import os
import cv2
import matplotlib.pyplot as plt
import numpy as np
ASSETS_DIRECTORY = "assets"
plt.rcParams["savefig.bbox"] = "tight"
def listPathAllfiles(dirname):
result = []
for maindir, subdir, file_name_list in os.walk(dirname):
for filename in file_name_list:
apath = os.path.join(maindir, filename)
result.append(apath)
return result
if __name__ == '__main__':
labelspath = r'E:\WIIDERFACE\WIDER_VOC\train\labels'
imagespath = r'E:\WIIDERFACE\WIDER_VOC\train\images'
labelsFiles = listPathAllfiles(labelspath)
for lbf in labelsFiles:
labels = open(lbf, "r").readlines()
labels = list(map(lambda x: x.strip().split(" "), labels))
imgfileName = os.path.join(imagespath, os.path.basename(lbf)[:-4] + ".jpg")
img = cv2.imdecode(np.fromfile(imgfileName, dtype=np.uint8), 1)
for lbs in labels:
lb = list(map(float, lbs))[1:]
x1 = int((lb[0] - lb[2] / 2) * img.shape[1])
y1 = int((lb[1] - lb[3] / 2) * img.shape[0])
x2 = int((lb[0] + lb[2] / 2) * img.shape[1])
y2 = int((lb[1] + lb[3] / 2) * img.shape[0])
cv2.rectangle(img, (x1, y1), (x2, y2), (0, 0, 255), 5)
cv2.imshow("1", img)
cv2.waitKey()
cv2.destroyAllWindows()
数据集介绍：https://github.com/switchablenorms/DeepFashion2格式转到COCO (废弃章节)废弃理由：转COCO出一个很大的json并非我目的，直接下个章节。参考：https://github.com/Manishsinghrajput98/deepfashion2coco_to_yolo_/tree/master/deepfashion2coco_to_yolo_下面代码有所改动，使用需要改写路径和路径即可。把Deepfashion2的label直接转到
1、yolov5下俯视场景下车辆行人检测视觉检测，包含YOLOv5s和YOLOv5m两种训练好的visdrone数据集权重，以及PR曲线，loss曲线等等，有pyqt界面，目标类别为车辆行人等
2、pyqt界面可以检测图片、视频、调用摄像头
3、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743
4、采用pytrch框架，python代码
论文标题：DeepFashion2: A Versatile Benchmark for Detection, Pose Estimation, Segmentation and Re-Identification of Clothing Images
数据集链接：https://github.com/switchablenorms/DeepFashion2
简单介绍：https://www.jiqizhixin.com/articles/2019-02-04-2
数据集下载解压
解压需要密码，不过
main idea
这篇文章提出了一个新的数据集，是在原有的数据集上进行扩充的，包含491k的images，每张图片都包含丰富的语义标注，包括 style,scale,occlusion,zooming,viewpoint,bounding box,dense landmarks and pose.pixel-level masks.pair of image.
这篇章提出了一个benchmark...
DeepFashion2数据集
DeepFashion2是一个全面的时装数据集。 它包含来自商业购物商店和消费者的13种流行服装的491K多种图像。 它总共有801K件服装，其中图像中的每一项都标有比例，遮挡，放大，视点，类别，样式，边框，密集的地标和每个像素的蒙版。还有873K商用服装。对。 数据集分为训练集（391K图像），验证集（34k图像）和测试集（67k图像）。 DeepFashion2的示例如图1所示。
图1：DeepFashion2的示例。
从（1）到（4），每一行代表具有不同变化的衣服图像。 在每一行中，我们将图像分为两组，左三列代表商业商店的衣服，而右三列代表顾客。在每组中，这三幅图像表示相对于相应变化的三个难度级别。此外，在每一行中，这两组图像中的商品均来自相同的服装标识，但来自两个不同的领域，即商业和客户，具有相同标识的商品可能具有不同的样式，例如颜色和印刷。该
数据集简介
【官方介绍】：http://mmlab.ie.cuhk.edu.hk/projects/DeepFashion.html
DeepFashion数据库，这是一个大型服装数据库，它有几个吸引人的特性：
首先，DeepFashion包含超过800,000种不同的时尚图像，从精美的商店图像到无约束的消费者照片。
其次，DeepFashion注释了丰富的服装商品信息。此数据集中的每个图像都标...
要使用YOLOv5-DeepSORT训练自己的数据集，首先需要准备好数据集。通常情况下，在准备数据集之前需要明确需要检测的物体类别和数量。然后，通过在图像中标注这些物体，并将标注结果保存在标注文件中，即可准备好数据集。
接下来，需要安装相关依赖和设置环境。YOLOv5-DeepSORT的训练需要使用PyTorch深度学习框架。此外，还需要安装相关的Python库，如numpy、pandas、opencv-python、scipy等。一些用户可能需要在自己的计算机上安装CUDA和cuDNN，以加速训练过程。
然后，需要下载YOLOv5代码并选择合适的模型进行训练。一般来说，可以选择已经在大型数据集上预训练好的模型进行微调，也可以自行训练调整模型。微调的效果往往更好，而自行训练会更加具有个性化。
接下来，需要进行数据增强，以增加数据集的大小和不同姿态的物体的训练范围。这可以通过旋转、平移、裁剪等操作来做到。
最后，需要运行训练代码，以开始训练模型。该过程通常需要数十小时或数天，具体取决于数据集大小、模型复杂度和所用硬件等多方面因素。
在训练完成后，可以对模型进行验证，以确保其性能。这可以通过跑测试集来做到，也可以在其他图像中手动测试。一旦模型达到预期的性能，就可以将其部署到实际应用程序中，并在监测和跟踪所需的场合中使用。
