Cityscape数据集脚本readme翻译
The Cityscapes 数据集
该github库包含用于检查,准备和评估Cityscapes数据集的脚本。 该大型数据集包含来自50个不同城市的街道场景中记录的多种立体视频序列,除了20000个弱注释帧以外,还包含5000帧高质量像素级注释。
详细信息和下载链接请登录:www.cityscapes-dataset.net
数据集结构
Cityscapes dataset 的文件夹结构如下:
{root}/{type}{video}/{split}/{city}/{city}_{seq:0>6}_{frame:0>6}_{type}{ext}
其中独立元素的含义是:
root
Cityscapes数据集的根文件夹。 我们的许多脚本检查指向该文件夹的环境变量“CITYSCAPES_DATASET”是否存在,并将其作为默认目录。type
数据类型或形态,比如gtFine
代表精细的GroundTruth,leftImg8bit
代表左侧相机的八位图像。split
分割,即train, val, test, train_extra或demoVideo。 请注意,并非所有分组都存在所有类型的数据。 因此,偶尔找到空文件夹不要感到惊讶。city
这部分数据集的所属城市。seq
序列号,使用6位数字。frame
帧号,使用6位数字。 请注意,在一些城市中,虽然记录了非常长的序列,但在一些城市记录了许多短序列,其中仅记录了第19帧.ext
该文件的扩展名和可选的后缀,例如,_polygons.json
为GroundTruth文件
type
可能的值
gtFine
精细注释,2975张训练图,500张验证图和1525张测试图。 这种类型的注释用于验证,测试和可选的训练。 注解使用包含单个多边形的“json”文件进行编码。 另外,我们提供png
图像,其中像素值对标签进行编码。 有关详细信息,请参阅helpers / labels.py
和prepare
中的脚本。gtCoarse
粗略注释,可用于所有训练和验证图像以及另一组19998张训练图像(train_extra
)。 这些注释可以用于训练,也可以与gtFine
一起使用,也可以在弱监督的环境中单独使用。gtBboxCityPersons
行人边界框注释,可用于所有训练和验证图像。 有关更多详细信息,请参阅helpers / labels_cityPersons.py以及CityPersons
出版物(Zhang等,CVPR’17)。leftImg8bit
左侧图像,采用8位LDR格式。这些图像都有标准的注释.leftImg16bit
左侧图像,采用16位HDR格式。这些图像提供每像素16位色彩深度并包含更多信息,特别是在场景的非常黑暗或明亮的部分。 警告:图像存储为16位PNG,这是非标准的,并且不是所有库都支持。rightImg8bit
右侧图像,采用8位LDR格式。rightImg16bit
右侧图像,采用16位HDR格式。timestamp
记录时间,单位是ns。 每个序列的第一帧总是有一个0的时间戳。disparity
预先计算的视差深度图。 为了获得视差值,对于p> 0的每个像素p计算:d =(float(p)-1)/ 256,而值p = 0是无效测量。 警告:图像存储为16位PNG,这是非标准的,并且不是所有库都支持。camera
内部和外部相机校准。 有关详情,请参阅 csCalibration.pdfvehicle
车辆测距,GPS坐标和室外温度。 详情请参阅csCalibration.pdf
随着时间的推移可能会增加更多类型,并且并非所有类型都是最初可用的,如果您需要其他元数据来运行您的方法,请告诉我们。
split
可能出现的值
train
通常用于训练, 包含 2975 张带有粗糙或精细标注的图像val
应该用于验证hyper-parameters,包含500个具有精细和粗糙注释的图像。 也可以用于训练.test
用于在我们的评估服务器上测试。 注释不公开,但为方便起见,我们包含自我车辆和整改边界的注释。train_extra
可以选择性地用于训练,包含带有粗略注释的19998张图像demoVideo
可用于定性评估的视频序列,这些视频不提供注释
脚本
在名为 scripts
的文件夹中有数据集包含几个脚本
helpers
被其他脚本文件调用的帮助文件viewer
用于查看图像和标注的脚本preparation
用于将GroundTruth注释转换为适合您的方法的格式的脚本evaluation
评价你的方法的脚本annotation
被用来标注数据集的标注工具
请注意,所有文件顶部都有一个小型documentation。 非常重要
helpers/labels.py
定义所有语义类ID的中心文件,并提供各种类属性之间的映射。helpers/labels_cityPersons.py
文件定义所有CityPersons行人类的ID并提供各种类属性之间的映射。viewer/cityscapesViewer.py
查看图像并覆盖注释。preparation/createTrainIdLabelImgs.py
将多边形格式的注释转换为带有标签ID的png图像,其中像素编码可以在“labels.py”中定义的“训练ID”。preparation/createTrainIdInstanceImgs.py
将多边形格式的注释转换为带有实例ID的png图像,其中像素编码由“train ID”组成的实例ID。evaluation/evalPixelLevelSemanticLabeling.py
该脚本来评估验证集上的像素级语义标签结果。该脚本还用于评估测试集的结果。evaluation/evalInstanceLevelSemanticLabeling.py
该脚本来评估验证集上的实例级语义标签结果。该脚本还用于评估测试集的结果。setup.py
运行setup.py build_ext --inplace
启用cython插件以进行更快速的评估。仅针对Ubuntu进行了测试。
脚本可以通过 pip安装,如下:
sudo pip install .
