数据集annotation

使用paddle paddle yolo v3的模型，将这个数据集的json内容转换为xml格式。

crowdhuman的odgt文件各项意义

参考官网：http://www.crowdhuman.org/download.html
但说得并不明确，这里对照图片总结了一下：

JSON{"ID" : image_filename,  ---> filename"gtboxes" : [gtbox],  ---> gtbox框列表
}gtbox{"tag" : "person" or "mask",  ---> mask表示是人群，或者反光，或者像人的东西，需要被忽略的数据，此时extra中的ignore = 1"vbox": [x, y, w, h], ---> visible box,可看见的部分的检测框，框坐标为左上角x,y + weight, height"fbox": [x, y, w, h], ---> full box,预测的全部的检测框，当extra的occ == 0时, 这个值和vbox相等"hbox": [x, y, w, h], ---> head box,预测头的部分的检测框"extra" : extra, ---> person额外描述"head_attr" : head_attr, ---> head额外描述
}extra{ ---> 内容均为可选项"ignore": 0 or 1, ---> 对应上述mask，ignore = 1"box_id": int, ---> 当前gtbox的id"occ": int, ---> 图像是否有遮挡， =1有遮挡
}head_attr{ ---> 内容均为可选项"ignore": 0 or 1, ---> 未知?"unsure": int, ---> 图像是否不确定(置信度低)"occ": int, ---> 同上
}

转换为paddle yolo的格式

输入哪些数据?

一开始：

box分为三类，只用于摄像头采集的场景
ignore = 1，unsure = 1时, 不使用这个box
遮挡：一开始occ = 1也输入，发现效果不好，loss不下降，不使用
分辨率：数据集中很多人群图片，box像素太少的，不使用

发现loss一直不下降，怀疑是数据集问题。再看了下这个odgt文件中的数据，发现occ为0时,fbox和vbox相等。

于是:

分为两类，head and body，只输入vbox和hbox
ignore/ unsure == 1时，对应的vbox/hbox忽略
head_attr的occ==1时，忽略hbox
图片先缩放为XXX*480的大小，再根据缩放后的box，过滤较小尺寸的box。
发现剩下的图片里，有很多人体重合度高的情形，因此再过滤次小尺寸，且occ==1的vbox
调整尺寸过滤的阈值，使最终的总boxes里，两类样本数量接近。

剔除后，验证集acc在85左右就不能提升了，loss也很高。另外一个使用项目场景的图片训练的人脸识别模型，效果就非常好，实际使用到项目时，还是以项目场景的图片作训练效果最好，同时要剔除那些可能存在干扰的项。

输出模型

yolo模型的输入图片像素需要为32的倍数。采用192*192，384*384等分辨率freeze模型。较小的输入图像速度会快很多，相较之下会损失检测框精度，最主要的是画面中较小目标的识别能力。因此输入图像分辨率也是根据实际情况来权衡。

paddle - crowdHuman数据集训练人体识别模型相关推荐

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 ...
Win10+YOLOv4/v3用yolo_mark标记数据集训练自己的模型
Win10+Yolov4用yolo_mark标记数据集训练自己的模型文章目录 1. 前言 2. darknet 3. yolo_mark 3.1 yolo_mark和opencv的下载 3.2 y ...
Keras之DNN：利用DNN算法【Input(8)→12+8(relu)→O(sigmoid)】利用糖尿病数据集训练、评估模型(利用糖尿病数据集中的八个参数特征预测一个0或1结果)
Keras之DNN:利用DNN算法[Input(8)→12+8(relu)→O(sigmoid)]利用糖尿病数据集训练.评估模型(利用糖尿病数据集中的八个参数特征预测一个0或1结果) 目录输出结果 ...
MSCOCO数据集转VOC数据集训练目标检测模型
MSCOCO数据集转VOC数据集训练目标检测模型 Images 2014 Train images [83K/13GB] 2014 Val images [41K/6GB] 2014 Test ima ...
基于TensorFlow训练花朵识别模型的源码和Demo
基于TensorFlow训练花朵识别模型的源码和Demo 转发来源: https://blog.csdn.net/Anymake_ren/article/details/80550684 下面就通过对 ...
利用PaddleOCR训练车牌识别模型
目录 1--前言 2--生成车牌数据集 3--构建车牌数据集标签 4--自定义字典 5--训练模型 6--模型转换和推理 7--模型转换为onnx模型 8--参考 1--前言 ①系统:Ubuntu18 ...
Python+OpenCV实现AI人脸识别身份认证系统(3)—训练人脸识别模型
目录案例引入本节项目最近有小伙伴们一直在催本项目的进度,好吧,今晚熬夜加班编写,在上一节中,实现了人脸数据的采集,在本节中将对采集的人脸数据进行训练,生成识别模型. 案例引入首先简要讲解数据集 ...
python实现人脸检测及识别（2）---- 利用keras库训练人脸识别模型
前面已经采集好数据集boss文件夹存放需要识别的对象照片,other存放其他人的训练集照片,现在,我们终于可以尝试训练我们自己的卷积神经网络模型了.CNN擅长图像处理,keras库的tensorflo ...
利用COCO API测试自己数据集训练的YOLOv3模型的mAP（VOC格式数据集）
目录工具前言生成标注集的json文件数据集准备将voc注解格式数据集的注解转换成txt注解格式自定义数据集的注解转换成coco的注解格式生成结果集的json文件安装darknet 获取 ...

paddle - crowdHuman数据集训练人体识别模型