用python 将stanford_cars数据集转YOLO数据集

要将Stanford Cars数据集转换为YOLO格式的数据集，您可以使用Python来完成以下步骤：

1. 下载并解压数据集：从Stanford Cars数据集的官方网站下载数据集，并解压到一个文件夹中。

2. 创建目录结构：在数据集文件夹中创建以下目录结构：

   - images/  # 存放原始图像
   - labels/  # 存放YOLO格式的标签文件
   - class_names.txt  # 存放类别信息

3. 获取类别信息：打开数据集的标注文件（例如devkit/cars_train_annos.mat）并提取车辆的类别信息。将类别名称写入class_names.txt文件中，每行一个类别。

4. 转换标注：使用Python脚本读取标注文件，并将边界框坐标和类别信息转换为YOLO格式。以下是一个示例脚本：

   import numpy as np
   from PIL import Image
   import scipy.io

   # 载入标注文件
   annotation = scipy.io.loadmat('devkit/cars_train_annos.mat')

   # 遍历每个标注
   for anno in annotation['annotations'][0]:
       bbox_x1 = anno[0][0][0][0]
       bbox_y1 = anno[0][1][0][0]
       bbox_x2 = anno[0][2][0][0]
       bbox_y2 = anno[0][3][0][0]
       class_id = anno[0][4][0][0] - 1  # 将类别索引从1-based转为0-based

       # 读取图像
       img_name = anno[0][5][0]
       img_path = 'cars_train/' + img_name
       image = Image.open(img_path)
       width, height = image.size

       # 计算边界框中心点和宽高
       x = (bbox_x1 + bbox_x2) / 2 / width
       y = (bbox_y1 + bbox_y2) / 2 / height
       w = (bbox_x2 - bbox_x1) / width
       h = (bbox_y2 - bbox_y1) / height

       # 保存YOLO格式的标签文件
       label_path = 'labels/' + img_name.replace('.jpg', '.txt')
       with open(label_path, 'w') as f:
           f.write(f'{class_id} {x} {y} {w} {h}')

5. 复制图像：将原始图像复制到images文件夹中。

完成上述步骤后，您将得到一个包含YOLO格式标签的数据集。现在，您可以使用此数据集来训练和测试YOLO模型。请确保调整脚本中的路径和数据集结构以适应您的具体情况。