作者：楊亦誠

前言

通常情況下，新模型發(fā)布后，其對應(yīng)的 github 倉庫中都會有提供自定數(shù)據(jù)集訓(xùn)練的任務(wù)腳本，開發(fā)者可以基于自己的數(shù)據(jù)集，快速實現(xiàn)對該模型結(jié)構(gòu)的訓(xùn)練與驗證。但往往這些訓(xùn)練腳本僅支持部分的數(shù)據(jù)集格式，例如 YOLOv8 的官方倉庫，就是需要開發(fā)者的數(shù)據(jù)集格式滿足 Ultralytics 標(biāo)準(zhǔn)，或是手動編寫腳本進(jìn)行，將原本的數(shù)據(jù)集格式轉(zhuǎn)化為 Ultralytics 格式，但這部分工作其實并不影響模型訓(xùn)練后的部署效果，因此如果有一個工具幫助我們非常便捷地進(jìn)行訓(xùn)練數(shù)據(jù)的管理與格式轉(zhuǎn)換，將大大提升模型訓(xùn)練的生產(chǎn)效率。

Datumaro 套件介紹

項目地址：

https://github.com/openvinotoolkit/datumaro

Datumaro 是一個支持 Python 和命令行調(diào)用兩種調(diào)用方式的標(biāo)注數(shù)據(jù)管理工具。它可以支持以下功能：

1. 標(biāo)注數(shù)據(jù)格式雙向轉(zhuǎn)換

可以適用于分類，分割，檢測，關(guān)鍵點檢測，文本定位，文本識別、重識別以及點云任務(wù)的數(shù)據(jù)處理，支持以下標(biāo)注數(shù)據(jù)格式的互相轉(zhuǎn)換：

CIFAR-10/100(classification)

Cityscapes

COCO(image_info,instances,person_keypoints,captions,labels,panoptic,stuff)

CVAT

ImageNet

Kitti(segmentation,detection,3D raw/velodyne points)

LabelMe

LFW(classification,person re-identification,landmarks)

MNIST(classification)

Open Images

PASCALVOC(classification,detection,segmentation,action_classification,person_layout)

TF Detection API(bboxes,masks)

YOLO(bboxes)

2. 構(gòu)建并修改數(shù)據(jù)集

多個數(shù)據(jù)集合并

數(shù)據(jù)集標(biāo)簽過濾，例如刪除特定標(biāo)簽的圖片

修改數(shù)據(jù)集標(biāo)簽

數(shù)據(jù)集分割，例如訓(xùn)練集、驗證集與測試集

數(shù)據(jù)集采樣，例如基于 Entropy 的方法篩選合適的訓(xùn)練集樣本

Datumaro 套件實踐

Datumaro 是支持命令行調(diào)用的模式，因此我們可以非常方便地使用 1 行命令完成 2 種不同格式數(shù)據(jù)的轉(zhuǎn)換，下面我將基于命令行模式，演示一下 Datumaro 處理標(biāo)注數(shù)據(jù)格式轉(zhuǎn)化時的基本方法。

1Datumaro 安裝與基本使用方法

Datumaro 支持基于 PyPI 的安裝方式，如果想在第一時間體驗最新的功能也可以基于 github 倉庫直接安裝：

 # From PyPI:
$ pip install datumaro[default] 
$ pip install 'git+https://github.com/openvinotoolkit/datumaro[default]' 

向右滑動查看完整代碼

Datumaro 的命令行調(diào)用方法非常簡單，如果你已經(jīng)有了一組標(biāo)準(zhǔn)格式的數(shù)據(jù)集，只需要在命令行中定于原始數(shù)據(jù)格式和路徑，以及轉(zhuǎn)換后的數(shù)據(jù)格式及路徑即可：

 $ datum convert -if voc -i -f coco -o

向右滑動查看完整代碼

2YOLOv8 目標(biāo)檢測數(shù)據(jù)集實戰(zhàn)

正好最近在準(zhǔn)備表計識別的項目，這里借用一下飛槳提供的表計檢測數(shù)據(jù)集，目標(biāo)是使用 YOLOv8 模型構(gòu)建表盤目標(biāo)檢測任務(wù)。

數(shù)據(jù)集下載地址：

https://bj.bcebos.com/paddlex/examples/meter_reader/datasets/meter_det.tar.gz

下載數(shù)據(jù)集后可以看到文件目錄結(jié)構(gòu)如下：

├── meter_det
│  ├── annotations
│      ├── instance_train.json
│      └── instance_test.json
│  ├── test
│  └── train

