Cityscape是一个大型语义分割数据集，包含多种类型数据子集和处理代码

Cityscape包含多种数据集，本文只关注gtFine/精细标注的语义分割部分

gtFine部分的标注，对应leftImg8bit的原始图片

数据及代码下载链接：

数据集官方网站：https://www.cityscapes-dataset.com/ （推荐使用迅雷下载）

github处理代码地址：https://github.com/mcordts/cityscapesScripts

国内下载连接：

aistudio下载链接（包括gtFine及leftImg8bit）：https://aistudio.baidu.com/aistudio/datasetdetail/48855

gtFine数据(无对应的Img) 下载链接：https://pan.baidu.com/s/1hWRDTnDD1uE29W2691x1xQ 提取码：9tcd

其他博主数据集下载地址（包括gtFine及leftImg8bit）：https://blog.csdn.net/zym19941119/article/details/81198315

gtFine数据集基本信息：

影像：

shape=(1024,2048,4)

num=2975+500+1525=5000幅

标注：

35个小类（name、id列，用于评测）
8大类（category、catId列，用于创建 ground truth）
20个train类（trainId列，官方提供，可根据需要调整）

可以在处理代码 helpers / labels.py中查看对应标签（可见本文末尾），labels.py中也包含了各种分类说明

gtFine文件结构：

数据分布：

train（aachen 174*4、bochum 96*4、bremen 316*4、cologne 154*4、darmstadt 85*4、dusseldorf 221*4、erfurt 109*4、hamburg 248*4、hanover 196*4、jena 119*4、krefeld 99*4、monchengladbach 94*4、strasbourg 365*4、stuttgart 196*4、tubingen 144*4、ulm 95*4、weimar 142*4、zurich 122*4），共2975*4个文件

val（frankfurt 267*4、lindau 59*4、munster 174*4），共500*4个文件

test（berlin 544*4、bielefeld 181*4、bonn 46*4、leverkusen 58*4、mainz 298*4、munich 398*4），共1525*4个文件

train、val单个样本结构：

color: 彩色类别图（用于可视化观察）
instanceIds: 实例分割ID
labelIds: 标签ID（35小类）
polygons: 边界多边形（35小类及对应边界像素位置）

如果需要使用trainId分类编码，可以直接调用preparation / createTrainIdLabelImgs.py，修改其中的路径参数（data_path/cityscapesPath）即可生成新gt（需要安装pillow库，部分版本安装后运行此代码报错pillow未安装，可以将helpers/chHelpers.py、preparation/json2labelImg.py 中的 from PIL import PILLOW_VERSION 改为import PIL）

如果需要其他类别也可以根据代码自行修改

test结构尚未研究

处理代码结构：

helpers: helper files that are included by other scripts labels.py包含标签类别详解
viewer: view the images and the annotations
preparation: convert the ground truth annotations into a format suitable for your approach createTrainIdLabelImgs.py可以创建trainId类标签图像
evaluation: validate your approach
annotation: the annotation tool used for labeling the dataset
download: downloader for Cityscapes packages

