yolov8标注细胞、识别边缘、计算面积、灰度值计算

news2025/2/22 6:28:06

一、数据标注

1. 使用labelme软件标注每个细胞的边界信息，标注结果为JSON格式

在这里插入图片描述
在这里插入图片描述

2. JSON格式转yolo支持的txt格式
import json
import os
import glob
import os.path as osp

'''
	此函数用来将labelme软件标注好的数据集转换为yolov5_7.0sege中使用的数据集
	:param jsonfilePath: labelme标注好的*.json文件所在文件夹
    :param resultDirPath: 转换好后的*.txt保存文件夹
    :param classList: 数据集中的类别标签
'''  
def labelme2yolov2Seg(jsonfilePath, resultDirPath, classList):
    # 0.创建保存转换结果的文件夹
    if (not os.path.exists(resultDirPath)):
        os.mkdir(resultDirPath)
 
    # 1.获取目录下所有的labelme标注好的Json文件，存入列表中
    jsonfileList = glob.glob(osp.join(jsonfilePath, "*.json") )
    print(jsonfileList)  # 打印文件夹下的文件名称
 
    # 2.遍历json文件，进行转换
    for jsonfile in jsonfileList:
        # 3. 打开json文件
        with open(jsonfile, "r",encoding='UTF-8') as f:
            file_in = json.load(f)
 
            # 4. 读取文件中记录的所有标注目标
            shapes = file_in["shapes"]
 
            # 5. 使用图像名称创建一个txt文件，用来保存数据
            with open(resultDirPath + "\\" + jsonfile.split("\\")[-1].replace(".json", ".txt"), "w") as file_handle:
                # 6. 遍历shapes中的每个目标的轮廓
                for shape in shapes:
                    # 7.根据json中目标的类别标签，从classList中寻找类别的ID，然后写入txt文件中
                    file_handle.writelines(str(classList.index(shape["label"])) + " ")
 
                    # 8. 遍历shape轮廓中的每个点，每个点要进行图像尺寸的缩放，即x/width, y/height
                    for point in shape["points"]:
                        x = point[0] / file_in["imageWidth"]  # mask轮廓中一点的X坐标
                        y = point[1] / file_in["imageHeight"]  # mask轮廓中一点的Y坐标
                        file_handle.writelines(str(x) + " " + str(y) + " ")  # 写入mask轮廓点
 
                    # 9.每个物体一行数据，一个物体遍历完成后需要换行
                    file_handle.writelines("\n")
            # 10.所有物体都遍历完，需要关闭文件
            file_handle.close()
        # 10.所有物体都遍历完，需要关闭文件
        f.close()
 
 
if __name__ == "__main__":
    jsonfilePath = r"D:/workspace/yolov8/datasets/json"  # 要转换的json文件所在目录
    resultDirPath = r"D:/workspace/yolov8/datasets/txt"  # 要生成的txt文件夹
    labelme2yolov2Seg(jsonfilePath=jsonfilePath, resultDirPath=resultDirPath, classList=['danhe','linba','yilin'])  # 更改为自己的类别名

转换结果：
在这里插入图片描述

二、训练数据

1. 配置文件

路径：ultralytics\cfg\datasets\cell_seg.yaml

path: ../datasets/cell_seg # dataset root dir
train: images/train # train images (relative to 'path')
val: images/val # val images (relative to 'path')
test: test/images # test images (optional)

nc: 2

# Classes
names:
  0: danhe
  1: linba
2. 训练脚本
# 细胞实例分割训练
from  ultralytics import YOLO

model = YOLO('yolov8n-seg.pt')
# 训练自己的数据集，  文件路径： ultralytics/cfg/datasets/cell_seg.yaml
model.train(data='cell_seg.yaml', epochs=100, imgsz=320)
# 使用验证集 验证效果
model.val()
3. 训练结果

在这里插入图片描述
在这里插入图片描述

三、使用上述训练的模型，批量检测细胞、计算细胞面积、灰度值计算

1. 预测细胞类别及轮廓

# 细胞实例分割训练
from  ultralytics import YOLO
# best_seg.pt 训练结果中weight/best.pt
model = YOLO('best_seg.pt')
# 测试数据 批量检测
predict_results = model.predict(source="../datasets/cell/test/images", save=True)

