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)

配置好文件夹后，执行：python yolo2coco.py --root_dir $ROOT_PATH ，然后就能看见生成的 annotations 文件夹。

参数说明

• --root_path 输入根目录$ROOT_PATH的位置。
• --save_path 如果不进行数据集划分，可利用此参数指定输出文件的名字，默认保存为train.json
• --random_split 随机划分参数，若指定--random_split参数，则输出在annotations文件夹下包含 train.json val.json test.json （默认随机划分成8:1:1）
• --split_by_file 自定义数据集划分，若指定--split_by_file参数，则输出在annotations文件夹 train.json val.json test.json。需要在$ROOT_PATH文件下有 ./train.txt ./val.txt ./test.txt ，可以这3个文件来定义训练集、验证集、测试集。注意， 这里里面填写的应是图片文件名字，而不是图片的绝对地址。（在line 43也自行可以修改一下读取方式，为了方便起见，不推荐把图片放在不同位置）

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。

• 检索topN的计算，支持一对多检索。（一张图对应有多个captions）

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

• --gt json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。

1. 网格化输出各个位置目标的分布情况。
2. 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）