name__ == '__main__':

    need_aug_num = 5  # 每张图片需要增强的次数

    toolhelper = ToolHelper()  # 工具

    is_endwidth_dot = True  # 文件是否以.jpg或者png结尾

    dataAug = DataAugmentForObjectDetection()  # 数据增强工具类

    # 获取相关参数
    parser = argparse.ArgumentParser()
    parser.add_argument('--source_img_json_path', type=str, default='H:/CSDN/DataAugForObjectSegmentation/images_json')
    parser.add_argument('--save_img_json_path', type=str, default='H:/CSDN/DataAugForObjectSegmentation/images_json2')
    args = parser.parse_args()
    source_img_json_path = args.source_img_json_path  # 图片和json文件原始位置
    save_img_json_path = args.save_img_json_path  # 图片增强结果保存文件


        # 是否使用某种增强方式
        self.is_addNoise = True
        self.is_changeLight = is_changeLight
        self.is_random_point = is_random_point
        self.is_filp_pic_bboxes = is_filp_pic_bboxes
        self.is_shift_pic_bboxes = True
2.标签可视化代码如下:
复制代码
import os
import json
import cv2
import numpy as np

# 设置源文件夹和目标文件夹路径

source_folder = 'H:/Data-enhancement-main/Data-enhancement/DataAugForObjectSegmentation/images_json2'
target_folder = 'H:/Data-enhancement-main/Data-enhancement/DataAugForObjectSegmentation/images_json2keshihua'

# 确保目标文件夹存在
if not os.path.exists(target_folder):
    os.makedirs(target_folder)

# 遍历源文件夹中的所有文件
for file_name in os.listdir(source_folder):
    if file_name.endswith('.json'):
        json_path = os.path.join(source_folder, file_name)
        with open(json_path) as json_file:
            data = json.load(json_file)

        # 获取图片路径
        image_path = os.path.join(source_folder, data['imagePath'])

        # 读取图片
        image = cv2.imread(image_path)

        # 遍历所有的标注
        for shape in data['shapes']:
            points = np.array(shape['points'], dtype=np.int32)
            cv2.polylines(image, [points], True, (0, 255, 0), 2)  # 标注为绿色线条

        # 保存标注后的图片
        cv2.imwrite(os.path.join(target_folder, file_name.replace('.json', '.png')), image)

print("标注可视化完成,并保存到指定文件夹。")
相关推荐
HUIMU_1 天前
DAY20-新世纪DL(DeepLearning/深度学习)战士:终(目标检测/YOLO)3
深度学习·yolo·目标检测·滑动窗口·非极大值抑制·交并比·bouding box
max5006001 天前
YOLOv8主干网络替换为UniConvNet的详细指南
运维·开发语言·人工智能·python·算法·yolo
Python图像识别2 天前
57_基于深度学习的农作物虫害检测识别系统(yolo11、yolov8、yolov5+UI界面+Python项目源码+模型+标注好的数据集)
python·深度学习·yolo
a1111111111ss2 天前
基于 YOLOv11n 的无人机航拍小目标检测算法学习
yolo·目标检测·无人机
Coovally AI模型快速验证2 天前
轻量级注意力模型HOTSPOT-YOLO:无人机光伏热异常检测新SOTA,mAP高达90.8%
人工智能·学习·yolo·计算机视觉·目标跟踪·无人机
Coovally AI模型快速验证2 天前
突破闭集限制:3D-MOOD 实现开集单目 3D 检测新 SOTA
人工智能·yolo·计算机视觉·3d·目标跟踪·无人机
Virgil1393 天前
【YOLO学习笔记】数据增强mosaic、Mixup、透视放射变换
笔记·学习·yolo
2202_756749693 天前
YOLO 目标检测:YOLOv5网络结构、Focus、CSP、自适应Anchor、激活函数SiLU、SPPF、C3
人工智能·yolo·目标检测·php
计算机毕业设计指导3 天前
基于YOLOv4的无人机视觉手势识别系统:从原理到实践
yolo·无人机
强盛小灵通专卖员3 天前
DL00212-基于YOLOv11的脑卒中目标检测含完整数据集
yolo·目标检测·sci·ei会议·留学生作业·小论文·大论文