【目标检测适用】Pascal Voc(07+12)联合训练并在07上测试
跑过很多模型,每次用Pascal Voc的组织方式都不同,但是一般都是用Pascal Voc2007+2012做训练,在Pascal Voc2007上做测试,记录如下:
1. 概览
对于分类/检测任务而言,完成07 + 12数据集合并后,共得到如下数据:
- 训练数据:
16551
张图像,共40058
个目标- 测试数据:
4952
张图像,共12032
个目标
其中VOC 2007的训练集提供了
- 训练数据:
2501
张图像,共6301
个目标- 验证数据:
2510
张图像,共6307
个目标- 训练+验证数据:
5011
张图像,共12608
个目标
VOC 2012的训练集提供了
- 训练数据:
5717
张图像,共13609
个目标- 验证数据:
5823
张图像,共13841
个目标- 训练+验证数据:
11540
张图像,共27450
个目标
VOC 2007的测试集提供了
测试数据:
4952
张图像,共12032
个目标
2. 第一种组织方式
我把VOC_ROOT
设置为/data/data_hx/new-YOLO-PyTorch/data/VOCdevkit/
,下面有VOC2007
和VOC2012
两个文件夹
这两个文件夹的内容怎么来的呢?
从官网下载四个压缩包,解压三个,其中VOC2012test我们是用不着的。
- 对
VOCtrainval_11-May-2012
,直接重命名为VOC2012
- 对
VOCtrainval_06-Nov-2007
和VOCtest_06-Nov-2007
,两个内容合并后重命名为VOC2007
.(组织方式下面给出)
├── VOCtest_06-Nov-2007
│ └── VOCdevkit
│ └── VOC2007
│ ├── Annotations
│ ├── ImageSets
│ ├── JPEGImages
│ ├── SegmentationClass(检测不用)
│ └── SegmentationObject(检测不用)
├── VOCtest_06-Nov-2007.tar
├── VOCtrainval_06-Nov-2007
│ └── VOCdevkit
│ └── VOC2007
│ ├── Annotations
│ ├── ImageSets
│ ├── JPEGImages
│ ├── SegmentationClass(检测不用)
│ └── SegmentationObject(检测不用)
做好上述工作后按以下方式加载VOC数据集:
先给出VOCDetection
函数,默认的image_sets
是07和12年的trainval
class VOCDetection(data.Dataset):"""VOC Detection Dataset Objectinput is image, target is annotationArguments:root (string): filepath to VOCdevkit folder.image_set (string): imageset to use (eg. 'train', 'val', 'test')transform (callable, optional): transformation to perform on theinput imagetarget_transform (callable, optional): transformation to perform on thetarget `annotation`(eg: take in caption string, return tensor of word indices)dataset_name (string, optional): which dataset to load(default: 'VOC2007')"""def __init__(self, root, img_size,image_sets=[('2007', 'trainval'), ('2012', 'trainval')],transform=None, target_transform=VOCAnnotationTransform(),dataset_name='VOC0712', mosaic=False):self.root = rootself.img_size = img_sizeself.image_set = image_setsself.transform = transformself.target_transform = target_transformself.name = dataset_nameself._annopath = osp.join('%s', 'Annotations', '%s.xml')self._imgpath = osp.join('%s', 'JPEGImages', '%s.jpg')self.ids = list()self.mosaic = mosaicfor (year, name) in image_sets:rootpath = osp.join(self.root, 'VOC' + year)for line in open(osp.join(rootpath, 'ImageSets', 'Main', name + '.txt')):self.ids.append((rootpath, line.strip()))
训练时按如下方式加载:
if args.dataset == 'voc':data_dir = VOC_ROOT #VOC2007和VOC2012所在的根目录num_classes = 20dataset = VOCDetection(root=data_dir, img_size=train_size[0],transform=SSDAugmentation(train_size)) #这里是训练加载evaluator = VOCAPIEvaluator(data_root=data_dir,img_size=val_size,device=device,transform=BaseTransform(val_size),labelmap=VOC_CLASSES)
测试的时候按如下方式加载:
dataset = VOCDetection(root=VOC_ROOT, img_size=input_size[0], image_sets=[('2007', 'test')], transform=None)
