三维重构终版

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)