tinyperson数据集转yolo

将 tinyperson 数据集转换为 YOLO 格式需要进行以下步骤：

1. 创建一个包含所有图像的文件夹，并在该文件夹中创建一个名为 "labels" 的子文件夹。

2. 将 tinyperson 数据集中的所有图像复制到该文件夹中。

3. 使用标注工具（如 LabelImg）为每个图像创建标注文件。标注文件应该与对应的图像放在 "labels" 子文件夹中，并使用相同的文件名（只是扩展名不同）。标注文件的格式应该是：`<class_id> <x> <y> <width> <height>`，其中 `<class_id>` 是对象的类别编号，`<x>` 和 `<y>` 是对象的中心坐标（相对于图像宽度和高度的百分比），`<width>` 和 `<height>` 是对象的宽度和高度（也是相对于图像宽度和高度的百分比）。

4. 创建一个名为 "classes.txt" 的文本文件，其中包含数据集中所有对象类别的名称，每行一个。

5. 使用脚本将标注文件转换为 YOLO 格式。可以使用以下 Python 代码：

import glob
import os

# Define class names
classes = []
with open("classes.txt", "r") as f:
    classes = [line.strip() for line in f.readlines()]

# Convert annotations
for file_path in glob.glob("labels/*.txt"):
    with open(file_path, "r") as f:
        lines = f.readlines()
    with open(file_path, "w") as f:
        for line in lines:
            class_id, x, y, w, h = map(float, line.strip().split())
            class_name = classes[int(class_id)]
            x = x - w / 2
            y = y - h / 2
            f.write(f"{class_name} {x} {y} {w} {h}\n")

6. 创建一个名为 "train.txt" 的文件，其中包含所有训练图像的路径（相对于数据集文件夹的路径），每行一个。

7. 创建一个名为 "obj.data" 的文件，其中包含以下内容：

classes = <number of classes>
train = train.txt
names = classes.txt
backup = backup/

其中 `<number of classes>` 是对象类别的数量。

8. 创建一个名为 "obj.names" 的文件，其中包含数据集中所有对象类别的名称，每行一个。

9. 使用 YOLOv3 或 YOLOv4 训练你的模型。