dataset
加载之后就是dataloader或者其他取图片的操作了,不同模型处理方式也不一样,这个都有不细说。
这种方式下,训练用的样本是trainval,训练中的评估用的是test
3. 第二种组织方式
在YOLOV3中,默认进行COCO数据集的评估。如果想对Pascal VOC进行验证,则按以下方式进行。
首先在yolov3/data/
建立JPEGImages、ImageSets、Annotations三个文件夹。然后把VOCtrainval_11-May-2012
、VOCtrainval_06-Nov-2007
和VOCtest_06-Nov-2007
三个文件夹内容都整合到一块儿。
JPEGImages改名为images
最后统计结果是
JPEGImages和Annotations下各有(17125+5011+4952=27088)
ImageSets中新建train.txt
,内容是VOCtrainval_11-May-2012
、VOCtrainval_06-Nov-2007
文件夹里trainval.txt的合并,最后有11540+5011=16551项
ImageSets中新建test.txt
,内容是VOCtest_06-Nov-2007
里test.txt,最后由4952项
在yolov3目录下建立voc_label.py文件,使用python voc_label.py执行。
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import joinsets = ['train', 'test']classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]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]x = x * dww = w * dwy = y * dhh = h * dhreturn (x, y, w, h)def convert_annotation(image_id):in_file = open('data/Annotations/%s.xml' % (image_id))out_file = open('data/labels/%s.txt' % (image_id), 'w')tree = ET.parse(in_file)root = tree.getroot()size = root.find('size')w = int(size.find('width').text)h = int(size.find('height').text)for obj in root.iter('object'):difficult = obj.find('difficult').textcls = obj.find('name').textif cls not in classes or int(difficult) == 1:continuecls_id = classes.index(cls)xmlbox = obj.find('bndbox')b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))bb = convert((w, h), b)out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')wd = getcwd()
print(wd)
for image_set in sets:if not os.path.exists('data/labels/'):os.makedirs('data/labels/')image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()list_file = open('data/%s.txt' % (image_set), 'w')for image_id in image_ids:list_file.write('data/images/%s.jpg\n' % (image_id))convert_annotation(image_id)list_file.close()
在data目录下新建voc.data,内容如下
classes=20
train=data/train.txt
valid=data/test.txt
names=data/voc.names
backup=backup/
eval=coco
在data目录下新建voc.names,内容如下
aeroplane
bicycle
bird
boat
bottle
bus
car
cat
chair
cow
diningtable
dog
horse
motorbike
person
pottedplant
sheep
sofa
train
tvmonitor
按上述方式便可以成功组织数据集,之后运行train.py文件即可。
需注意环境会对训练过程带来影响
参考:
https://blog.zhujian.life/posts/5a56cd45.html
【目标检测适用】Pascal Voc(07+12)联合训练并在07上测试相关推荐
- 目标检测数据集PASCAL VOC简介
简介 PASCAL VOC挑战赛 (The PASCAL Visual Object Classes )是一个世界级的计算机视觉挑战赛, PASCAL全称:Pattern Analysis, Stat ...
- 目标检测:PASCAL VOC 数据集简介
一.简介 PASCAL VOC 挑战赛主要有 Object Classification .Object Detection.Object Segmentation.Human Layout.Acti ...
- 目标检测数据集-Pascal VOC 数据集介绍
个人微信公众号:AI研习图书馆 ID:(Art-Intelligence) 欢迎关注,交流学习,共同进步~ 1.引言 PASCAL VOC数据集,为图像识别和分类提供了一整套标准化的优秀数据集,从20 ...
- [数据集][目标检测]篮球数据集VOC格式7398张
数据集格式:Pascal VOC格式(不包含分割路径的txt文件和yolo格式的txt文件,仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数):7398 标注数量(xml文件个数):739 ...
