coco数据集目标检测论文_目标检测coco数据集点滴介绍
目标检测coco数据集点滴介绍
1. COCO数据集介绍
MS COCO 是google 开源的大型数据集, 分为目标检测、分割、关键点检测三大任务, 数据集主要由图片和json 标签文件组成。 coco数据集有自带COCO API,方便对json文件进行信息读取。本博客介绍是目标检测数据集格式的制作。
COCO通过大量使用Amazon Mechanical Turk来收集数据。COCO数据集现在有3种标注类型:object instances(目标实例), object keypoints(目标上的关键点), 和image captions(看图说话),使用JSON文件存储。
2. MSCOCO数据集数据结构{
"images":
[
{"file_name":"cat.jpg","id":1,"height":1000,"width":1000},
{"file_name":"dog.jpg","id":2,"height":1000,"width":1000},
...
]
"annotations":
[
{"image_id":1,"bbox":[100.00,200.00,10.00,10.00],"category_id":1}
{"image_id":2,"bbox":[150.00,250.00,20.00,20.00],"category_id":2}
...
]
"categories":
[
{"id":0,"name":"bg"}
{"id":1,"name":"cat"}
{"id":1,"name":"dog"}
...
]
}
标注文件中,"images" 关键字对应图片信息,"annotations" 关键字对应标注信息,"categories" 对应类别信息: "images": 该关键字对应的数据中,每一项对应一张图片,"file_name"对应图片名称,"id"对应图片序号,"height"和"width"分别对应图像的高和宽。 "annotations": 该关键字对应的数据中,每一项对应一条标注,"image_id"对应图片序号,"bbox"对应标注矩形框,顺序为[x, y, w, h],分别为该矩形框的起始点x坐标,起始点y坐标,宽、高。"category_id"对应类别序号。 "categories": 该关键字对应的数据中,每一项对应一个类别,"id"对应类别序号,"name"对应类别名称。
关键字关联说明: 1."annotations"中的元素通过"image_id"关联图像,比如"image_id":2,该条标注信息对应"images"中"id"为2的图像。 2."annotations"中的元素通过"category_id"关联类别,比如"category_id":2,该条标注信息对应"categories"中"id"为2的类别。
例: 在上面列出的数据结构中
这条标注信息通过"image_id"可以找到对应的图像为"cat.jpg",通过"category_id"可以找到对应的类别为"cat"
背景图片说明:
"annotations"中的元素,"category_id":0对应的是背景。当且仅当一张图片对应的所有annotations中,"category_id"都为0,该图片为背景图片。
3. COCO数据集json文件,分类和id
coco目标检测数据集标注目标信息采用的是数据格式是json,其内容本质是一种字典结构,字典堆栈和列表信息内容维护。
coco里面的id和类名字对应:总共80类,但id号到90!
coco_id_name_map={1: 'person', 2:
'bicycle', 3: 'car', 4: 'motorcycle', 5: 'airplane', 6: 'bus', 7: 'train', 8:
'truck', 9: 'boat', 10: 'traffic light', 11: 'fire hydrant', 13: 'stop sign',
14: 'parking meter', 15: 'bench', 16: 'bird', 17: 'cat', 18: 'dog', 19:
'horse', 20: 'sheep', 21: 'cow', 22: 'elephant', 23: 'bear', 24: 'zebra', 25:
'giraffe', 27: 'backpack', 28: 'umbrella', 31: 'handbag', 32: 'tie', 33:
'suitcase', 34: 'frisbee', 35: 'skis', 36: 'snowboard', 37: 'sports ball', 38:
'kite', 39: 'baseball bat', 40: 'baseball glove', 41: 'skateboard', 42:
'surfboard', 43: 'tennis racket', 44: 'bottle', 46: 'wine glass', 47: 'cup',
48: 'fork', 49: 'knife', 50: 'spoon', 51: 'bowl', 52: 'banana', 53: 'apple',
54: 'sandwich', 55: 'orange', 56: 'broccoli', 57: 'carrot', 58: 'hot dog', 59:
'pizza', 60: 'donut', 61: 'cake', 62: 'chair', 63: 'couch', 64: 'potted plant',
65: 'bed', 67: 'dining table', 70: 'toilet', 72: 'tv', 73: 'laptop', 74:
'mouse', 75: 'remote', 76: 'keyboard', 77: 'cell phone', 78: 'microwave', 79:
'oven', 80: 'toaster', 81: 'sink', 82: 'refrigerator', 84: 'book', 85: 'clock',
86: 'vase', 87: 'scissors', 88: 'teddy bear', 89: 'hair drier', 90:
'toothbrush'}
打开json文件:
with open(json_path,'r') as load_f:
load_dict =
json.load(load_f)
里面协议是这样的,annotations下面是每一个box的标注信息,包括分割的,当前框使用目标框,image_id,categogy_id。
因此要想获得整个数据集信息,必须遍历整个box信息,将其进行统计分配。
4. COCO数据集性能指标
COCO 提供了 12 种用于衡量目标检测器性能的评价指标.