在这里插入图片描述

2. 识别轮廓、计算面积

from ultralytics import YOLO
import cv2
import os
import numpy as np
 
# Load a pretrained YOLOv8n model
model =  YOLO('best_seg.pt')
 
# Define path to the directory containing image files
source = '../datasets/cell/test/images'
 
# 指定输出路径
output_dir = './output_images'
if not os.path.exists(output_dir):
    os.makedirs(output_dir)
 
# 获取待预测文件名称，用于保存同名文件
def get_last_part_of_string(path):
    return os.path.basename(path)
 
#  hex to BGR
def hex_to_bgr(hex):
    return tuple(int(hex[i:i+2], 16) for i in (4, 2, 0))
 
# 颜色，同plotting.py的设置
hexs = (
    "FF3838", "FF9D97", "FF701F", "FFB21D", "CFD231",
    "48F90A", "92CC17", "3DDB86", "1A9334", "00D4BB",
    "2C99A8", "00C2FF", "344593", "6473FF", "0018EC",
    "8438FF", "520085", "CB38FF", "FF95C8", "FF37C7"
)
colors = [hex_to_bgr(h) for h in hexs]
 
# 开始预测
results = model(source=source, save=False)  # list of Results objects
 
for result in results:
    image_path = result.path
    image = cv2.imread(image_path)
    boxes = result.boxes  # Boxes 对象，用于边界框输出
    masks = result.masks  # Masks 对象，用于分割掩码输出
    names = result.names  # 获取类别名称字典
    
    for box, mask in zip(boxes, masks):
        for cls, contour in zip(box.cls, mask.xy):
            class_id = int(cls.item())  # 获取张量的值并转换为整数
            color = colors[class_id % len(colors)]  # 获取颜色
            contour = np.array(contour, dtype=np.int32)  # 确保轮廓是整数类型
            area = cv2.contourArea(contour)  # 计算轮廓面积
            class_name = names[class_id]  # 获取类别名称
 
            # 计算轮廓的中心
            M = cv2.moments(contour)
            if M['m00'] != 0:
                cx = int(M['m10'] / M['m00'])
                cy = int(M['m01'] / M['m00'])
            else:
                cx, cy = 0, 0

            '''
            cv2.drawContours 参数：
                image: 输入图像，一般是二值图像或彩色图像；
                contours: 要绘制的轮廓，是一个 Python 列表，每个列表元素都是一个 Numpy 数组，代表一个轮廓；
                contourIdx: 要绘制的轮廓的索引，默认为 -1, 代表绘制所有轮廓；
                color: 轮廓的颜色，是一个三元组，分别表示 RGB 颜色；
                thickness: 线条的粗细，默认为 1;
                lineType: 线条类型，默认为 cv2.LINE_8;
                hierarchy: 轮廓的层次关系，是一个 Numpy 数组；
                maxLevel: 最多绘制的轮廓层
            '''
            # 绘制掩码轮廓
            cv2.drawContours(image, [contour], -1, color, 2)
            
            # 在图像上绘制面积和类名
            text = f'{class_name} {area:.2f}'
            '''
            cv2.putText 参数：
                img: 需要绘制文本的图像。‌
                text: 要绘制的文本内容。‌
                org: 文本框的左下角坐标，‌即起始点(x,y)。‌
                fontFace: 字体类型, 如cv2.FONT_HERSHEY_SIMPLEX、cv2.FONT_HERSHEY_PLAIN等。
                fontScale: 字体大小, float类型, 一般设置为1.0。‌
                color: 文本颜色, BGR格式。
                thickness: 文本粗细, 如果设置为None, ‌则表示绘制实心文字。‌
                lineType: 线型, 可选类型包括cv2.LINE_4、cv2.LINE_8、cv2.LINE_AA等。
                bottomLeftOrigin: 如果为True, ‌则图像数据原点在左下角（‌默认情况下在左上角）‌。‌
            '''
            cv2.putText(image, text, (cx, cy), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 1)
 
    # 保存图像
    output_path = os.path.join(output_dir, get_last_part_of_string(image_path))


    '''
    cv2.imwrite() 参数：
        filename: 要保存的文件路径和名称，包括路径（‌如果文件不在当前工作目录下）‌和文件扩展名（‌如 .jpg, .png 等）‌。
        img: 要保存的图像数据，通常是通过 OpenCV 读取或处理得到的。
    '''
    cv2.imwrite(output_path, image)
    print(f'Saved: {output_path}')