- [数据集][目标检测]塔吊数据集VOC格式2559张
数据集格式:Pascal VOC格式(不包含分割路径的txt文件和yolo格式的txt文件,仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数):2559 标注数量(xml文件个数):255 ...
- 论文解析:人脸检测中级联卷积神经网络的联合训练
论文解析:人脸检测中级联卷积神经网络的联合训练 商汤科技解析CVPR2016论文:人脸检测中级联卷积神经网络的联合训练 width="250" height="250&q ...
- tensorflow精进之路(二十五)——Object Detection API目标检测(下)(VOC数据集训练自己的模型进行目标检测)
1.概述 上一讲,我们使用了别人根据COCO数据集训练好的模型来做目标检测,这一讲,我们就来训练自己的模型. 2.下载数据集 为了方便学习,我们先使用别人整理好的数据集来训练---VOC 2012数据 ...
- 目标检测,将voc格式转化为coco格式详细过程
在目标检测方法研究中,数据集的格式至关重要,为了减小模型的训练时长,需要现在小数据集进行模型研究,从而需要将VOC数据集转化为coco格式.下面一步一步来看: 1. 下载VOC数据集 Pascal V ...
- 【目标检测实战学习】从零开始制作并训练自己的VOC数据集,并使用Retinanet进行目标检测
目录 基础软件安装 项目来源 环境配置 使用LabelImg给图片打标签 数据增强 划分训练集,测试集 模型训练 将验证集结果可视化 首先写一下我们这个项目的思路 1.下载图片,网上随便找 2.使用L ...
- 【目标检测实验系列】使用yolov3 spp训练西工大遥感数据集NWPU VHR-10(包括如何将NWPU VHR-10转为VOC格式和yolov3 spp实验调试的详细步骤,且附上训练完的权重文件)
目录 1. 文章主要内容 2. 西工大数据集转换为VOC格式数据集 2.1 VOC数据集结构 2.2 西工大数据集 2.3 转换格式 2.3.1 构建与VOC类似的数据集文件结构(文件夹名可以自定义) ...
最新文章
- python 之三级菜单
- HDU 2564 饭卡
- python中对数组合并的方法
- 借助Sniffer分析网络流量
- ckeditor5加字数_ckeditor字数限制
- Oracle应用迁移到AnalyticDB for PostgreSQL指导
- ssh 免密登录并用脚本群起服务
- C#Linq的10个练习
- node 单个表加条件查询
- 学习linux/unix编程方法的建议-转
- 百套Java实战项目
- Hilbert变换器
- 二级计算机题世界动物日,计算机二级考试真题-PPT-张宇-世界动物日介绍
- Java处理图片和视频文件——视频抽帧与图片压缩
- c语言学习笔记(7)单引号,双引号和逻辑符号的用法
- 与浏览网站的访客直接进行QQ对话
- 前端中DOM是什么,怎样理解dom
- sketch android设计,安卓手机预览sketch设计稿的偏方
- 启动容器后,即便映射了端口,使用docker ps 命令查看,ports列也是空
- Taro编译微信小程序实现顶部自定义导航栏
热门文章
- .bss段和.data段引起的文件大小增加
- 二元置信椭圆r语言_医学统计R语言:分面画boxplot
- win10重置系统后右键一直转圈,解决鼠标右键一直转圈问题
- 数据结构 严薇敏 单链表(无头结点)的实现(增 删 改 查)及其使用方法详解
- P2627 [USACO11OPEN]Mowing the Lawn G
- csgo 机器人模式_csgo怎么加机器人
- Matrix Operations -- Transpose +Determinant + Adjugate+ Inverse + Gram-Schimidt +LUP + QR + Eigen
- 台式计算机不休眠,台式机如何设置不休眠
- python sort函数原理_python sort函数原理
- 嵌入式软件项目流程、项目启动说明书(示例)