苏州门户网站有哪些,php 读取网站文件,电子商务网站登录,企业网站模板seo我在寻找Cityscapes数据集的时候花了一番功夫#xff0c;因为官网下载需要用公司或学校邮箱邮箱注册账号#xff0c;等待审核通过后才能进行下载数据集。并且一开始我也并不了解Cityscapes的格式和内容是什么样的#xff0c;现在我弄明白后写下这篇文章#xff0c;用于记录…我在寻找Cityscapes数据集的时候花了一番功夫因为官网下载需要用公司或学校邮箱邮箱注册账号等待审核通过后才能进行下载数据集。并且一开始我也并不了解Cityscapes的格式和内容是什么样的现在我弄明白后写下这篇文章用于记录和分享。后续我还会在这个专栏发布如何使用YOLOv5\v9\v10\v11系列进行自己数据集的训练可以订阅一波专栏。
计算机视觉常用数据集Foggy Cityscapes的介绍、下载、转为YOLO格式进行训练-CSDN博客文章浏览阅读1k次点赞25次收藏14次。大雾城市景观Foggy Cityscapes (F)Foggy Cityscapes是由 Cityscapes 生成的合成数据集它旨在模拟和研究自动驾驶车辆在雾天条件下的性能有三个级别的大雾天气(0.005,0.01,0.02)从轻微的雾到浓厚的雾分别对应于600,300和150米的能见度范围。由于雾天条件下的能见度降低图像中的许多目标会变得模糊不清这对计算机视觉检测来说是一个挑战。Foggy Cityscapes 为研究人员提供了一个测试和改进算法的机会以提高在恶劣条件下算法的鲁棒和准确性https://blog.csdn.net/m0_63294504/article/details/143357968
1、Cityscapes介绍
城市景观Cityscapes(C)Cityscapes 收集了50个不同城市良好天气条件下的城市街景总共包含5000张真实城市场景图像其中3475张带标注信息的图像用于训练验证2,975张图像用于训练500张用于验证剩下1525张无标注信息图像用于测试。除此之外还有20000张弱注释的图像供研究使用。数据集中的图像分辨率为1024x2048涵盖了30多个类别包括车辆、行人、建筑物、道路等城市街景中常见的物体和场景但常用8个类别
classes [car, person, rider, truck, bus, train, motorcycle, bicycle]。
Cityscapes数据集是计算机视觉领域常用的数据集它的高质量标注和丰富场景使其成为评估和训练算法的理想选择。
2、下载
官网下载地址Cityscapes Dataset – Semantic Understanding of Urban Street Scenes
结尾有我的网盘数据下载方式已经全部处理好了可以直接用于YOLO格式的目标检测。
从官网下载这三个压缩包文件leftImg8bit_trainvaltest.zip、gtCoarse.zip、gtFine_trainvaltest.zip
1leftImg8bit_trainvaltest.zip分为train、val以及test三个文件夹共包含了5000张图像
2gtFine_trainvaltest.zip是精细化的注释信息在其精细标注数据集文件夹gtFine中也有train、val以及test三个文件夹每张图片对应四个标注文件用于可视化的彩色标注图_color.png、用于实例分割的实例ID图_instanceIds.png、用于语义分割的标签ID图_labelsIds.png以及包含原始人工标注信息的JSON文件_polygons.json如下图 3gtCoarse.zip是粗略的注释信息一般不使用。
3、转为YOLO格式
对于gtFine_trainvaltest.zip中的gtFine文件夹我们找到json文件然后使用下方代码可以将该图片的语义分割json标注转为YOLO格式的标注将自己的数据集路径替换就行
import json
import osfrom sympy import print_glsl# 类别列表和类别字典
all_classes [car, person, rider, truck, bus, train, motorcycle, bicycle]
class_dict {car: 0, person: 1, rider: 2, truck: 3, bus: 4, train: 5, motorcycle: 6, bicycle: 7}# 根目录
rootdir D:/深度学习相关数据集/目标检测数据集/Cityscapes/gtFine_trainvaltest/gtFine/test# 输出目录
output_rootdir D:/深度学习相关数据集/目标检测数据集/Cityscapes/YOLOLabels/testdef position(pos):x [point[0] for point in pos]y [point[1] for point in pos]x_min min(x)x_max max(x)y_min min(y)y_max max(y)return float(x_min), float(x_max), float(y_min), float(y_max)def convert(size, box):dw 1. / size[0]dh 1. / size[1]x (box[0] box[1]) / 2.0y (box[2] box[3]) / 2.0w box[1] - box[0]h box[3] - box[2]return x * dw, y * dh, w * dw, h * dhdef convert_annotation(json_id, city_name):json_file_path os.path.join(rootdir, city_name, %s.json % json_id)out_file_path os.path.join(output_rootdir, city_name, %s.txt % json_id)if not os.path.exists(os.path.dirname(out_file_path)):os.makedirs(os.path.dirname(out_file_path))with open(json_file_path, r) as load_f:load_dict json.load(load_f)w load_dict[imgWidth]h load_dict[imgHeight]objects load_dict[objects]with open(out_file_path, w) as out_file:for obj in objects:labels obj[label]if labels in class_dict:pos obj[polygon]b position(pos)bb convert((w, h), b)cls_id class_dict[labels]out_file.write(str(cls_id) .join([str(a) for a in bb]) \n)def jsons_id(rootdir):a []for parent, dirnames, filenames in os.walk(rootdir):for filename in filenames:if filename.endswith(.json):filename_without_ext os.path.splitext(filename)[0]a.append(filename_without_ext)return a# 获取所有子目录
