换-划分-YAML

请撰写一个py脚本。

将Annotations文件夹下的所有类别的xml格式的标注转换成为yolo格式。

转换后的标签请新建一个labels文件夹保存在该文件夹下。

生成的xml2yolo.py脚本内容如下

import

class_mapping):转换单个XML文件到YOLO格式tree

tree.getroot()#

int(size.find(width).text)height

.txt)#

确保Labels目录存在os.makedirs(os.path.dirname(txt_path),

exist_okTrue)with

float(xmlbox.find(xmin).text)ymin

float(xmlbox.find(ymin).text)xmax

float(xmlbox.find(xmax).text)ymax

转换坐标bb

convert_coordinates((width,height),

写入txt文件txt_file.write(f{class_id}

{bb[0]:.6f}

glob.glob(Annotations/*/*.xml)#

转换每个XML文件for

xml_files:try:convert_xml_to_yolo(xml_file,

{xml_file})except

请创建一个py脚本对数据进行划分。

对于image文件夹下的每一个类别按照8:2进行随机划分。

请直接生成包含所有图像绝对路径的train.txt和val.txt文件。

并输出每个类别训练集验证集的数量。

生成的split_dataset.py脚本内容如下

import

split_dataset(image_rootimages,

train_ratio0.8,

glob.glob(os.path.join(image_root,

*))

glob.glob(os.path.join(class_dir,

*.*))image_paths

打乱顺序random.shuffle(image_paths)#

计算分割点split_idx

转换为绝对路径并添加路径分隔符train_paths.extend([os.path.abspath(p)

for

train])val_paths.extend([os.path.abspath(p)

for

f:f.writelines(train_paths)with

open(val.txt,

新增统计信息输出print(\n各类别数据分布)print({:15}

{:10}

class_stats.items():print({:15}

{:10}

原有总样本数输出保持不变print(f\n数据集划分完成\n训练集样本数:

{len(val_paths)})if

使用示例根据实际情况修改路径split_dataset(image_rootimages)

1.3

E:\project\YOLOv12\dataset\PCB_DATASET

dataset

https://competitions.codalab.org/competitions/20794#

Classes

model.train(datapcb_detect.yaml,epochs300,

batch4,