Recall 召回率(查全率)。表示正确识别物体A的个数占测试集中物体A的总个数的百分数Recall = TP / (TP+FN)
Precision
精确率(查准率)。表示正确识别物体A的个数占总识别出的物体个数n的百分数Precision
= TP / (TP+FP)
fp
:false positive误报,即预测错误
fn
:false negative漏报,即没有预测到
tp:true
positive
tn:true
negative
iou:intersection-over-union
Accuracy 准确率。正确分类的样本数除以所有的样本数,正确率越高,分类器越好。Accuracy=(TP+TN)/
(TP+TN+FP+FN)
以上介绍都是基于2分类的,并不是多分类的
以下12个指标用于表征COCO上物体检测器的性能:
Average Precision (AP):
AP % AP at
IoU=0.50:0.05:0.95 (primary challenge metric)
APIoU=.50 % AP at IoU=0.50 (PASCAL VOC
metric)
APIoU=.75 % AP at IoU=0.75 (strict
metric)
AP
Across Scales:
APsmall % AP for small objects:
area < 322
APmedium % AP for medium objects: 322
< area < 962
APlarge % AP for large objects:
area > 962
Average
Recall (AR):
ARmax=1 % AR given 1 detection per
image
ARmax=10 % AR given 10 detections per
image
ARmax=100 % AR given 100 detections per
image
AR
Across Scales:
ARsmall % AR for small objects: area < 322
ARmedium % AR for medium objects: 322
< area < 962
ARlarge % AR for large objects:
area > 962
coco数据集目标检测论文_目标检测coco数据集点滴介绍相关推荐
- coco数据集目标检测论文_做目标检测,这6篇就够了:CVPR 2020目标检测论文盘点...
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 选自heartbeat 作者:Derrick Mwiti 转载:机 ...
- 基于神经网络的目标检测论文之目标检测系统:实时路况检测系统的设计与实现
第五章 实时路况检测系统的设计与实现 物体识别技术被广泛应用于人们的生产生活中.随着深度学习与云计算的飞速发展,带动了物体识别技术产生质的飞跃.高分辨率图像和检测的实时性要求越来越高. 从本章开始,我 ...
- 基于神经网络的目标检测论文之目标检测方法:改进的SSD目标检测算法
4.2 改进的SSD 上一章我们了解到,物体识别检测算法是在传统CNN算法基础上加上目标区域建议策略和边框回归算法得到的.前辈们的工作主要体现在目标区域建议的改进策略上,从最开始的穷举建议框,到划分图 ...
- [行为检测|论文解读]行为检测调研综述
计算机视觉 行为检测 视频理解 1. 背景 2. 国内外研究现状 3. 行为分类 3.1 研究难点 3.2 数据集介绍 3.3 传统方法 3.3.1 密集采样特征点 3.3.2 轨迹与轨迹描述子 3. ...
- 带电检测必要性_接地电阻检测分析的必要性
无论是为保障电力系统正常运行所需要设置的接地,如三相系统的中性点接地等:还是为了人身安全将电气设备的金属外壳等接地,保证金属外壳固定为地电位,一旦设备绝缘损坏使外壳带电时不致产生危险的电位升高,引起工 ...
- a4504光耦怎么检测好坏_如何检测光耦的好坏
如何检测光耦的好坏 光电耦合器 -- 又称光耦合器或光耦,它属于较新型的电子产品,现在它广泛应用于计算机.音视频 -- 各种控 制电路中.由于光耦内部的发光二极管和光敏三极管只是把电路前后级的电压或电 ...
- 基于主机的入侵检测优缺点_入侵检测技术 课后答案
– – 1 第 1 章 入侵检测概述 思考题: ( 1 ) 分布式入侵检测系统 ( DIDS ) 是如何把基于主机的入侵检测方法和基于网络的入 侵检测方法集成在一起的? 答:分布式入侵检测系统是将主机 ...
- pythonopencv检测行人_行人检测 基于 OpenCV 的人体检测
原文链接行人检测 基于 OpenCV 的人体检测 - 热分享hotdog29.com 行人检测 基于 OpenCV 的人体检测 我们都知道,无论性别,种族或种族如何,我们的身体都具有相同的基本结构. ...
- python进行异常检测工具_异常检测以及开源工具简介
图1 异常检测 什么是异常点 异常点是指其值与其他值存在显著不同的数据点.以时间序列为例,时间序列中的异常点,其时间超过了该序列的正常范围,而不考虑数据点之间的时间关系.换句话说,即使将所有数据点都视 ...
最新文章
- 你有什么技能是公司离不开你
- 网站突然不收录?如何做到自审、自查、自纠?
- python封装c++接口_使用MetaSIP自动生成SIP封装C++到Python接口
- oracle中 使用不了,Oracle 中不使用NOT IN 和 NOT EXISTS的另一种方法
- ide打开项目运行和调试按钮都是灰色的_如何开发一个IDE
- 软件调试中的断点分类
- 恢复 管理员密码 新建管理员账号
- 固件是通用的吗_冷镦和冷挤压是一回事吗,两者有什么区别?
- MATLAB强化学习入门——三、深度Q学习与神经网络工具箱
- 借助WinPE进行Windows系统安装
- 数据可视化大屏的4大优势盘点,超实用!
- 被老程序员压榨怎么办?我不想辞职
- Scala - 快速学习09 - 函数式编程:一些操作
- 云编程那些事4 - 不造巴比伦塔
- 教你如何将 优酷网等视频网站的视频外链时自动播放
- linux 修改路由表 永久,CentOS 6.9永久设置静态路由表以及路由表常用设置
- 知识付费小程序源码可开流量主
- 计算机毕业设计ssm社区爱心活动网站be83l系统+程序+源码+lw+远程部署
- python 爬取_我用Python爬取了妹子网100G的套图
- HTML5期末大作业:动漫人物介绍网站设计——哆啦A梦(5页) HTML+CSS+JavaScript 学生动漫网页设计模板下载 哆啦A大学生HTML网页制作作品 简单漫画网页设计成品...