subdirs [d for d in os.listdir(rootdir) if os.path.isdir(os.path.join(rootdir, d))]
# print(subdirs)
# [aachen, bochum, bremen, cologne, darmstadt, dusseldorf, erfurt, hamburg, hanover, jena,
# krefeld, monchengladbach, strasbourg, stuttgart, tubingen, ulm, weimar, zurich]# 为每个子目录生成YOLO格式的标注文件
for subdir in subdirs:names jsons_id(os.path.join(rootdir, subdir))for json_id in names:convert_annotation(json_id, subdir)
4、json_to_YOLO结果可视化
当我们对所有图片的Json注释都转换完后得到YOLO格式的文件夹长这样 这时我们可以运行以下代码将原图与YOLO标注信息结合起来得到带有边界框的图像不要忘记修改你自己的数据集路径。
import cv2
import os# 图片路径
# image_path ../leftImg8bit_trainvaltest/leftImg8bit/train/aachen/aachen_000001_000019_leftImg8bit.png
image_path ../leftImg8bit_trainvaltest/images/val/munster_000167_000019.png
# YOLO注释文件路径
# annotation_path ../YOLOLabels/train/aachen/aachen_000001_000019_gtFine_polygons.txt
annotation_path ../leftImg8bit_trainvaltest/labels/val/munster_000167_000019.txt# 读取YOLO注释文件
with open(annotation_path, r) as file:lines file.readlines()# 读取图片
image cv2.imread(image_path)
# 禁用窗口缩放
cv2.namedWindow(Image with Bounding Boxes, cv2.WINDOW_NORMAL)# 类别名称列表
# class_names [car, person, rider, truck, bus, train, motorcycle, bicycle]
# 类别名称与ID的映射字典
class_dict {0: car, 1: person, 2: rider, 3: truck, 4: bus, 5: train, 6: motorcycle, 7: bicycle}
# 绘制边界框和类别标签
for line in lines:parts line.strip().split()class_id int(parts[0])print(fclass_id:{class_id})x_center float(parts[1])y_center float(parts[2])width float(parts[3])height float(parts[4])# 将归一化的坐标转换为像素坐标x_min int((x_center - width / 2) * image.shape[1])y_min int((y_center - height / 2) * image.shape[0])x_max int((x_center width / 2) * image.shape[1])y_max int((y_center height / 2) * image.shape[0])# 获取类别名称class_name class_dict[class_id]# 绘制边界框cv2.rectangle(image, (x_min, y_min), (x_max, y_max), (0, 255, 0), 2)# 绘制类别标签cv2.putText(image, class_name, (x_min, y_min - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)print(image.shape)
# 显示图片
cv2.imshow(Image with Bounding Boxes, image)
cv2.waitKey(0)
cv2.destroyAllWindows()
得到的结果长这样 5、对图像和标签命名统一化
相信有伙伴发现了官网下载的文件中对于json标注信息的命名规则是类似于这样的berlin_000000_000019_gtFine_polygons.json而图片的命名规则是类似于这样的berlin_000000_000019_leftImg8bit.png。我们知道如果图像和标签的名称没有保持一致那么在使用YOLO进行训练的时候程序就会报错显示找不到标签。
我将图像和标签名称统一化后如下所示 现在就可以直接进行训练了还要注意的是数据路径不能有中文否则就会报以下错误。
Dataset not found , missing paths [D:\\\\\\\\YOLO\\images\\val] Traceback (most recent call last): File E:\pythonCode\ObjectDetection\yolov9-main\train_dual.py, line 644, in module main(opt) File E:\pythonCode\ObjectDetection\yolov9-main\train_dual.py, line 538, in main train(opt.hyp, opt, device, callbacks) File E:\pythonCode\ObjectDetection\yolov9-main\train_dual.py, line 97, in train data_dict data_dict or check_dataset(data) # check if None File E:\pythonCode\ObjectDetection\yolov9-main\utils\general.py, line 537, in check_dataset raise Exception(Dataset not found ❌) Exception: Dataset not found ❌
数据配置文件长这样 6、使用YOLOv9-m进行训练
我的GPU是4060Laptop8GB显存使用YOLOv9-mbatchsize4,刚好可以训练再多就爆显存了。2975训练集、500验证集。 7、个人下载方式
通过百度网盘分享的文件CityScape 链接https://pan.baidu.com/s/1fDy_c1nXRCsAUHAr9L7Ocg?pwdzjlp 提取码zjlp
如果链接失效了评论区告诉我一声哈。