在这里插入图片描述

3. 灰度值提取

from ultralytics import YOLO
import cv2
import os
import numpy as np
 
# Load a pretrained YOLOv8n model
model =  YOLO('best_seg.pt')
 
# Define path to the directory containing image files
source = '../datasets/cell/test/images'
 
# 指定输出路径
output_dir = './output_images'
if not os.path.exists(output_dir):
    os.makedirs(output_dir)
 
# 获取待预测文件名称，用于保存同名文件
def get_last_part_of_string(path):
    return os.path.basename(path)
 
#  hex to BGR
def hex_to_bgr(hex):
    return tuple(int(hex[i:i+2], 16) for i in (4, 2, 0))
 
# 颜色，同plotting.py的设置
hexs = (
    "FF3838", "FF9D97", "FF701F", "FFB21D", "CFD231",
    "48F90A", "92CC17", "3DDB86", "1A9334", "00D4BB",
    "2C99A8", "00C2FF", "344593", "6473FF", "0018EC",
    "8438FF", "520085", "CB38FF", "FF95C8", "FF37C7"
)
colors = [hex_to_bgr(h) for h in hexs]
 
# 开始预测
results = model(source=source, save=False)  # list of Results objects

n_points = 5
spacing = 30

for result in results:
    image_path = result.path
    image = cv2.imread(image_path)
    boxes = result.boxes  # Boxes 对象，用于边界框输出
    masks = result.masks  # Masks 对象，用于分割掩码输出
    names = result.names  # 获取类别名称字典

    # 将图片转换成灰度图
    gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    
    for box, mask in zip(boxes, masks):
        for cls, contour in zip(box.cls, mask.xy):
            class_id = int(cls.item())  # 获取张量的值并转换为整数
            color = colors[class_id % len(colors)]  # 获取颜色
            contour = np.array(contour, dtype=np.int32)  # 确保轮廓是整数类型
            area = cv2.contourArea(contour)  # 计算轮廓面积
            class_name = names[class_id]  # 获取类别名称

           
            # 计算轮廓的中心
            M = cv2.moments(contour)
            if M['m00'] != 0:
                cx = int(M['m10'] / M['m00'])
                cy = int(M['m01'] / M['m00'])
            else:
                cx, cy = 0, 0
     
            
            '''
            cv2.drawContours 参数：
                image: 输入图像，一般是二值图像或彩色图像；
                contours: 要绘制的轮廓，是一个 Python 列表，每个列表元素都是一个 Numpy 数组，代表一个轮廓；
                contourIdx: 要绘制的轮廓的索引，默认为 -1, 代表绘制所有轮廓；
                color: 轮廓的颜色，是一个三元组，分别表示 RGB 颜色；
                thickness: 线条的粗细，默认为 1;
                lineType: 线条类型，默认为 cv2.LINE_8;
                hierarchy: 轮廓的层次关系，是一个 Numpy 数组；
                maxLevel: 最多绘制的轮廓层
            '''
            # 绘制掩码轮廓
            cv2.drawContours(gray_image, [contour], -1, color, 2)
            
            # 在图像上绘制面积和类名
            text = f'{class_name} {area:.2f}'
            cv2.putText(gray_image, text, (cx, cy-20), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 1)

            # 以轮廓为中心，在图像上绘制点
            for i in range(n_points):
                # 从中心店左移2个点的距离
                x = cx + i * spacing - spacing *2
                y = cy 

                gray_value = gray_image[y, x]
                # 画点
                cv2.circle(gray_image, (x, y), 2, (255, 0, 0), 1)
                # 点描述
                cv2.putText(gray_image, str(i+1), (x-5, y-5), cv2.FONT_HERSHEY_SIMPLEX, 0.4, (255, 0, 0), 1)
                # cv2.circle(gray_image, (x-(i * spacing), y), 2, (0, 255, 0), 1) 
                
                gray_text = f"Point {i+1}({x},{y}): gray value = {gray_value} "

                print(gray_text)

                # 将点的灰度值绘制在图片的左上角
                cv2.putText(gray_image, gray_text, (10, 15+i*15), cv2.FONT_HERSHEY_SIMPLEX, 0.4, (0, 0, 0), 1)
                
 
    # 保存图像
    output_path = os.path.join(output_dir, get_last_part_of_string(image_path))


    '''
    cv2.imwrite() 参数：
        filename: 要保存的文件路径和名称，包括路径（‌如果文件不在当前工作目录下）‌和文件扩展名（‌如 .jpg, .png 等）‌。
        img: 要保存的图像数据，通常是通过 OpenCV 读取或处理得到的。
    '''
    cv2.imwrite(output_path, gray_image)
    print(f'Saved: {output_path}')

