谢韦尔数据集
在kaggle上即可找到，在csdn、百度、知乎上搜索都能搜到，这里不附下载链接了
谢韦尔数据集的标注为CSV文件，格式如下：
谢韦尔数据集为分割数据集，像素编码格式
格式
谢韦尔数据集为像素编码格式，使用YOLO相关模型进行检测任务，需要进行格式转换。
YOLO的格式为：
类别id 坐标1x 坐标1y 坐标2x 坐标2y 坐标3x 坐标3y 坐标4x 坐标4y…
像素编码格式为：
29102 12 ，为一对，从第29102开始往后数12个像素。
要直接转成YOLO格式的顶点坐标有点困难，所以我采用了先转换为掩码形式，然后再寻找顶点。
处理代码
import os
import cv2
import numpy as np
import pandas as pd
from PIL import Image
from PIL import Image, ImageOps
def mask_pil2xy(mask_pil,ImageId,ClassId,save_txtfolder):
# 转换为 NumPy 数组
mask_np = np.array(mask_pil)
# 使用阈值化将图像转换为二值图像
_, binary_image = cv2.threshold(mask_np, 200, 255, cv2.THRESH_BINARY)
# 查找轮廓
contours, _ = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 存储有效区域的顶点坐标
valid_vertices = []
# 设置最小轮廓点数阈值（根据需要调整）
min_contour_points = 3
label_name=os.path.splitext(ImageId)[0]+ ".txt"
save_path = os.path.join(save_txtfolder, label_name)
#保存到文件
with open(save_path, 'a') as f:
# 遍历每个轮廓
for contour in contours:
# 忽略太小的轮廓
if len(contour) < min_contour_points:
continue
# 获取轮廓的顶点坐标
approx = cv2.approxPolyDP(contour, 0.01 * cv2.arcLength(contour, True), True)
# 确保轮廓有足够的顶点来形成有效区域
if len(approx) >= min_contour_points:
# 存储当前区域的顶点坐标
# vertices_str = ""
vertices_str = f"{ClassId} "
for point in approx:
x, y = point[0]
# 归一化顶点坐标并保留小数点后6位
normalized_x = round(x / 1600, 6)
normalized_y = round(y / 256, 6)
vertices_str += f"{normalized_x} {normalized_y} "
# 移除末尾的空格
vertices_str = vertices_str[:-1]
# 将当前区域的顶点坐标字符串添加到列表中
valid_vertices.append(vertices_str + "\n")
# 输出所有有效区域的顶点坐标
for vertices_str in valid_vertices:
print(vertices_str)
f.write(vertices_str)
def rle2mask(rle, imgshape):
width = imgshape[1]
height = imgshape[0]
mask = np.zeros(width * height, dtype=np.uint8)
array = np.asarray([int(x) for x in rle.split()])
starts = array[0::2]
lengths = array[1::2]
for index, start in enumerate(starts):
mask[int(start):int(start + lengths[index])] = 1
# 将掩码数组重塑为图像尺寸
mask = mask.reshape(height, width)
# 将 numpy 数组转换为 PIL 图像
mask_pil = Image.fromarray(mask * 255)
# 旋转图像以横向显示（逆时针旋转90度）
mask_pil = mask_pil.rotate(90, expand=True)
# 保存掩码图像前进行垂直翻转
mask_pil = ImageOps.flip(mask_pil)
return mask_pil
#路径
# 设置保存标签文件的路径
save_txtfolder = ""
os.makedirs(save_txtfolder, exist_ok=True) # 确保保存目录存在
save_folder = ""
os.makedirs(save_folder, exist_ok=True) # 确保保存目录存在
# 读取CSV文件
csv_path = ""
df = pd.read_csv(csv_path)
# 过滤出带有有效掩码的数据
df_train = df[df['EncodedPixels'].notnull()].reset_index(drop=True)
# 处理每个带有有效掩码的样本
for index in range(len(df_train)):
ImageId = df_train['ImageId'].iloc[index] # 获取图像标识
ClassId = df_train['ClassId'].iloc[index] # 获取类别 ID
maskName = ImageId.split(".")[0] + ".png" # 生成保存的掩码文件名，去除后缀并添加文件扩展名
# 生成掩码图像
mask_pil = rle2mask(df_train['EncodedPixels'].iloc[index], (1600, 256))
mask_pil2xy(mask_pil,ImageId,ClassId,save_txtfolder)
save_path = os.path.join(save_folder, maskName)
mask_pil.save(save_path)
print(f"Saved mask image: {save_path}")
上述内容为作者原创，转载请附上链接
