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) ...

【目标检测适用】Pascal Voc（07+12）联合训练并在07上测试

1. 概览

2. 第一种组织方式

3. 第二种组织方式

【目标检测适用】Pascal Voc（07+12）联合训练并在07上测试相关推荐

最新文章

热门文章