三维重构终版

yolov8/predict.py

@@ -0,0 +1,23 @@
+from ultralytics import YOLO
+import os
+
+# 确保 if __name__ == '__main__': 结构，这是一个好习惯
+if __name__ == '__main__':
+    # 1. 加载你训练好的最佳模型
+    # !! 修改为你自己的 best.pt 路径 !!
+    model_path = r'runs_up/detect/train/weights/best.pt'
+    model = YOLO(model_path)
+
+    # 2. 指定你要预测的图片或文件夹
+    # 可以是单张图片路径，也可以是整个文件夹的路径
+    # 强烈建议使用验证集里的图片，或者一些全新的测试图片
+    source_path = r'train_data_up/images/val' # 预测整个验证集文件夹
+
+    # 3. 执行预测
+    # save=True:  会将画好框的图片保存下来
+    # conf=0.5:   只显示置信度大于 0.5 的预测结果，可以调整这个值
+    results = model.predict(source=source_path, save=True, conf=0.5)
+
+    # 预测结果会默认保存在 runs_up/detect/predictX 文件夹下
+    print("\n预测完成！")
+    # 你可以从 results 对象中获取详细信息，但对于可视化验证，直接去看保存的图片更方便。

yolov8/split_dataset.py

@@ -0,0 +1,116 @@
+import os
+import random
+import shutil
+
+
+def split_dataset(image_dir, label_dir, output_dir, split_ratio=0.8):
+    """
+    自动将图片和标签划分为训练集和验证集。
+
+    Args:
+        image_dir (str): 原始图片文件夹路径。
+        label_dir (str): 转换后的 YOLO 标签 (.txt) 文件夹路径。
+        output_dir (str): 整理好的数据集输出根目录 (例如 'weld_dataset')。
+        split_ratio (float): 训练集所占的比例，例如 0.8 代表 80% 训练, 20% 验证。
+    """
+    print("开始划分数据集...")
+
+    # --- 1. 路径设置和文件夹创建 ---
+    train_img_path = os.path.join(output_dir, 'images', 'train')
+    val_img_path = os.path.join(output_dir, 'images', 'val')
+    train_label_path = os.path.join(output_dir, 'labels', 'train')
+    val_label_path = os.path.join(output_dir, 'labels', 'val')
+
+    # 创建所有必要的文件夹
+    os.makedirs(train_img_path, exist_ok=True)
+    os.makedirs(val_img_path, exist_ok=True)
+    os.makedirs(train_label_path, exist_ok=True)
+    os.makedirs(val_label_path, exist_ok=True)
+
+    # --- 2. 文件匹配 ---
+    # 获取所有标签文件的基础名（不含扩展名）
+    label_files = [os.path.splitext(f)[0] for f in os.listdir(label_dir) if f.endswith('.txt')]
+
+    # 查找对应的图片文件（支持多种格式）
+    image_files_map = {}
+    supported_formats = ['.jpg', '.jpeg', '.png', '.bmp']
+    for f in os.listdir(image_dir):
+        base_name, ext = os.path.splitext(f)
+        if ext.lower() in supported_formats:
+            image_files_map[base_name] = f
+
+    # 找出图片和标签都存在的文件对
+    valid_files = [base_name for base_name in label_files if base_name in image_files_map]
+
+    if not valid_files:
+        print(f"错误：在图片目录 '{image_dir}' 和标签目录 '{label_dir}' 之间未找到任何匹配的文件对。")
+        print("请确保图片和标签的文件名（除扩展名外）完全一致。")
+        return
+
+    print(f"共找到 {len(valid_files)} 个有效的图片-标签对。")
+
+    # --- 3. 随机划分 ---
+    random.shuffle(valid_files)
+    split_index = int(len(valid_files) * split_ratio)
+    train_files = valid_files[:split_index]
+    val_files = valid_files[split_index:]
+
+    # --- 4. 复制文件到目标位置 ---
+    def copy_files(file_list, dest_img_path, dest_label_path):
+        for base_name in file_list:
+            # 复制图片
+            img_name = image_files_map[base_name]
+            shutil.copy(os.path.join(image_dir, img_name), dest_img_path)
+            # 复制标签
+            label_name = base_name + '.txt'
+            shutil.copy(os.path.join(label_dir, label_name), dest_label_path)
+
+    print(f"正在复制 {len(train_files)} 个文件到训练集...")
+    copy_files(train_files, train_img_path, train_label_path)
+
+    print(f"正在复制 {len(val_files)} 个文件到验证集...")
+    copy_files(val_files, val_img_path, val_label_path)
+
+    print("\n数据集划分完成！")
+    print(f"训练集: {len(train_files)} 张图片 | 验证集: {len(val_files)} 张图片")
+    print(f"数据已整理至 '{output_dir}' 文件夹。")
+
+
+if __name__ == '__main__':
+    # --- 用户需要配置的参数 ---
+
+    # # 1. 原始图片文件夹路径
+    # # !! 重要 !!: 请将这里的路径修改为您实际存放图片的文件夹
+    # # 可能是 'faster-rcnn/JPEGImages' 或其他名称
+    # ORIGINAL_IMAGE_DIR = '../OpenCV/data_bottom/test3'
+    #
+    # # 2. 转换后的 YOLO 标签文件夹路径
+    # YOLO_LABEL_DIR = 'data_bottom'
+    #
+    # # 3. 最终输出的数据集文件夹
+    # OUTPUT_DATASET_DIR = 'train_data'
+    #
+    # # 4. 训练集比例 (0.8 表示 80% 训练, 20% 验证)
+    # SPLIT_RATIO = 0.9
+    #
+    # # --- 运行主函数 ---
+    # split_dataset(ORIGINAL_IMAGE_DIR, YOLO_LABEL_DIR, OUTPUT_DATASET_DIR, SPLIT_RATIO)
+    #
+    # --- 用户需要配置的参数 ---
+
+    # 1. 原始图片文件夹路径
+    # !! 重要 !!: 请将这里的路径修改为您实际存放图片的文件夹
+    # 可能是 'faster-rcnn/JPEGImages' 或其他名称
+    ORIGINAL_IMAGE_DIR = '../label/up'
+
+    # 2. 转换后的 YOLO 标签文件夹路径
+    YOLO_LABEL_DIR = 'data_up'
+
+    # 3. 最终输出的数据集文件夹
+    OUTPUT_DATASET_DIR = 'train_data_up'
+
+    # 4. 训练集比例 (0.8 表示 80% 训练, 20% 验证)
+    SPLIT_RATIO = 0.9
+
+    # --- 运行主函数 ---
+    split_dataset(ORIGINAL_IMAGE_DIR, YOLO_LABEL_DIR, OUTPUT_DATASET_DIR, SPLIT_RATIO)

