cityscapes数据集具体使用方法
2024-05-14 00:06:53
cityscapes数据集配一个cityscapesscripts工具。该工具内有定义自己类别数的实现文件。
例如不想要这么多类的语义分割，先修改labels.py文件，把想注释掉的类别的trainId修改为255，ignoreInEval修改为True。然后运行createTrainIdLabelImgs.py。这个文件读取json文件的多边形，将多边形区域设置为trainId的值。输出文件为类似
其中白色就是255 暗色就是各个类别的trainid值。
很遗憾，没安明白。又搜到了下面的方法,也可以实现生成上面标注图的功能。
第一步首先要找到数据集label颜色对应类别的列表：（这个一般在官网或者是github上会有，cityscapes我就是从github上找的）
Label = namedtuple('Label', ['name', 'id', 'trainId', 'category', 'categoryId', 'hasInstances', 'ignoreInEval', 'color'])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 , 1 , 'flat' , 1 , False , False , (128, 64,128) ),Label( 'sidewalk' , 8 , 2 , '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 , 3 , 'construction' , 2 , False , False , ( 70, 70, 70) ),Label( 'wall' , 12 , 4 , 'construction' , 2 , False , False , (102,102,156) ),Label( 'fence' , 13 , 5 , '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 , 6 , 'object' , 3 , False , False , (153,153,153) ),Label( 'polegroup' , 18 , 255 , 'object' , 3 , False , True , (153,153,153) ),Label( 'traffic light' , 19 , 7 , 'object' , 3 , False , False , (250,170, 30) ),Label( 'traffic sign' , 20 , 8 , 'object' , 3 , False , False , (220,220, 0) ),Label( 'vegetation' , 21 , 9 , 'nature' , 4 , False , False , (107,142, 35) ),Label( 'terrain' , 22 , 10 , 'nature' , 4 , False , False , (152,251,152) ),Label( 'sky' , 23 , 11 , 'sky' , 5 , False , False , ( 70,130,180) ),Label( 'person' , 24 , 12 , 'human' , 6 , True , False , (220, 20, 60) ),Label( 'rider' , 25 , 13 , 'human' , 6 , True , False , (255, 0, 0) ),Label( 'car' , 26 , 14 , 'vehicle' , 7 , True , False , ( 0, 0,142) ),Label( 'truck' , 27 , 15 , 'vehicle' , 7 , True , False , ( 0, 0, 70) ),Label( 'bus' , 28 , 16 , '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 , 17 , 'vehicle' , 7 , True , False , ( 0, 80,100) ),Label( 'motorcycle' , 32 , 18 , 'vehicle' , 7 , True , False , ( 0, 0,230) ),Label( 'bicycle' , 33 , 19 , 'vehicle' , 7 , True , False , (119, 11, 32) ),Label( 'license plate' , -1 , -1 , 'vehicle' , 7 , False , True , ( 0, 0,142) ),
]
第二步，把labels的标注读到一个color2index字典当中：
color2index = {}color2index[(0, 0, 0)] = 0 # add an void classfor obj in labels:if obj.ignoreInEval:continueidx = obj.trainIdlabel = obj.namecolor = obj.colorcolor2index[color] = idxprint(color2index)第三步，读入label图片，然后把图片中每个像素的RGB值跟color2index字典对比，相同的则记录下color2index里该RGB值的索引index
完整代码：
import numpy as np
import scipy.misc
from collections import namedtuple
np.set_printoptions(threshold=np.inf)
Label = namedtuple('Label', ['name','id','trainId','category','categoryId','hasInstances','ignoreInEval','color'])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 , 1 , 'flat' , 1 , False , False , (128, 64,128) ),Label( 'sidewalk' , 8 , 2 , '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 , 3 , 'construction' , 2 , False , False , ( 70, 70, 70) ),Label( 'wall' , 12 , 4 , 'construction' , 2 , False , False , (102,102,156) ),Label( 'fence' , 13 , 5 , '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 , 6 , 'object' , 3 , False , False , (153,153,153) ),Label( 'polegroup' , 18 , 255 , 'object' , 3 , False , True , (153,153,153) ),Label( 'traffic light' , 19 , 7 , 'object' , 3 , False , False , (250,170, 30) ),Label( 'traffic sign' , 20 , 8 , 'object' , 3 , False , False , (220,220, 0) ),Label( 'vegetation' , 21 , 9 , 'nature' , 4 , False , False , (107,142, 35) ),Label( 'terrain' , 22 , 10 , 'nature' , 4 , False , False , (152,251,152) ),Label( 'sky' , 23 , 11 , 