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1954598.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

数据库技术深度解析与未来趋势展望

数据库技术深度解析与未来趋势展望

数据库技术深度解析与未来趋势展望 引言 在当今信息化高速发展的时代，数据库作为数据存储和管理的核心基础设施，扮演着至关重要的角色。无论是传统行业还是新兴的互联网领域，数据库的稳定性和性能直接影响到业务系统的运行效率和用户体验。本…
阅读更多...
计算机基础-IO

计算机基础-IO

一、裸机中的IO 我们先看下计算机的组成部分： 从图中我们很清楚的看到Input/Output 即为 IO，也就是计算机主机和外部设备进行信息的交换。 这种交换可能是磁盘IO也有可能是网络IO。 二、操作系统中的IO 操作系统分为内核态和用户态，且默认…
阅读更多...
GPT-4o mini 震撼登场：开发者的新机遇与挑战

GPT-4o mini 震撼登场：开发者的新机遇与挑战

GPT-4o mini 震撼登场：开发者的新机遇与挑战 一、引言二、GPT-4o mini 模型的卓越性能三、极具竞争力的价格优势四、开发者的探索与实践五、提升开发效率和创新能力的策略六、面临的挑战与应对措施七、未来展望八、总结 在科技的浪潮中，OpenAI 最新推出的…
阅读更多...
基于springboot+vue+uniapp的网上花店小程序

基于springboot+vue+uniapp的网上花店小程序

开发语言：Java框架：springbootuniappJDK版本：JDK1.8服务器：tomcat7数据库：mysql 5.7（一定要5.7版本）数据库工具：Navicat11开发软件：eclipse/myeclipse/ideaMaven包&#…
阅读更多...
概率论--置信区间和置信度

概率论--置信区间和置信度

目录 置信区间 置信度 关系与权衡 置信区间的计算公式有哪些不同的变体，以及它们各自的适用情况是什么？ 基于正态分布的置信区间： 基于t分布的置信区间： 单边置信区间： 如何根据不同的研究目的和数据类型选择合…
阅读更多...
【React】详解自定义 Hook

【React】详解自定义 Hook

文章目录 一、自定义 Hook 的基本用法1. 什么是自定义 Hook？2. 创建自定义 Hook3. 使用自定义 Hook 二、自定义 Hook 的进阶应用1. 处理副作用2. 组合多个 Hook3. 参数化 Hook4. 条件逻辑 三、自定义 Hook 的实际应用案例1. 实现用户身份验证2. 实现媒体查询 四、最…
阅读更多...
【NPU 系列专栏 2.5 -- GPU 与 NPU 的区别】

【NPU 系列专栏 2.5 -- GPU 与 NPU 的区别】

请阅读【嵌入式及芯片开发学必备专栏】 文章目录 GPU 简介GPU 缺点NPU 特点NPU 应用场景NPU 与 GPU 的关系和区别NPU 与 GPU 区别GPU 简介 GPU 最初设计用于图形渲染和图像处理。近年来，由于其强大的并行计算能力，GPU 被广泛应用于通用计算领域，特别是深度学习和科学计算。…
阅读更多...
堆的实现-适用于算法竞赛

堆的实现-适用于算法竞赛

首先讲一下能够实现的操作。 插入一个数查找最小值删除最小值删除任意一个元素修改任意一个元素 什么是堆？ 堆其实是一棵完全二叉树。 即处理叶子节点和倒数第一层节点，其他节点都有两个子节点，而且顺序是从上到下，从左到右。 …
阅读更多...
C# 简单的单元测试

C# 简单的单元测试

文章目录 前言参考文档新建控制台项目新建测试项目添加引用添加测试方法测试结果(有错误)测试结果，通过正规的方法抛出异常 总结 前言 听说复杂的项目最好都要单元测试一下。我这里也试试单元测试这个功能。到时候调试起来也方便。 参考文档 C# 单元测试&#xf…
阅读更多...
JavaFX布局-TilePane

JavaFX布局-TilePane

JavaFX布局-TilePane 常用属性alignmenttileAlignmentorientationhgapvgappadding 实现方式Javafxml 自动排列其子节点成网格状根据容器的大小以及子节点的数量和大小自动计算最佳的排列方式推荐子节点固定大小，参差不齐的子节点，效果很诡异 常用属性 …
阅读更多...
【VS2019安装+QT配置】