yolov8/train_data/weld.yaml

@@ -0,0 +1,9 @@
+# 数据集路径设置
+# '.' 表示相对于yolo命令运行的目录，这里假设你会从 innovate_project 根目录运行
+path: ../train_data  # 数据集根目录
+train: images/train  # 训练图片文件夹 (相对于 path)
+val: images/val      # 验证图片文件夹 (相对于 path)
+
+# 类别信息
+nc: 1  # number of classes: 类别数量
+names: ['Space weld workpiece']  # class names: 类别名称列表

yolov8/train_yolo.py

@@ -0,0 +1,20 @@
+from ultralytics import YOLO
+
+# 将所有执行代码都放入这个 if 语句块中
+if __name__ == '__main__':
+    # 1. 加载一个预训练模型
+    # 这行代码可以在 if 语句内外，但为了代码清晰和规范，建议放入
+    model = YOLO('yolov8n.pt')
+
+    # 2. 训练模型
+    # 核心的训练启动代码必须在 if 语句内
+    results = model.train(data='train_data_up/weld.yaml',
+                          epochs=50,
+                          imgsz=640,
+                          device=0,
+                          workers=8)  # 可以显式指定 workers 数量
+
+    # 3. (可选) 打印训练结果保存的路径
+    print("训练完成！")
+    # 注意: 在新版ultralytics中，results可能不直接包含save_dir，但训练日志会打印出来
+    # 训练结果通常保存在 runs_bottom/detect/trainX 目录下