'sky' , 5 , False , False , ( 70,130,180) ),Label( 'person' , 24 , 12 , 'human' , 6 , True , False , (220, 20, 60) ),Label( 'rider' , 25 , 13 , 'human' , 6 , True , False , (255, 0, 0) ),Label( 'car' , 26 , 14 , 'vehicle' , 7 , True , False , ( 0, 0,142) ),Label( 'truck' , 27 , 15 , 'vehicle' , 7 , True , False , ( 0, 0, 70) ),Label( 'bus' , 28 , 16 , '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 , 17 , 'vehicle' , 7 , True , False , ( 0, 80,100) ),Label( 'motorcycle' , 32 , 18 , 'vehicle' , 7 , True , False , ( 0, 0,230) ),Label( 'bicycle' , 33 , 19 , 'vehicle' , 7 , True , False , (119, 11, 32) ),Label( 'license plate' , -1 , -1 , 'vehicle' , 7 , False , True , ( 0, 0,142) ),
]if __name__ =='__main__':color2index = {}color2index[(0, 0, 0)] = 0 # add an void classfor obj in labels:if obj.ignoreInEval:continueidx = obj.trainIdlabel = obj.namecolor = obj.colorcolor2index[color] = idxprint(color2index)img = r'F:\dataset\cityspaces\gtFine\train\aachen\aachen_000002_000019_gtFine_color.png'img = scipy.misc.imread(img, mode='RGB')height, weight, _ = img.shapel = []idx_mat = np.zeros((height, weight))for h in range(height):for w in range(weight):color = tuple(img[h, w])#print(color)# print(color)try:index = color2index[color]idx_mat[h, w] = indexif index not in l:l.append(index)except:# no index, assign to voididx_mat[h, w] = 0idx_mat = idx_mat.astype(np.uint8)print(l) #打印出现过的索引(类别)例子：
输入图片：
输出：
这表示label图片里有多少类别
但是如果输出idx_max则是把图片的像素值全换成index值了，也就是0~19的数字(共20个类)
如：
cityscapes数据集具体使用方法相关推荐
- Dataset之Cityscapes：Cityscapes数据集的简介、安装、使用方法之详细攻略
Dataset之Cityscapes:Cityscapes数据集的简介.安装.使用方法之详细攻略 目录 Cityscapes数据集的简介 1.Cityscapes数据集的特点 2.Cityscapes ...
- cityscapes场景图_Dataset之Cityscapes：Cityscapes数据集的简介、安装、使用方法之详细攻略...
Dataset之Cityscapes:Cityscapes数据集的简介.安装.使用方法之详细攻略 目录 Cityscapes数据集的简介 1.Cityscapes数据集的特点 2.Cityscapes ...
- 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数据集的深度完整解析
cityscapes数据集是分割模型训练时比较常用的一个数据集,他还可以用来训练GAN网络生成街景图片. 数据集下载和文件夹组成: - 整个数据集包含50个欧洲城市,5000张精细标注图像(标注位于g ...
- 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 ...
- 数据集的使用方法和技巧
数据集的使用方法和技巧 数据集概述 1.1数据集 l 是一种代表关系数据的内存驻留结构 l 是以XML 形式表示的数据视图,是一种数据关系视图. l 在 ...
- 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 ...
- 小样本点云深度学习库_基于点云深度学习的点云数据集制作系统及方法与流程...
本发明涉及测控技术领域,尤其涉及一种基于点云深度学习的点云数据集制作系统及方法. 背景技术: 深度学习网络模型一般都是基于64线单帧激光数据集进行.但64线激光器和单帧的限定,造成了工程应用中点云数据 ...
- 【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 ...
最新文章
- 2022-2028年中国盲盒行业市场研究及前瞻分析报告
- python中的装饰器有哪些-python中的装饰器详解
- Java多线程：捕获线程异常
- 基于asp.net + easyui框架，一步步学习easyui-datagrid——界面（一）
- 试着理解cookie和session
- MySQ软件的卸载-通过控制面板方式
- JavaScript数组sort方法（数组排序）
- 7-7 硬币找钱问题 (10 分)（思路+详解+double类型数据的处理）Come baby!!!!!!!!!!!!!!!!!!!!
- 【汇编语言学习之路】第一章 汇编语言核心方法论
- oracle19c xp安装 客户端_windows下安装oracle19c
- Cocos2dx技术（三）——cocos2dx基本概念（六）控件库
- android助手最新版本,Android 开发助手功能及版本介绍
- mbedtls 探索
- [笑话]1+1等于几？（新版）
- 相似的核心玩法之下，谁能在“自走棋”的路上走得更远？
- 多元线性回归分析spss结果解读_多重线性回归分析SPSS操作与解读
- 新浪微博分享出现libc++abi.dylib: terminating with uncaught exception of type NSException微博微信SDK运行编译报错
- python - 啃书 第八章 正则表达式
- AMiner论文推荐：
- 减治法(Decrease and Conquer)
热门文章
- excel中提取箱单中的箱数
- Maven基础：在Eclipse直接使用maven
- 思科计算机网络第七章7.4.1.2,计算机网络安全技术与实施（旧） 思科网络学院CCNA Security资源 CCNA安全第7章实验1_Explor-Encrypt_教师实验手册.doc...
- termux怎么生成木马_metasploit 生成木马常用命令
- Vision Transformer（iGPT，ViT，DERT，IPT，TransReID，TransGAN，TNT，CvT）
- 美团新一代渠道包打包神器walle
- RK3399处理器性能介绍
- 2022-2027年中国现代通信网络行业市场调研及未来发展趋势预测报告
- 电力电子技术（9）——单相可控整流电路
- 《CWNA官方学习指南(第3版)：认证无线网络管理员PW0-105》