labels = [#       name                     id    trainId   category            catId     hasInstances   ignoreInEval   colorLabel(  'unlabeled'            ,  0 ,      255 , 'void'            , 0       , False        , True         , (  0,  0,  0) ),Label(  'ego vehicle'          ,  1 ,      255 , 'void'            , 0       , False        , True         , (  0,  0,  0) ),Label(  'rectification border' ,  2 ,      255 , 'void'            , 0       , False        , True         , (  0,  0,  0) ),Label(  'out of roi'           ,  3 ,      255 , 'void'            , 0       , False        , True         , (  0,  0,  0) ),Label(  'static'               ,  4 ,      255 , 'void'            , 0       , False        , True         , (  0,  0,  0) ),Label(  'dynamic'              ,  5 ,      255 , 'void'            , 0       , False        , True         , (111, 74,  0) ),Label(  'ground'               ,  6 ,      255 , 'void'            , 0       , False        , True         , ( 81,  0, 81) ),Label(  'road'                 ,  7 ,        0 , 'flat'            , 1       , False        , False        , (128, 64,128) ),Label(  'sidewalk'             ,  8 ,        1 , 'flat'            , 1       , False        , False        , (244, 35,232) ),Label(  'parking'              ,  9 ,      255 , 'flat'            , 1       , False        , True         , (250,170,160) ),Label(  'rail track'           , 10 ,      255 , 'flat'            , 1       , False        , True         , (230,150,140) ),Label(  'building'             , 11 ,        2 , 'construction'    , 2       , False        , False        , ( 70, 70, 70) ),Label(  'wall'                 , 12 ,        3 , 'construction'    , 2       , False        , False        , (102,102,156) ),Label(  'fence'                , 13 ,        4 , 'construction'    , 2       , False        , False        , (190,153,153) ),Label(  'guard rail'           , 14 ,      255 , 'construction'    , 2       , False        , True         , (180,165,180) ),Label(  'bridge'               , 15 ,      255 , 'construction'    , 2       , False        , True         , (150,100,100) ),Label(  'tunnel'               , 16 ,      255 , 'construction'    , 2       , False        , True         , (150,120, 90) ),Label(  'pole'                 , 17 ,        5 , 'object'          , 3       , False        , False        , (153,153,153) ),Label(  'polegroup'            , 18 ,      255 , 'object'          , 3       , False        , True         , (153,153,153) ),Label(  'traffic light'        , 19 ,        6 , 'object'          , 3       , False        , False        , (250,170, 30) ),Label(  'traffic sign'         , 20 ,        7 , 'object'          , 3       , False        , False        , (220,220,  0) ),Label(  'vegetation'           , 21 ,        8 , 'nature'          , 4       , False        , False        , (107,142, 35) ),Label(  'terrain'              , 22 ,        9 , 'nature'          , 4       , False        , False        , (152,251,152) ),Label(  'sky'                  , 23 ,       10 , 'sky'             , 5       , False        , False        , ( 70,130,180) ),Label(  'person'               , 24 ,       11 , 'human'           , 6       , True         , False        , (220, 20, 60) ),Label(  'rider'                , 25 ,       12 , 'human'           , 6       , True         , False        , (255,  0,  0) ),Label(  'car'                  , 26 ,       13 , 'vehicle'         , 7       , True         , False        , (  0,  0,142) ),Label(  'truck'                , 27 ,       14 , 'vehicle'         , 7       , True         , False        , (  0,  0, 70) ),Label(  'bus'                  , 28 ,       15 , 'vehicle'         , 7       , True         , False        , (  0, 60,100) ),Label(  'caravan'              , 29 ,      255 , 'vehicle'         , 7       , True         , True         , (  0,  0, 90) ),Label(  'trailer'              , 30 ,      255 , 'vehicle'         , 7       , True         , True         , (  0,  0,110) ),Label(  'train'                , 31 ,       16 , 'vehicle'         , 7       , True         , False        , (  0, 80,100) ),Label(  'motorcycle'           , 32 ,       17 , 'vehicle'         , 7       , True         , False        , (  0,  0,230) ),Label(  'bicycle'              , 33 ,       18 , 'vehicle'         , 7       , True         , False        , (119, 11, 32) ),Label(  'license plate'        , -1 ,       -1 , 'vehicle'         , 7       , False        , True         , (  0,  0,142) ),
]

Cityscapes数据集gtFine部分介绍相关推荐

语义分割之VOC2012、Cityscapes数据集介绍
PASCAL-VOC2012 PASCAL-VOC2012数据集介绍官网: 参考数据集下载地址:http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCt ...
无人驾驶常用数据集---图像语义分割数据集--Cityscapes数据集的解读（for 小白）
** 无人驾驶常用数据集–图像语义分割数据集–Cityscapes数据集的解读(for 小白) ** 一.什么是Cityscapes数据集? Cityscapes是关于城市街道场景的语义理解图片数据集 ...
语义分割-CityScapes数据集
前言常见的语义分割数据集有VOC2012, MS COCO以及Cityscapes等. 今天我们介绍Cityscapes数据集 1. 数据集简介 Cityscapes数据集,即城市景观数据集,其中包 ...
【工程测试与训练】使用BiSeNetv2测试、训练cityscapes数据集、训练自己的数据集
1 准备工作下载工程工程下载:https://github.com/CoinCheung/BiSeNet 预训练模型下载: 工程下载后解压,并在其中创建文件夹[MODEL]用于存放预训练模型 ...
Cityscapes数据集（智能驾驶场景的语义分割）
前言面向智能驾驶(辅助驾驶.自动驾驶)场景下的语义分割任务,由于非结构化场景的复杂性,是一个非常具有挑战性的任务,所以有许多研究者和研究机构公开了很多相关的数据集推动语义分割领域的发展.本文主要介绍 ...
使用CityScapes数据集训练实例分割网络YOLACT
#2020开年第一篇,谁能预料新年伊始的世界如此脆弱,中国疫情肆虐,美伊箭拔弩张,英国愤懑脱欧,儿时的偶像科比和女儿也不幸离世,生命之渺小,生活之曲折,兄弟们,要充满阳光地活着啊,人间,值得.:-)今 ...
Pytorch移植Deeplabv3训练CityScapes数据集详细步骤
源代码链接: https://github.com/fregu856/deeplabv3#paperspace 这个源代码相对简单,可以用来仔细看下,学习思想. 环境配置源代码使用的是pytorch ...
CityScapes数据集简介与数据处理和精度指标
1. 数据集简介 Cityscapes数据集,即城市景观数据集,其中包含从50个不同城市的街景中记录的各种立体视频序列,除了更大的20000个弱注释帧之外,还有高质量的5000帧像素级注释.Citys ...
cityscapes数据集
一:下载: 官方网站:Semantic Understanding of Urban Street Scenes 以下下载内容来自(https://zhuanlan.zhihu.com/p/14719 ...
cityscapes场景图_图像语意分割训练Cityscapes数据集SegNet-ConvNet神经网络详解
版权声明:本文首发于本人CSDN博客. 前言:经过将近一个月的陆续学习研究,在神经网络中训练多分类任务识别Cityscapes数据集,终于在最近得到了理想中的实验结果.在我陷入对细节参数调整不当及诸多 ...

Cityscapes数据集gtFine部分介绍