yolo v11相关文件

1. data_enhancement.py 带标注xml信息的图像增强，images存放图片，annotations存放xml文件，随机增强效果（自己可更改），生成带xml的新图像。

2. split_train_val.py数据集划分，在dataSet里面生成对应集合，txt里面存放对应名称。

3. xml_to_txt.py将xml格式文件转换成txt文件，并按dataSet的划分，在labels下的train/val/test文件夹中生成txt标注格式，labels下的三个txt存放相关的图片路径。

4. split_images.py根据labels下的三个txt路径，将图片按照train/val/test的方式存放在split_image2文件下。

5. viewCategory.py查看标签和数量的小工具

最终，在resource同级目录中新建dataset用于训练，里面严格命名images、labels，以上两个目录下按照train/val/test的方式复制resource的labels、split_image2目录中的文件，显得更为清晰，也可以自行优化。

注意： yolov8之后的train/val/predict等文件需要自己根据需求后处理编写，例如获取目标识别指定区域并剪裁：

model = YOLO(model=r'E:\Code\Python\match\ultralytics\runs\train\exp2\weights\best.pt')

# 图像文件夹路径
image_folder = r"E:\hkc_files\Logo_jin\data\img\Logo\清华同方"
output_dir = r"E:\Code\Python\match\ultralytics\after_test_10_25\11_5"

# 确保裁剪后的图像输出文件夹存在
os.makedirs(output_dir, exist_ok=True)

# 使用YOLO模型对整个文件夹进行预测
results = model.predict(source=image_folder)

# 提取检测结果并裁剪
for result in results:
    image_path = result.path  # 原始图像路径
    image_name = os.path.basename(image_path)  # 获取图像文件名
    image = cv2.imread(image_path)  # 读取图像
    image_name = os.path.splitext(os.path.basename(image_path))[0]

    boxes = result.boxes.xyxy  # 获取边界框坐标
    scores = result.boxes.conf  # 获取置信度分数
    classes = result.boxes.cls  # 获取类别索引

    # 获取类别名称
    class_names = [model.names[int(cls)] for cls in classes]

    # 遍历每个检测的框
    for i, (box, score, class_name) in enumerate(zip(boxes, scores, class_names)):
        x1, y1, x2, y2 = map(int, box)  # 转换为整数
        cropped_img = image[y1:y2, x1:x2]  # 裁剪区域

        # 保存裁剪的小图，按类别名和图像名保存
        crop_path = os.path.join(output_dir, f"{class_name}_{image_name}_{i}.jpg")
        cv2.imwrite(crop_path, cropped_img)

        # 输出信息
        print(f"Class: {class_name}, Score: {score:.2f}, Box: {box}, Saved as: {crop_path}")