没有什么

常见的数据集标签格式多为四种，分别是voc格式、yolo格式、json格式、coco格式。如何将voc转yolo格式的脚本文件。

voc格式标签的开源数据集VOC2007、VOC2012、VOC2017

<annotation>
	<folder>a</folder> 
	<filename>syx15_DJI_0058.jpg</filename>
//图片名称
	<path>O:\ultralytics-main\_learn\样本\a\syx15_DJI_0058.jpg</path>
//图片位置
	<source>
		<database>Unknown</database>
	</source>
//图片宽、高
	<size>
		<width>510</width>
		<height>510</height>
		<depth>3</depth>
	</size>
	<segmented>0</segmented>
//目标类别
	<object>
		<name>a1</name>
		<pose>Unspecified</pose>
		<truncated>0</truncated>
		<difficult>0</difficult>
//目标box坐标，左上与右下顶点
		<bndbox>
			<xmin>226</xmin>
			<ymin>95</ymin>
			<xmax>278</xmax>
			<ymax>131</ymax>
		</bndbox>
	</object>
</annotation>

yolo格式标签

4 0.516492 0.469388 0.912516 0.748282

4                                   //类别编号、从0开始
0.516492 0.469388  //box中心，归一化后的坐标
0.912516 0.748282  //box归一化后的长和宽
//归一化：box长宽分别除以图片的长宽得到的值（box在图上的比）

好了介绍完了区别，现在上干货voc2yolo脚本核心

def convert(size, box):
x_center = (box[0]+box[1])/2.0
y_center = (box[2]+box[3])/2.0
x = x_center / size[0]
y = y_center / size[1]
w = (box[1] – box[0]) / size[0]
h = (box[3] – box[2]) / size[1]
return (x,y,w,h)

def convert_annotation(xml_files_path, save_txt_files_path, classes):  
    line_data = []
    with open(xml_files_path,'r') as f:
        for line in f.readlines():
            line = line.strip()
            x = line.split(";",6)
            print(x)
            print(x[0])
            out_txt_path = os.path.join(save_txt_files_path, x[0].split('.')[0] + '.txt')
            if x[5] == 'warning':
                class_id = 0
            if x[5] == 'prohibitory':
                class_id = 1
            if x[5] == 'mandatory':
                class_id = 2
            b = (float(x[1]),float(x[3]),float(x[2]),float(x[4]))
            img = Image.open('F:/CCTSDB_one/GroundTruth/'+x[0])
            w, h = list(img.size)
            print(w,h,b)
            bb = convert((w,h), b)
            with open(out_txt_path, 'w') as f:
                f.write(str(class_id) + " " + " ".join([str(a) for a in bb]) + '\n')

训练
接下来就是训练模型了，笔者在这里选用的是从预训练的*.pt模型开始训练，执行命令如下：

yolo task=detect mode=train model=datasets/yolov8s.pt epochs=10 batch=1 data=datasets/Helmet.yaml
当然，你也可以选择其它两种方式：

从yaml构建一个全新的模型，训练命令如下：
yolo task=detect mode=train model=yolov8s.yaml epochs=10 batch=1 data=datasets/Helmet.yaml
从yaml中构建一个新模型，将预训练的权重转移到它并开始训练。
yolo task=detect mode=train model=yolov8s.yaml pretrained=yolov8s.pt epochs=10 batch=1 data=datasets/Helmet.yaml
其中，

task：选择任务类型，可选[‘detect’, ‘segment’, ‘classify’, ‘init’]。
mode: 选择是训练、验证还是预测的任务类型，可选[‘train’, ‘val’, ‘predict’]。
model: 选择yolov8不同的模型配置文件，可选yolov8s、yolov8m、yolov8l、yolov8x、yolov8n。
data: 选择生成的数据集配置文件。
epochs：指的就是训练过程中整个数据集将被迭代多少次（我这里是cpu训练所以调的比较小）。
batch：一次看完多少张图片才进行权重更新（同上）。
pretrained：预训练模型。

环境搭建

1、安装cuda11.8 ，cudnn，anaconda

2、anaconda中配置虚拟python3.8环境

3、安装pytorch “conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia”

4、验证

import torch

torch.cuda.is_available()

如果是 True，意味着你可以使用 GPU。

5、安装yolo “import ultralytics yolo labelimg ”

6、验证“yolo predict model=yolov8n.pt source=’ultralytics/assets/bus.jpg’”如果报错“在 .\ultralytics-main路径下执行 pip uninstall ultralytics  然后重新 pip install ultralytics 即可”

7、训练“yolo task=detect mode=train model=O:\ultralytics-main_learn\ybb\dataset\yolov8x.pt epochs=60 batch=1 data=O:\ultralytics-main_learn\ybb\dataset\poppy.yaml”