企业官网建设流程全解析

做胃肠科网站,在线头像制作免费软件,彩票网站的推荐怎么做,选择做印象绍兴网站的原因COCO 数据集 COCO#xff08;Common Objects in Context#xff09;是计算机视觉领域广泛使用的目标检测、实例分割和关键点检测数据集#xff0c;由微软发布。其特点包括#xff1a;数据规模 包含超过 33 万张图像#xff0c;标注对象超过 250 万个#xff0c;涵盖 80 个…COCO 数据集COCOCommon Objects in Context是计算机视觉领域广泛使用的目标检测、实例分割和关键点检测数据集由微软发布。其特点包括数据规模包含超过 33 万张图像标注对象超过 250 万个涵盖 80 个常见物体类别如人、车、动物等。标注类型目标检测边界框$ (x,y,width,height) $实例分割多边形点集或 RLE 编码关键点检测人体 17 个关键点坐标图像描述每张图配有 5 句文字描述数据结构采用 JSON 格式组织核心字段包括{images:[{id:1,file_name:0001.jpg,width:640,height:480}],annotations:[{id:1,image_id:1,category_id:1,bbox:[x,y,w,h],segmentation:[[x1,y1,x2,y2,...]]}],categories:[{id:1,name:person}]}转换为 YOLO 训练数据格式YOLO 要求的数据格式为类别索引 中心点_x 中心点_y 宽度 高度其中所有坐标值需归一化到 $ [0,1] $ 区间。转换步骤数据归一化对于每个边界框 $ (x,y,w,h) $xcenterxw/2Wycenteryh/2HwnormwWhnormhH \begin{aligned} x_{\text{center}} \frac{x w/2}{W} \\ y_{\text{center}} \frac{y h/2}{H} \\ w_{\text{norm}} \frac{w}{W} \\ h_{\text{norm}} \frac{h}{H} \end{aligned}xcenter​ycenter​wnorm​hnorm​​Wxw/2​Hyh/2​Ww​Hh​​其中 $ W $ 和 $ H $ 为图像宽高。文件结构每张图像对应一个.txt标注文件文件内容示例0 0.35 0.48 0.12 0.23 2 0.62 0.31 0.08 0.15转换脚本示例importjson# 加载 COCO 标注文件withopen(annotations.json)asf:coco_datajson.load(f)# 创建类别映射字典cat_map{cat[id]:idxforidx,catinenumerate(coco_data[categories])}# 处理每张图像forimgincoco_data[images]:img_idimg[id]W,Himg[width],img[height]# 收集当前图像的所有标注annotations[aforaincoco_data[annotations]ifa[image_id]img_id]# 生成 YOLO 格式文本withopen(flabels/{img[file_name].replace(.jpg,.txt)},w)asf:foranninannotations:x,y,w,hann[bbox]x_center(xw/2)/W y_center(yh/2)/H w_normw/W h_normh/H# 写入归一化坐标f.write(f{cat_map[ann[category_id]]}{x_center}{y_center}{w_norm}{h_norm}\n)注意事项确保图像路径与标注文件路径匹配类别索引需从 0 开始连续编号对于分割任务需额外处理掩码数据坐标值保留 6 位小数防止精度丢失此转换适用于 YOLOv3/v4/v5/v6/v7/v8 等系列模型训练。