【VS2019安装+QT配置】

【VS2019安装QT配置】 1. 前言2. 下载visual studio20193. visual studio2019安装4. 环境配置4.1 系统环境变量配置4.2 qt插件开发 5. Visual Studio导入QT项目6. 总结 1. 前言 前期安装了qt，发现creator编辑器并不好用，一点都不时髦。在李大师的指导下&…
阅读更多...
基于Springboot的高校毕业生资格审查系统/计算机项目/Java、Web/课设

基于Springboot的高校毕业生资格审查系统/计算机项目/Java、Web/课设

摘 要 计算机网络与信息化管理相配合，可以有效地提高管理人员的工作效能和改进工作的质量。良好的高校毕业生资格审查系统可以使管理员工作得到更好的管理和应用，并有助于管理员更好地管理高校毕业生资格审查，并有助于解决人力管理中出现的差…
阅读更多...
C++第二十八弹---进一步理解模板：特化和分离编译

C++第二十八弹---进一步理解模板：特化和分离编译

✨个人主页： 熬夜学编程的小林 💗系列专栏： 【C语言详解】 【数据结构详解】【C详解】 目录 1. 非类型模板参数 2. 模板的特化 2.1 概念 2.2 函数模板特化 2.3 类模板特化 2.3.1 全特化 2.3.2 偏特化 2.3.3 类模板特化应用示例 3. …
阅读更多...
Redis常用指令（不定期更新）

Redis常用指令（不定期更新）

Redis常用指令（不定期更新） 查询指定前缀key的数量查看键空间事件开启键空间通知 查询指定前缀key的数量 查询【TEST前缀】的key数量 EVAL "return #redis.call(keys,TEST:*)" 0返回信息 查看键空间事件 config get notify-keyspace-even…
阅读更多...
Linux——DNS服务搭建

Linux——DNS服务搭建

（一）搭建nginx 1.首先布置基本环境 要求能够ping通外网，有yum源 2.安装nginx yum -y install nginx 然后查看验证 3.修改网页配置文件 修改文件，任意编写内容，然后去物理机测试 （二）创建一…
阅读更多...
51.TFT_LCD液晶屏驱动设计与验证（4）

51.TFT_LCD液晶屏驱动设计与验证（4）

（1）顶层文件： module tft_colorbar(input clk ,input reset_n ,output hsync ,output vsync ,output [23:0] rgb_tft ,output tft_bl ,output …
阅读更多...
Python多进程环境同时操作时如何互斥操作

Python多进程环境同时操作时如何互斥操作

title: Python多进程环境同时操作时如何互斥操作 tags: [互斥, python] categories: [Python, 多进程] 在 Python 中，fcntl 模块提供了对文件控制操作的接口，包括文件锁定。fcntl.flock() 函数用于对文件进行锁定，以确保在多进程环境中对文件…
阅读更多...
接口自动化测试框架实战-1-项目环境搭建

接口自动化测试框架实战-1-项目环境搭建

上一小节中我们讲解了一下本次接口自动化测试框架的大致架构设计和功能概览，本小节我们讲解一下整个项目开发环境的搭建方法。 1、python基础环境 安装python3版本：建议3.9.6版本及以上即可 新建项目的虚拟环境：virtualenv或者pycharm自带的…
阅读更多...
MyBatis的入门操作--打印日志和增删改查（单表静态）

MyBatis的入门操作--打印日志和增删改查（单表静态）

下面介绍注解和xml实现crud的操作 目录 一、日志打印和参数传递 1.1.使用mybatis打印日志 1.2.参数传递细节 二、crud（注解实现） 2.1.增(insert) 2.2.删(delete) 和 (update) 2.3.查(select) 三、crud（xml实现） 3.1.准备…
阅读更多...
环境搭建-Windows系统搭建Docker

环境搭建-Windows系统搭建Docker

Windows系统搭建Docker 一、系统虚拟化1.1 启用虚拟化2.2 启用Hyper-v并开启虚拟任务 三、安装WSL3.1 检验安装3.2 安装WSL 四、Docker安装4.1 Docker安装包下载4.2 Docker安装4.3 运行docker Desktop 五、Docker配置5.1 打开Docker配置中心5.2 配置Docker国内镜像 六、使用 一…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023