Roboflow SupervisionのDataset処理機能を使用して、自作のデータセットをレビューしてみました

import cv2
import supervision as sv
from ultralytics import YOLO

# ultralyticsによる推論
model = YOLO("yolov8n.pt")
image = cv2.imread(<SOURCE_IMAGE_PATH>)
results = model(image)[0]
detections = sv.Detections.from_ultralytics(results)

# アノテーション追加
box_annotator = sv.BoxAnnotator()
label_annotator = sv.LabelAnnotator()
annotated_image = box_annotator.annotate(
    scene=image, detections=detections)
annotated_image = label_annotator.annotate(
    scene=annotated_image, detections=detections)

# 表示
cv2.imshow("view", annotated_image)
cv2.waitKey(0)

FROM dustynv/jetson-inference:r36.3.0

RUN apt-get update
RUN apt-get install -y python3-tk
RUN pip install matplotlib pyyaml tqdm pandas psutil
RUN pip install segment_anything
RUN pip install ultralytics --no-deps
RUN pip install scipy seaborn gitpython
RUN pip install supervision

$ docker build -t supervision:latest .
$ docker images | grep supervision
supervision    latest    f51d8b6d904b   About a minute ago   15.3GB

$ cat dockerstart.sh
xhost +
docker run -it --rm --runtime nvidia --shm-size=1g -v /tmp/.X11-unix:/tmp/.X11-unix -v $(pwd)/home:/home -e DISPLAY=:0 --network host supervision:latest

$ ./dockerstart.sh
# cd home
# pip list | grep super
supervision               0.25.0

# tree output_yolo
output_yolo/
├── data.yaml
├── train
│   ├── images
│   │   ├── xxxx.png
・・・略・・・
│   │   └── xxxx.png
│   ├── labels
│   │   ├── xxxx.txt
・・・略・・・
│   │   ├── xxxx.txt
│   └── labels.cache
└── valid
    ├── images
    │   ├── yyyy.png
・・・略・・・
    │   └── yyyy.png
    ├── labels
    │   ├── yyyy.txt
・・・略・・・
    │   └── yyyy.txt
    └── labels.cache

import supervision as sv
import cv2

dataset = "output_yolo"
ds = sv.DetectionDataset.from_yolo(
    images_directory_path=f"{dataset}/train/images",
    annotations_directory_path=f"{dataset}/train/labels",
    data_yaml_path=f"{dataset}/data.yaml",
)

print(f"len:{len(ds)} classes:{ds.classes}")

box_annotator = sv.BoxAnnotator()
label_annotator = sv.LabelAnnotator()

annotated_images = []
for i in range(16):
    _, image, annotations = ds[i]

    labels = [ds.classes[class_id] for class_id in annotations.class_id]

    annotated_image = image.copy()
    annotated_image = box_annotator.annotate(annotated_image, annotations)
    annotated_image = label_annotator.annotate(annotated_image, annotations, labels)
    annotated_images.append(annotated_image)

grid = sv.create_tiles(
    annotated_images,
    grid_size=(4, 5),
    single_tile_size=(350, 350),
    tile_padding_color=sv.Color.WHITE,
    tile_margin_color=sv.Color.WHITE,
)

cv2.imshow("grid", grid)
cv2.waitKey(0)

Dataset API はまだ流動的であり、変更される可能性があります。追って通知があるまでプロジェクトで Dataset API を使用する場合は、requirements.txt または setup.py で監視バージョンを固定してください。

すべての画像を一度に必要とする場合にのみこれを使用してください。データセットを画像パスで初期化し、データセット内のパス、画像、注釈に使用すると、メモリ効率が大幅に向上します。