这将脚本安装为名为cityscapesscripts
的python模块并公开以下工具,请参阅上面的说明:
csViewer
csLabelTool
csEvalPixelLevelSemanticLabeling
csEvalInstanceLevelSemanticLabeling
csCreateTrainIdLabelImgs
csCreateTrainIdInstanceImgs
请注意,对于您需要安装的图形工具:
sudo apt install python-tk python-qt4
测评
一旦你想在测试集上测试你的方法,请在你提供的测试图像上运行你的方法并提交你的结果:
www.cityscapes-dataset.net/submit/
对于语义标注,我们要求结果格式与我们的名为labelIDs
的标签图像的格式相匹配。
因此,您的代码应该生成图像,其中每个像素的值与labels.py
中定义的类ID相对应。
请注意,我们的评估脚本包含在脚本文件夹中,可用于在验证集上测试您的方法。
有关提交过程的更多详细信息,请咨询我们的网站。
联系我们
如有任何问题,建议或意见,请随时与我们联系:
- Marius Cordts, Mohamed Omran
- mail@cityscapes-dataset.net
- www.cityscapes-dataset.net
Cityscape数据集脚本readme翻译相关推荐
- 写英文论文时,数据集应如何翻译?Dataset 或者 Data set,看完你就知道!
写英文论文时,数据集应如何翻译?Dataset 或者 Data set,看完你就知道! No.1:Dataset表示特定的数据集:Data set通常表示为任何数据集的数据集.在特定的上下文中,数据集 ...
- DTN设置、运行和参数介绍——ONE Readme 翻译
ONE模拟器 The ONE v1.6.0 - Readme原文 Quick start Configuring DTN2 Reference Implementation Connectivity ...
- YunYang1994/tensorflow-yolov3 Readme 翻译
TensorFlow2.0-Examples/4-Object_Detection/YOLOV3 文章目录 TensorFlow2.0-Examples/4-Object_Detection/YOLO ...
- Kaldi AMI数据集脚本学习2----run_prepare_shared.sh
在学习脚本文件时,重点关注哪些是调用标准函数,哪些是调用特定数据集的数据处理函数; 关注每个阶段处理的输入,输出和控制参数.不要面面俱到,试图理解每行代码. 1. 下载AMI数据集的xml标注文件包: ...
- u-boot README翻译
u-boot 根目录README文件 翻译 Summary Status Where to get help Where to get source code Where we come from N ...
- Web信息抽取——SWDE数据集简介(翻译)
摘要 SWDE(Structured Web Data Extraction, 结构化Web数据抽取)是用于结构化Web数据提取的大规模真实数据集,是从事网页信息抽取算法研究必须使用的一个数据集.这篇 ...
- Kaldi AMI数据集脚本学习3---run_ihm.sh stage 1~3
1. stage 1 在此之前,已经下载了130G的AMI数据在目录$AMI_DIR(wav_db/amicorpus)了. # Prepare ihm data directories, if [ ...
- Kaldi AMI数据集脚本学习1----cmd.sh和path.sh
1. cmd.sh 我是在个人电脑上运行Kaldi的,所以脚本关键内容如下: export train_cmd=run.pl export decode_cmd=run.pl export tfrn ...
- spo2数据集_自己翻译的Max30100寄存器中文资料(血氧心率传感器IC)
Max30100 可穿戴光电式的血氧心率传感器IC 总体描述: Max30100是一款集成的脉搏血氧和心率检测传感器.它使用了两个LED灯,一个用来优化光学的光电探测器,和低噪声模拟信号处理器,用来检 ...
- **3DSlicer**之Python脚本储存库翻译_10.Markups(1)
Script repository 译:脚本存储库 Note 译:注意 Usage: Copy-paste the code lines displayed below or the linked . ...
最新文章
- jmeter时间格式化
- poj 2063 Investment(01背包变形)
- linux查看网络流量
- jQuery:从零开始,DIY一个jQuery(1)
- oracle 日期格式化 修改_java学习笔记:时间日期类
- 关于“想哭”病毒,我也来两句。--转载
- 关于2017年总结及2018年计划
- 清除可恶的Search For ... [转载]
- Spring Boot/Cloud 背后豪华的研发团队
- js中多行字符串拼接
- PyTorch中查看GPU使用情况以及一些重要函数
- C#多线程的用法2-线程的生命周期
- Spring cloud--鸿鹄Cloud分布式微服务云系统—Config
- 39-java 输入输出总结
- HDMI热插拔原理及信号解析
- Spring AOP的术语:
- 无线蓝牙耳机哪款比较好用?2022蓝牙耳机推荐
- 增量学习方法分类及近两年论文汇总
- 【JUC 并发编程】JUC 基本概念
- 微信公众帐号开发教程第18篇-应用实例之音乐搜索
热门文章
- 平方项知多少?平方项、分组回归与门槛模型
- word回车后间距太大_word换行间距调整 word换行后间距变大
- c#中datagridview清空数据并删除空白行
- ecmobile php开发文档,ecmobile PHP接口说明文档之购物车(cart/create|list|detele|update)
- 一洗大增大膏是真的吗_久久享欲增大膏跟一洗大结合真的有那么神奇吗?
- 路由备份和路由聚合综合实验
- 公司法定代表人的法律风险及防范
- react native Switch使用详解
- 设计模式(三) 抽象工厂模式
- 直连路由、主机路由以及选择顺序