import os import random from tqdm import tqdm # 指定 images 文件夹路径 image_dir = "C:/Users/86152/Desktop/coco128/images/train2017" # 指定 labels 文件夹路径 label_dir = "C:/Users/86152/Desktop/coco128/labels/train2017" # 创建一个空列表来存储有效图片的路径 valid_images = [] # 创建一个空列表来存储有效 label 的路径 valid_labels = [] # 遍历 images 文件夹下的所有图片 for image_name in os.listdir(image_dir): # 获取图片的完整路径 image_path = os.path.join(image_dir, image_name) # 获取图片文件的扩展名 ext = os.path.splitext(image_name)[-1] # 根据扩展名替换成对应的 label 文件名 label_name = image_name.replace(ext, ".txt") # 获取对应 label 的完整路径 label_path = os.path.join(label_dir, label_name) # 判断 label 是否存在 if not os.path.exists(label_path): # 删除图片 os.remove(image_path) print("deleted:", image_path) else: # 将图片路径添加到列表中 valid_images.append(image_path) # 将label路径添加到列表中 valid_labels.append(label_path) # print("valid:", image_path, label_path) # 遍历每个有效图片路径 for i in tqdm(range(len(valid_images))): image_path = valid_images[i] label_path = valid_labels[i] # 随机生成一个概率 r = random.random() # 判断图片应该移动到哪个文件夹 # train：valid：test = 7:2:1 if r < 0.1: # 移动到 test 文件夹 destination = "C:/Users/86152/PycharmProjects/pythonProject/ultralytics-main/datasets/test" elif r < 0.2: # 移动到 valid 文件夹 destination = "C:/Users/86152/PycharmProjects/pythonProject/ultralytics-main/datasets/valid" else: # 移动到 train 文件夹 destination = "C:/Users/86152/PycharmProjects/pythonProject/ultralytics-main/datasets/train" # 生成目标文件夹中图片的新路径 image_destination_path = os.path.join(destination, "images", os.path.basename(image_path)) # 移动图片到目标文件夹 os.rename(image_path, image_destination_path) # 生成目标文件夹中 label 的新路径 label_destination_path = os.path.join(destination, "labels", os.path.basename(label_path)) # 移动 label 到目标文件夹 os.rename(label_path, label_destination_path) print("valid images:", valid_images) #输出有效label路径列表 print("valid labels:", valid_labels)

这段代码主要是在处理 COCO 数据集中的图片和标签文件。通过遍历 images 文件夹下的所有图片，获取图片的完整路径和扩展名，根据扩展名替换成对应的 label 文件名，获取对应 label 的完整路径。然后判断 label 是否存在，如果不存在就删除对应的图片。如果存在，就将图片路径和 label 路径添加到 valid_images 和 valid_labels 列表中。

然后通过遍历每个有效图片路径，随机生成一个概率，判断图片应该移动到哪个文件夹（train/valid/test）。最后生成目标文件夹中图片的新路径和 label 的新路径，移动图片和 label 到目标文件夹中。

最后输出有效图片路径列表和有效标签路径列表。

相关问题

import jittor as jt import jrender as jr jt.flags.use_cuda = 1 # 开启GPU加速 import os import tqdm import numpy as np import imageio import argparse # 获取当前文件所在目录路径和数据目录路径 current_dir = os.path.dirname(os.path.realpath(__file__)) data_dir = os.path.join(current_dir, 'data') def main(): # 创建命令行参数解析器 parser = argparse.ArgumentParser() parser.add_argument('-i', '--filename-input', type=str, default=os.path.join(data_dir, 'obj/spot/spot_triangulated.obj')) parser.add_argument('-o', '--output-dir', type=str, default=os.path.join(data_dir, 'results/output_render')) args = parser.parse_args() # other settings camera_distance = 2.732 elevation = 30 azimuth = 0 # load from Wavefront .obj file mesh = jr.Mesh.from_obj(args.filename_input, load_texture=True, texture_res=5, texture_type='surface', dr_type='softras') # create renderer with SoftRas renderer = jr.Renderer(dr_type='softras') os.makedirs(args.output_dir, exist_ok=True) # draw object from different view loop = tqdm.tqdm(list(range(0, 360, 4))) writer = imageio.get_writer(os.path.join(args.output_dir, 'rotation.gif'), mode='I') imgs = [] from PIL import Image for num, azimuth in enumerate(loop): # rest mesh to initial state mesh.reset_() loop.set_description('Drawing rotation') renderer.transform.set_eyes_from_angles(camera_distance, elevation, azimuth) rgb = renderer.render_mesh(mesh, mode='rgb') image = rgb.numpy()[0].transpose((1, 2, 0)) writer.append_data((255*image).astype(np.uint8)) writer.close() # draw object from different sigma and gamma loop = tqdm.tqdm(list(np.arange(-4, -2, 0.2))) renderer.transform.set_eyes_from_angles(camera_distance, elevation, 45) writer = imageio.get_writer(os.path.join(args.output_dir, 'bluring.gif'), mode='I') for num, gamma_pow in enumerate(loop): # rest mesh to initial state mesh.reset_() renderer.set_gamma(10**gamma_pow) renderer.set_sigma(10**(gamma_pow - 1)) loop.set_description('Drawing blurring') images = renderer.render_mesh(mesh, mode='rgb') image = images.numpy()[0].transpose((1, 2, 0)) # [image_size, image_size, RGB] writer.append_data((255*image).astype(np.uint8)) writer.close() # save to textured obj mesh.reset_() mesh.save_obj(os.path.join(args.output_dir, 'saved_spot.obj')) if __name__ == '__main__': main()在每行代码后添加注释

