数据集介绍地址：https://paperswithcode.com/dataset/sod4sb

下载地址：https://drive.google.com/drive/folders/1vTHiIelagbzPO795yhOdNUFh9u2XxZP-

该数据集使用的是coco格式，需要将其转换为yolo格式，使用coco2yolo.py进行转换。

#这里根据自己的json文件位置，换成自己的就行
parser.add_argument('--json_path', default=r"D:\code\yolo\datasets\SOD4BD\annotations\merged_train.json",type=str, help="input: coco format(json)")
#这里设置.txt文件保存位置
parser.add_argument('--save_path', default=r"D:\code\yolo\datasets\SOD4BD\labels", type=str, help="specify where to save the output dir of labels")

将路径换成自己的路径即可。

考虑训练成本，仅选取了部分数据进行训练，这个依照个人需求选择是否进行数据集的缩减。ps：该数据集仅包含一个类别。 使用的是随机选取图片和标签.py进行数据集的抽样。

# 随机选择文件,在此选择保留的图片张数
selected_files = random.sample(image_files, 500)

使用imagesplit_for4labels.py进行图像切割，包括图像和标签

修改切割图片的参数

basepath = 'example1' outpath = 'examplesplit' 对应的原根目录和处理后的根目录 ，对应的处理包括：图像切割，标签切割，标签坐标转换，去除不包含目标的图片和标签。

可以调用测试标注是否正确.py对转换后的标注进行测试。代码在处理边缘的目标时判断比较粗糙，可能存在目标在边缘边界框丢失的问题，可以根据自己的需求进行修改。

使用划分数据集.py进行数据集的划分，包括训练集和测试集。

注意： 上述对应的均为yolo格式标注，标注格式为：class x_center y_center width height，其中x_center,y_center,width,height均为相对于图像的比例。 代码参考：DOTA_devkit,其yolo格式标注和上述格式不同。