+ описание команд для обнаружения в тестовых изобр

ObjectDetection/objs2Yolov4dataset.py

@@ -6,6 +6,7 @@ import blenderproc as bproc
   Используется модуль blenderproc
 
   17.02.2023 @shalenikol release 0.1
+  22.02.2023 @shalenikol release 0.2 исправлен расчёт x,y в convert2relative
 """
 import sys
 import numpy as np
@@ -20,6 +21,8 @@ def convert2relative(height, width, bbox):
     YOLO format use relative coordinates for annotation
     """
     x, y, w, h = bbox
+    x += w/2
+    y += h/2
     return x/width, y/height, w/width, h/height
 
 parser = argparse.ArgumentParser()
@@ -125,7 +128,8 @@ bproc.renderer.enable_segmentation_output(map_by=["category_id", "instance", "na
 
 res_dir = os.path.join(args.output_dir, 'coco_data')
 # Цикл рендеринга
-n = 3 # количество сэмплов для каждой локации камеры
+n_cam_location = 5 # количество случайных локаций камеры
+n_cam_poses = 3    # количество сэмплов для каждой локации камеры
 # Do multiple times: Position the shapenet objects using the physics simulator and render X images with random camera poses
 for r in range(args.imgs):
     # Randomly set the color and energy
@@ -177,7 +181,7 @@ for r in range(args.imgs):
 
     # Sample up to X camera poses
     #an = np.random.uniform(0.78, 1.2) #1. #0.35
-    for i in range(5):
+    for i in range(n_cam_location):
         # Sample location
         location = bproc.sampler.shell(center=[0, 0, 0],
                                        radius_min=1.1,
@@ -187,10 +191,10 @@ for r in range(args.imgs):
         # координата, по которой будем сэмплировать положение камеры
         j = random.randint(0, 2)
         # разовый сдвиг по случайной координате
-        d = (coord_max[j] - coord_min[j]) / n
+        d = (coord_max[j] - coord_min[j]) / n_cam_poses
         if location[j] < 0:
           d = -d
-        for k in range(n):
+        for k in range(n_cam_poses):
           # Compute rotation based on vector going from location towards poi
           rotation_matrix = bproc.camera.rotation_from_forward_vec(poi - location, inplane_rot=np.random.uniform(-0.7854, 0.7854))
           # Add homog cam pose based on location an rotation
@@ -217,16 +221,16 @@ with open(os.path.join(res_dir,"coco_annotations.json"), "r") as fh:
     y = json.load(fh)
 
 # список имен объектов
-j = 0
+n_obj = 0
 obj_list = []
 with open(os.path.join(res_dir,"obj.names"), "w") as fh:
     for cat in y["categories"]:
         if cat["id"] < 999:
           n = cat["name"]
           i = cat["id"]
-          obj_list.append([n,i,j])
+          obj_list.append([n,i,n_obj])
           fh.write(n+"\n")
-          j += 1
+          n_obj += 1
     
 # содадим или очистим папку data для датасета
 res_data = os.path.join(res_dir, 'data')
@@ -237,14 +241,31 @@ else:
     os.mkdir(res_data)
 
 # список имен файлов с изображениями
+fn_image = os.path.join(res_dir,"images.txt")
 img_list = []
-with open(os.path.join(res_dir,"images.txt"), "w") as fh:
+with open(fn_image, "w") as fh:
     for i in y["images"]:
         filename = i["file_name"]
         shutil.copy(os.path.join(res_dir,filename),res_data)
         fh.write(filename.replace('images','data')+"\n")
         img_list.append([i["id"], (os.path.split(filename))[1]])
 
+# создадим 2 списка имен файлов для train и valid
+n_image_in_series = n_cam_location * n_cam_poses # количество изображений в серии
+i = 0
+fh = open(fn_image, "r")
+f1 = open(os.path.join(res_dir,"i_train.txt"), "w")
+f2 = open(os.path.join(res_dir,"i_val.txt"), "w")
+for line in fh:
+    i += 1
+    if i % n_image_in_series == 0:
+        f2.write(line)
+    else:
+        f1.write(line)
+fh.close()
+f1.close()
+f2.close()
+
 # заполним файлы с метками bbox
 for i in y["annotations"]:
     cat_id = i["category_id"]
@@ -264,3 +285,12 @@ for i in y["annotations"]:
             j = next(k for k, (_, x, _) in enumerate(obj_list) if x == cat_id)
             # формат: <target> <x-center> <y-center> <width> <height>
             fh.write(f"{obj_list[j][2]} {rel[0]} {rel[1]} {rel[2]} {rel[3]}\n")
+
+# создадим файл описания датасета для darknet
+with open(os.path.join(res_dir,"yolov4_objs2.data"), "w") as fh:
+    fh.write(f"classes = {n_obj}\n")
+    fh.write("train = i_train.txt\n")
+    fh.write("valid = i_val.txt\n")
+    fh.write("names = obj.names\n")
+    fh.write("backup = backup\n")
+    fh.write("eval = coco\n")