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
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:
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
牙牙要健康13 小时前
【目标检测】【Ultralytics-YOLO系列】Windows11下YOLOV5人脸目标检测
人工智能·yolo·目标检测
Python图像识别-113 小时前
基于yolov8、yolov5的番茄成熟度检测识别系统(含UI界面、训练好的模型、Python代码、数据集)
python·yolo·ui
双木的木15 小时前
集智书童 | YOLOv8架构的改进:POLO 模型在多类目标检测中的突破 !
人工智能·python·深度学习·yolo·目标检测·机器学习·计算机视觉
985小水博一枚呀17 小时前
【深度学习目标检测|YOLO算法4-4】YOLO家族进化史:从YOLOv1到YOLOv11的架构创新、性能优化与行业应用全解析——工业领域
网络·人工智能·深度学习·算法·yolo·目标检测·架构
红色的山茶花2 天前
YOLOv6-4.0部分代码阅读笔记-engine.py
笔记·yolo
小哥谈3 天前
注意力机制篇 | YOLO11改进 | 即插即用的高效多尺度注意力模块EMA
人工智能·深度学习·神经网络·yolo·目标检测·机器学习·计算机视觉
静静AI学堂3 天前
Yolo11改进策略:上采样改进|CARAFE,轻量级上采样|即插即用|附改进方法+代码
人工智能·yolo·目标跟踪
小张贼嚣张4 天前
yolov8涨点系列之引入CBAM注意力机制
yolo·目标检测
辛勤的程序猿4 天前
YOLO即插即用---CPCA
yolo
王哈哈^_^5 天前
【数据集】【YOLO】【目标检测】树木倒塌识别数据集 9957 张,YOLO道路树木断裂识别算法实战训练教程!
人工智能·深度学习·算法·yolo·目标检测·计算机视觉·pyqt