Some useful tools for computer vision/deep learning.
将yolo格式数据集修改成coco格式。$ROOT_PATH是根目录，需要按下面的形式组织数据：
└── $ROOT_PATH
├── classes.txt
├── images
└──labels-
classes.txt是类的声明，一行一类。 -
images目录包含所有图片 (目前支持png和jpg格式数据) -
labels目录包含所有标签(与图片同名的txt格式数据)
配置好后，执行：python yolo2coco.py --root_dir $ROOT_PATH ，然后你就能看见生成的 annotations 文件夹。如果有添加--random_split参数，则输出在annotations文件夹下包含 train.json val.json test.json （默认随机划分成8:1:1），如果不想划分数据集，则不要输入random_split这个参数，然后指定--save_path（生成的json文件的名字，不指定默认保存为train.json）
--root_path输入根目录$ROOT_PATH的位置。--random_split为划分参数，如果没有这个参数则只保存train.json文件--save_path如果不进行随机划分，可利用此参数指定输出文件的名字，默认保存为train.json
读入coco数据集json格式的标注，输出可供yolo训练的标签。
需要注意的是，COCO2017官方的数据集中categories id 是不连续的，这在yolo读取的时候会出问题，所以需要重新映射一下，这个代码会按id从小到大映射到0~79之间。（如果是自己的数据集，也会重新映射）
执行：python coco2yolo.py --json_path $JSON_FILE_PATH --save_path $LABEL_SAVE_PATH
$JSON_FILE_PATH是json文件的地址。$JSON_FILE_PATH是输出目录（默认为工作目录下的./labels目录。
执行：python yolo2coco.py --file_path $IMAGE_PATH --step $INTERVAL
- --file_path 输入图片地址。
- --step 可选，默认为1，选择图片的间隔，如间隔为10，则只计算1/10。
随机划分数据集（yolo数据格式的划分），按train:val:test = 8:1:1保存。
执行：python split_dataset_yolo.py --root_path $ROOT_PATH
同时把GT和预测结果可视化在同一张图中。$DT_DIR是预测结果标签地址，必须是和GT同名的标签。$ROOT_PATH文件目录：
└── $ROOT_PATH
├── classes.txt
├── images
└── labels执行：python vis_yolo_gt_dt.py --root $ROOT_PATH --dt $DT_DIR后生成在outputs文件夹中。
classes.txt和images必须有。labels可以没有，那样就只展示$DT_DIR预测结果。$DT_DIR若没有输入，则只展示标签结果。
评估生成的结果，针对yolov5生成的检测结果（test中的--save-json参数，会生成best_predictions.json)，但是这个不适应cocoapi，需要用脚本来修改适应。执行：
python coco_eval.py --gt $GT_PATH --dt $DT_PATH --yolov5
--gtjson格式，用于指定测试集的结果，如果没有，可以利用前面的yolo2coco.py进行转换。--dt同样检测网络生成的预测，使用cocoapi中loadRes来加载，所以需要有相应格式的检测结果。--yolov5将官方代码中生成的结果转换成适配cocoapi的结果。
左右拼接2个文件夹下同名的图片，方便可视化对比模型的效果。
- 网格化输出各个位置目标的分布情况。
- 依据条件提取特定区域的样本。
将旋转框的VOC标注转为COCO格式的。（范围为0~pi）