# 引入所需的库
import jittor as jt
import jrender as jr
jt.flags.use_cuda = 1 # 开启GPU加速
import os
import tqdm
import numpy as np
import imageio
import argparse

# 获取当前文件所在目录路径和数据目录路径
current_dir = os.path.dirname(os.path.realpath(__file__))
data_dir = os.path.join(current_dir, 'data')

def main():
# 创建命令行参数解析器
parser = argparse.ArgumentParser()
parser.add_argument('-i', '--filename-input', type=str,
default=os.path.join(data_dir, 'obj/spot/spot_triangulated.obj')) # 输入文件路径
parser.add_argument('-o', '--output-dir', type=str,
default=os.path.join(data_dir, 'results/output_render')) # 输出文件路径
args = parser.parse_args()

# other settings
camera_distance = 2.732 # 相机距离
elevation = 30 # 抬高角度
azimuth = 0 # 方位角度

# load from Wavefront .obj file
mesh = jr.Mesh.from_obj(args.filename_input, load_texture=True, texture_res=5, texture_type='surface', dr_type='softras') # 从.obj文件载入模型

# create renderer with SoftRas
renderer = jr.Renderer(dr_type='softras') # 创建渲染器

os.makedirs(args.output_dir, exist_ok=True)

# draw object from different view
loop = tqdm.tqdm(list(range(0, 360, 4))) # 视角变换循环
writer = imageio.get_writer(os.path.join(args.output_dir, 'rotation.gif'), mode='I') # 创建gif文件
imgs = []

from PIL import Image
for num, azimuth in enumerate(loop):
# rest mesh to initial state
mesh.reset_() # 重置模型状态

loop.set_description('Drawing rotation')
renderer.transform.set_eyes_from_angles(camera_distance, elevation, azimuth) # 设置相机位置和角度
rgb = renderer.render_mesh(mesh, mode='rgb') # 渲染模型
image = rgb.numpy()[0].transpose((1, 2, 0)) # 转置图片通道
writer.append_data((255*image).astype(np.uint8)) # 写入gif文件

writer.close()

# draw object from different sigma and gamma
loop = tqdm.tqdm(list(np.arange(-4, -2, 0.2))) # 模糊循环
renderer.transform.set_eyes_from_angles(camera_distance, elevation, 45) # 设置相机位置和角度
writer = imageio.get_writer(os.path.join(args.output_dir, 'bluring.gif'), mode='I') # 创建gif文件
for num, gamma_pow in enumerate(loop):
# rest mesh to initial state
mesh.reset_() # 重置模型状态

renderer.set_gamma(10**gamma_pow) # 设置gamma值
renderer.set_sigma(10**(gamma_pow - 1)) # 设置sigma值

loop.set_description('Drawing blurring')
images = renderer.render_mesh(mesh, mode='rgb') # 渲染模型
image = images.numpy()[0].transpose((1, 2, 0)) # [image_size, image_size, RGB]
writer.append_data((255*image).astype(np.uint8)) # 写入gif文件

writer.close()

# save to textured obj
mesh.reset_() # 重置模型状态
mesh.save_obj(os.path.join(args.output_dir, 'saved_spot.obj')) # 保存模型

if __name__ == '__main__':
main()

data_dir = 'D:/wjd，这个路径下有八个标签，'Ag', 'Al', 'Au', 'Cu', 'W', 'V', 'Mo', 'Ta'

好的，如果你的数据集路径下有8个标签（'Ag', 'Al', 'Au', 'Cu', 'W', 'V', 'Mo', 'Ta'），你可以尝试以下代码：

import os
import shutil

# 原始数据集所在路径
data_dir = 'D:/wjd'

# 训练集和验证集所在路径
train_dir = 'D:/wjd/train'
val_dir = 'D:/wjd/val'

# 创建训练集和验证集文件夹
for label in os.listdir(data_dir):
    os.makedirs(os.path.join(train_dir, label), exist_ok=True)
    os.makedirs(os.path.join(val_dir, label), exist_ok=True)

# 遍历每个类别
for label in os.listdir(data_dir):
    label_dir = os.path.join(data_dir, label)
    
    # 获取该类别下所有图像文件
    images = os.listdir(label_dir)
    
    # 计算分割点
    split_point = int(len(images) * 0.8)
    
    # 将前80%的图像移动到训练集文件夹
    for image in images[:split_point]:
        src_path = os.path.join(label_dir, image)
        dst_path = os.path.join(train_dir, label, image)
        shutil.move(src_path, dst_path)
    
    # 将后20%的图像移动到验证集文件夹
    for image in images[split_point:]:
        src_path = os.path.join(label_dir, image)
        dst_path = os.path.join(val_dir, label, image)
        shutil.move(src_path, dst_path)

这段代码首先创建每个类别的训练集和验证集文件夹。然后，遍历每个类别，获取该类别下所有图像文件，并计算分割点。接下来，将前80%的图像移动到训练集文件夹中，将后20%的图像移动到验证集文件夹中。最后，使用shutil库中的move函数将图像文件移动到目标路径。