yolov8自定义实例分割

1.yolo实例分割数据集格式与标注 标注工具labelImg使用方法-CSDN博客(没有多边形的绘制方式)下载: github.com windows直接下载exe.

下载好后与之前的操作都一样,由于labelmg生成的是json文件需要重新写一个脚本生成txt文件,之后和之前一样

之前文章

数据集构建与训练前准备-CSDN博客

模型推理测试与导出-CSDN博客

注意的是实例分割模型训练要用

yolo task=segment mode=train model=yolov8s-seg.pt epochs=5 batch=1
data=co2_dataset.yaml


转化脚本

import json

import os

def json2txt():

json_dir = "C:/yolov8study/cs"

train_label_dir = "C:/yolov8study/cs/1"

valid_label_dir = "C:/yolov8study/cs/2"

确保标签目录存在

if not os.path.exists(train_label_dir):

os.makedirs(train_label_dir)

if not os.path.exists(valid_label_dir):

os.makedirs(valid_label_dir)

files = os.listdir(json_dir)

for json_file in files:

if not json_file.endswith(".json"):

print(f"跳过非 JSON 文件: {json_file}")

continue

json_path = os.path.join(json_dir, json_file)

print(f"正在处理 JSON 文件: {json_file}")

with open(json_path, 'r') as f:

data = json.load(f)

直接从 JSON 数据中获取图像宽高信息

img_width = data.get("imageWidth")

img_height = data.get("imageHeight")

img_name = data.get("imagePath")

if img_name and img_width and img_height:

生成对应的 TXT 文件路径

if img_name.endswith("bmp"):

img_name = img_name.replace("bmp", "jpg")

if img_name.endswith("png"):

img_name = img_name.replace("png", "jpg")

判断 json_dir 路径中是否包含 "valid" 或 "train"

if "valid" in json_dir.lower():

current_label_dir = valid_label_dir

elif "train" in json_dir.lower():

current_label_dir = train_label_dir

else:

print(f"无法确定标签目录,默认使用训练集目录。JSON 文件: {json_file}")

current_label_dir = train_label_dir

data_label_text_f = os.path.join(current_label_dir, img_name.replace(".jpg", ".txt"))

shapes = data.get("shapes", [])

if not shapes:

print(f"JSON 文件 {json_file} 中的 shapes 列表为空,生成的 TXT 文件将为空。")

with open(data_label_text_f, 'w') as file_write_obj:

类别索引固定为 0(只有 cs 标签),仅输出一次

clazz_index = 0

file_write_obj.write(f"{clazz_index}")

遍历所有目标对象

for shape in shapes:

points = shape.get("points", [])

遍历 points 数组中的每个点

for point in points:

x = float(point[0])

y = float(point[1])

转换为 YOLO 格式(仅保留中心点坐标)

cx = x / img_width

cy = y / img_height

写入 TXT 文件,不换行

file_write_obj.write(f" {cx:.6f} {cy:.6f}")

最后添加换行符

file_write_obj.write("\n")

print(f"已处理图像: {img_name},生成标签文件: {data_label_text_f}")

else:

print(f"JSON 文件 {json_file} 缺少必要的图像信息,跳过处理。")

if name == "main":

json2txt()

相关推荐
聚客AI1 分钟前
PyTorch进阶:从自定义损失函数到生产部署全栈指南
人工智能·pytorch·深度学习
Apache RocketMQ4 分钟前
RocketMQ 客户端负载均衡机制详解及最佳实践
人工智能
可爱美少女13 分钟前
Kaggle-Predicting Optimal Fertilizers-(多分类+xgboost+同一特征值多样性)
人工智能·分类·数据挖掘
社会零时工38 分钟前
【OpenCV】相机标定之利用棋盘格信息标定
人工智能·数码相机·opencv
像素工坊可视化39 分钟前
监控升级:可视化如何让每一个细节 “说话”
运维·人工智能·安全
后端小肥肠1 小时前
新店3天爆100单!我用零代码Coze搭客服,竟成出单神器?(附喂饭级教程)
人工智能·aigc·coze
AI大模型知识1 小时前
Qwen3 Embeding模型Lora微调实战
人工智能·低代码·llm
Coovally AI模型快速验证1 小时前
SFTrack:面向警务无人机的自适应多目标跟踪算法——突破小尺度高速运动目标的追踪瓶颈
人工智能·神经网络·算法·yolo·计算机视觉·目标跟踪·无人机
Brduino脑机接口技术答疑2 小时前
脑机新手指南(七):OpenBCI_GUI:从环境搭建到数据可视化(上)
人工智能·算法·脑机接口·新手入门
jndingxin2 小时前
OPenCV CUDA模块光流处理------利用Nvidia GPU的硬件加速能力来计算光流类cv::cuda::NvidiaHWOpticalFlow
人工智能·opencv·计算机视觉