-
值得一提的是，由标注软件labelImg标注所得yolo格式数据，也可由该脚本做转换。前提是满足以下数据目录结构。
-
YOLOV5训练格式目录结构（详情参见
dataset/YOLOV5）：YOLOV5 ├── classes.txt ├── images │ ├── images(13).jpg │ └── images(3).jpg ├── labels │ ├── images(13).txt │ └── images(3).txt ├── train.txt └── val.txt -
转换
python yolov5_2_coco.py --dir_path dataset/YOLOV5
-
转换后目录结构（详情参见
dataset/YOLOV5_COCO_format）：YOLOV5_COCO_format ├── annotations │ ├── instances_train2017.json │ └── instances_val2017.json ├── train2017 │ └── 000000000001.jpg └── val2017 └── 000000000001.jpg
-
YOLOV5 yaml 数据文件需要包含：
YOLOV5_yaml/ ├── images │ ├── train │ │ ├── images(13).jpg │ │ └── images(3).jpg │ └── val │ ├── images(13).jpg │ └── images(3).jpg ├── labels │ ├── train │ │ ├── images(13).txt │ │ └── images(3).txt │ └── val │ ├── images(13).txt │ └── images(3).txt └── sample.yaml -
转换
python yolov5_yaml_2_coco.py --yaml_path dataset/YOLOV5_yaml/sample.yaml
-
darknet训练数据目录结构（详情参见
dataset/darknet）：darknet ├── class.names ├── gen_config.data ├── gen_train.txt ├── gen_valid.txt └── images ├── train └── valid -
转换
python darknet2coco.py --data_path dataset/darknet/gen_config.data
python coco_visual.py --vis_num 1 \
--json_path dataset/YOLOV5_COCO_format/annotations/instances_train2017.json \
--img_dir dataset/YOLOV5_COCO_format/train2017