向右滑動查看完整代碼

其實中 train 和 test 目錄下分別保存了圖片格式的訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù)：

├── test
│  ├── 20190822_105.jpg
│  ├── 20190822_110.jpg
│  ├── 20190822_123.jpg
│  ├── 20190822_124.jpg
│  ├── 20190822_127.jpg
│  ├── …

向右滑動查看完整代碼

第一步我們可先先使用 datum 命令自動識別一下該數(shù)據(jù)集的格式：

$ datum detect './meter_det'  
輸出：Detected format: image_dir

向右滑動查看完整代碼

可以看到由于該數(shù)據(jù)集并沒有符合某類標(biāo)準(zhǔn)的格式規(guī)范，因此 Datumaro 將其判斷為普通的圖片文件夾。這里我可以手動查詢幾種數(shù)據(jù)集的標(biāo)準(zhǔn)格式，找到和原始數(shù)據(jù)集最相似的一種，然后進(jìn)行手動修改。通過對于 Datumaro 支持的幾種數(shù)據(jù)格式標(biāo)準(zhǔn)進(jìn)行查詢：

https://openvinotoolkit.github.io/datumaro/latest/docs/data-formats/supported_formats.html

我們發(fā)現(xiàn)原始數(shù)據(jù)的格式和COCO最為類似：

└─ Dataset/
  ├── dataset_meta.json # a list of custom labels (optional)
  ├── images/
  │  ├── train/
  │  │  ├──
  │  │  ├──
  │  │  └── ...
  │  └── val/
  │    ├──
  │    ├──
  │    └── ...
  └── annotations/
    ├── _.json
    └── ...

向右滑動查看完整代碼

所以我們手動對原始目錄進(jìn)行略微改造，增加一個images目錄用于單獨存放圖片數(shù)據(jù)，改造結(jié)果如下：

├── meter_det_coco
│  ├── annotations
│      ├── instances_train.json
│      └── instances_val.json
│  └── images
  ├── train
└── val

向右滑動查看完整代碼

這里有個容易被忽略的點，因為 Datumaro 會根據(jù) .json 標(biāo)簽文件的文件名來判斷該數(shù)據(jù)集的用途，例如檢測或者分割，所以我們一定要將示例中 部分的名字改為 “instances”，接下來我們再使用 detect 方法檢測下修改后的數(shù)據(jù)集類型：

$ datum detect './meter_det_coco' 
輸出：Detected format: coco

向右滑動查看完整代碼

可以看到 Datumaro 已經(jīng)將其識別為標(biāo)準(zhǔn)的 COCO 格式類型。最后我們就可以調(diào)用之前提到的命令一鍵完成對數(shù)據(jù)集從 COCO 到 Ultralytics 標(biāo)準(zhǔn)的轉(zhuǎn)換：

$ datum convert -if coco -i '/home/ethan/intel/data/meter_det_coco' -f yolo_ultralytics -o '/home/ethan/intel/data/meter_det_yolo' -- --save-media

向右滑動查看完整代碼

P.S: --save-media 自動將圖片文件復(fù)制到新的數(shù)據(jù)集目錄下

轉(zhuǎn)換后的數(shù)據(jù)集目錄如下：

├── meter_det_yolo
│  ├── data.yaml
│  ├── images
│  │  ├── train
│  │  └── val
│  ├── labels
│  │  ├── train
│  │  └── val
│  ├── train.txt
│  └── val.txt
└── table.jpg

向右滑動查看完整代碼

有了這樣一個 Ultralytics 標(biāo)準(zhǔn)數(shù)據(jù)集后，我們就可以直接將其對應(yīng)的路徑放到 YOLOv8 倉庫中的配置文件中，然后開啟訓(xùn)練腳本進(jìn)行模型創(chuàng)建。

model.train(data=' data.yaml ', epochs=100, imgsz=640)

向右滑動查看完整代碼

總結(jié)

Datumaro 是一個非常強大的標(biāo)注數(shù)據(jù)管理工具，幫助開發(fā)者在各種數(shù)據(jù)標(biāo)準(zhǔn)間輕松實現(xiàn)格式的互相轉(zhuǎn)換，并實現(xiàn)對這些數(shù)據(jù)集的有效管理和改造，大大提升了既有數(shù)據(jù)集的復(fù)用性，完成對新模型效果進(jìn)行快速驗證。

審核編輯：湯梓紅