道路积水检测数据集 1450张路面积水带分割 voc yolo

QQ_1309399183

于 2024-10-09 04:59:42 发布

阅读量282

点赞数 3

分类专栏：数据集文章标签：获取QQ1309399183 数据集道路积水检测数据集 voc yolo

本文链接：https://blog.csdn.net/ALiLiLiYa/article/details/142773173

版权

数据集专栏收录该内容

146 篇文章 1 订阅

订阅专栏

道路积水检测数据集 1450张路面积水带分割 voc yolo

分类名: (图片张数，标注个数)
puddle:(1468,1994)
总数:(1468，1994)
总类(nc): 1类

道路积水检测数据集介绍

项目名称

道路积水检测数据集

项目概述

本数据集包含1450张带有标注的图像，专门用于训练和测试道路积水检测模型。每张图像都标注了积水区域的位置，使用VOC和YOLO格式进行标注。该数据集旨在帮助研究人员和开发者构建能够准确检测和识别道路积水区域的深度学习模型。

数据集特点

高质量标注：每张图像都进行了详细的标注，包括类别和边界框。
多用途：适用于目标检测和语义分割任务，特别是涉及道路积水的场景。
易于使用：提供了详细的说明文档，方便用户快速上手。

数据集结构

Road_Puddle_Detection_Dataset/
├── images/                               # 图像文件夹
│   ├── train/                            # 训练集图像
│   └── test/                             # 测试集图像
├── annotations/                          # 标注文件夹
│   ├── train/                            # 训练集标注
│   └── test/                             # 测试集标注
├── README.md                             # 项目说明文档
└── data_split.py                         # 数据集划分脚本

数据集内容

总数据量：1450张图像。
标注格式：VOC和YOLO格式。
标注对象：道路积水区域。
类别：
- 积水 (Puddle)

具体类别及数量如下：

类别名	图像数量	标注个数
积水 (Puddle)	1468	1994

总计

图像总数：1468张
标注总数：1994个
总类别数 (nc)：1类

使用说明

环境准备：
- 确保安装了Python及其相关库（如shutil、sklearn等）。
- 下载并解压数据集到项目根目录。
运行数据集划分脚本：
- 在命令行中运行data_split.py脚本，将数据集划分为训练集和测试集。
- 运行后，images/和annotations/目录下会生成train/和test/子目录。
加载数据集：
- 可以使用常见的深度学习框架（如PyTorch、TensorFlow等）来加载数据集。
- 示例代码如下

import torch
from torchvision import transforms
from torch.utils.data import DataLoader, Dataset
import cv2
import os
import xml.etree.ElementTree as ET

class RoadPuddleDataset(Dataset):
    def __init__(self, image_dir, annotation_dir, transform=None):
        self.image_dir = image_dir
        self.annotation_dir = annotation_dir
        self.transform = transform
        self.image_files = [f for f in os.listdir(image_dir) if f.endswith('.jpg') or f.endswith('.png')]
    
    def __len__(self):
        return len(self.image_files)
    
    def __getitem__(self, idx):
        img_path = os.path.join(self.image_dir, self.image_files[idx])
        annotation_path = os.path.join(self.annotation_dir, self.image_files[idx].replace('.jpg', '.xml').replace('.png', '.xml'))
        
        image = cv2.imread(img_path)
        image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
        
        tree = ET.parse(annotation_path)
        root = tree.getroot()
        
        boxes = []
        labels = []
        for obj in root.findall('object'):
            label = obj.find('name').text
            bbox = obj.find('bndbox')
            xmin = int(bbox.find('xmin').text)
            ymin = int(bbox.find('ymin').text)
            xmax = int(bbox.find('xmax').text)
            ymax = int(bbox.find('ymax').text)
            boxes.append([xmin, ymin, xmax, ymax])
            labels.append(label)
        
        if self.transform:
            image = self.transform(image)
        
        return image, {'boxes': torch.tensor(boxes, dtype=torch.float32), 'labels': labels}

# 数据预处理
transform = transforms.Compose([
    transforms.ToPILImage(),
    transforms.Resize((416, 416)),
    transforms.ToTensor(),
])

# 加载数据集
train_dataset = RoadPuddleDataset(image_dir='images/train', annotation_dir='annotations/train', transform=transform)
test_dataset = RoadPuddleDataset(image_dir='images/test', annotation_dir='annotations/test', transform=transform)

train_loader = DataLoader(train_dataset, batch_size=8, shuffle=True, num_workers=4)
test_loader = DataLoader(test_dataset, batch_size=8, shuffle=False, num_workers=4)