yolov8/voc_to_yolo.py

@@ -0,0 +1,119 @@
+import xml.etree.ElementTree as ET
+import os
+import glob
+
+
+def voc_to_yolo(xml_file_path, output_dir, class_mapping):
+    """
+    将单个 PASCAL VOC anntation (.xml) 文件转换为 YOLO (.txt) 格式。
+
+    Args:
+        xml_file_path (str): 输入的 .xml 文件路径。
+        output_dir (str): 输出 .txt 文件的目标文件夹。
+        class_mapping (dict): 类别名称到类别ID的映射字典。
+    """
+    try:
+        # 解析 XML 文件
+        tree = ET.parse(xml_file_path)
+        root = tree.getroot()
+
+        # 获取图像尺寸
+        size = root.find('size')
+        if size is None:
+            print(f"警告: 在 {xml_file_path} 中未找到 <size> 标签，跳过此文件。")
+            return
+
+        img_width = int(size.find('width').text)
+        img_height = int(size.find('height').text)
+
+        # 准备用于写入的YOLO标注列表
+        yolo_annotations = []
+
+        # 遍历所有 object
+        for obj in root.findall('object'):
+            # 获取类别名称
+            class_name = obj.find('name').text
+            if class_name not in class_mapping:
+                print(f"警告: 类别 '{class_name}' 不在预定义的 class_mapping 中，跳过此物体。")
+                continue
+
+            class_id = class_mapping[class_name]
+
+            # 获取边界框坐标
+            bndbox = obj.find('bndbox')
+            xmin = float(bndbox.find('xmin').text)
+            ymin = float(bndbox.find('ymin').text)
+            xmax = float(bndbox.find('xmax').text)
+            ymax = float(bndbox.find('ymax').text)
+
+            # --- 核心转换公式 ---
+            x_center = (xmin + xmax) / 2.0 / img_width
+            y_center = (ymin + ymax) / 2.0 / img_height
+            width = (xmax - xmin) / img_width
+            height = (ymax - ymin) / img_height
+
+            # 将结果添加到列表
+            yolo_annotations.append(f"{class_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}")
+
+        # 如果文件中有有效的物体，则写入 .txt 文件
+        if yolo_annotations:
+            # 构建输出文件名
+            base_filename = os.path.basename(xml_file_path)
+            txt_filename = os.path.splitext(base_filename)[0] + '.txt'
+            output_path = os.path.join(output_dir, txt_filename)
+
+            # 写入文件
+            with open(output_path, 'w') as f:
+                f.write('\n'.join(yolo_annotations))
+
+            # print(f"成功转换: {xml_file_path} -> {output_path}")
+
+    except Exception as e:
+        print(f"处理文件 {xml_file_path} 时发生错误: {e}")
+
+
+def main():
+    # --- 用户需要配置的参数 ---
+
+    # 1. 定义你的类别和对应的ID (从0开始)
+    # 根据你的截图，你只有一个类别 "Space weld workpiece"
+    # 请确保这里的名称与你XML文件中的<name>标签完全一致！
+    CLASS_MAPPING = {
+        'Space weld workpiece': 0,
+        # 如果有其他类别，在这里添加，例如:
+        # 'weld_seam': 1,
+    }
+
+    # 2. 定义输入和输出文件夹
+    # 输入文件夹: 存放 .xml 文件的目录
+    input_xml_dir = '../label/up_xml'
+
+    # 输出文件夹: 存放转换后的 .txt 文件的目录
+    output_txt_dir = 'data_up'
+
+    # --- 脚本执行部分 ---
+
+    # 自动创建输出文件夹（如果不存在）
+    if not os.path.exists(output_txt_dir):
+        os.makedirs(output_txt_dir)
+        print(f"已创建输出文件夹: {output_txt_dir}")
+
+    # 查找所有 .xml 文件
+    xml_files = glob.glob(os.path.join(input_xml_dir, '*.xml'))
+
+    if not xml_files:
+        print(f"错误: 在目录 '{input_xml_dir}' 中没有找到任何 .xml 文件。请检查路径。")
+        return
+
+    print(f"找到 {len(xml_files)} 个 .xml 文件。开始转换...")
+
+    # 遍历并转换每个文件
+    for xml_file in xml_files:
+        voc_to_yolo(xml_file, output_txt_dir, CLASS_MAPPING)
+
+    print("\n转换完成！")
+    print(f"所有 YOLO 格式的标签文件已保存在: {output_txt_dir}")
+
+
+if __name__ == '__main__':
+    main()