使用Python将NWPU VHR-10数据集的格式转换成VOC2007数据集的格式

最新推荐文章于 2024-05-30 14:09:00 发布
最新推荐文章于 2024-05-30 14:09:00 发布
阅读量3.1k 收藏 62
点赞数 18
分类专栏： 目标检测 文章标签： 遥感 python VOC2007 数据集 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/HUAI_BI_TONG/article/details/121521793
版权

一、VOC2007数据集

  VOC2007数据集的文件结构如下图所示。

在这里插入图片描述
  其中，文件夹Annotations中存放的是图像的标注信息的xml文件，命名从000001.xml开始；文件夹ImageSets中存放的是图像划分的集合的txt文件，目标检测任务对应的train、val、trainval、test数据集的txt文件存放在Main文件夹中；文件夹JPEGImages中存放的是所有图片的jpg文件，命名从000001.jpg开始；文件夹SegmentationClass和SegmentationObject中存放的是其他任务的数据信息。
  文件夹Annotations中存放的某一张图像的标注信息的xml文件里面的内容如下所示。

<annotation>
	<folder>VOC2007</folder>
	<!--文件名-->
	<filename>000007.jpg</filename>
	<!--数据来源-->
	<source>
	    <!--数据来源-->
		<database>The VOC2007 Database</database>
		<annotation>PASCAL VOC2007</annotation>
		 <!--来源是flickr，一个雅虎的图像分享网站，下面是id，对于我们没有用-->
		<image>flickr</image>
		<flickrid>194179466</flickrid>
	</source>
	<!--图片的所有者，也没有用-->
	<owner>
		<flickrid>monsieurrompu</flickrid>
		<name>Thom Zemanek</name>
	</owner>
	<!--图像尺寸,宽、高、长-->
	<size>
		<width>500</width>
		<height>333</height>
		<depth>3</depth>
	</size>
	<!--是否用于分割，0表示用于，1表示不用于-->
	<segmented>0</segmented>
	<!--下面是图像中标注的物体,每一个object包含一个标准的物体-->
	<object>
	    <!--物体名称，拍摄角度-->
		<name>car</name>
		<pose>Unspecified</pose>
		<!--是否被裁减，0表示完整，1表示不完整-->
		<truncated>1</truncated>
		<!--是否容易识别，0表示容易，1表示困难-->
		<difficult>0</difficult>
		<!--bounding box的四个坐标-->
		<bndbox>
			<xmin>141</xmin>
			<ymin>50</ymin>
			<xmax>500</xmax>
			<ymax>330</ymax>
		</bndbox>
	</object>
</annotation>

  关于VOC2007数据集的其他详细信息可见→VOC2007数据集详细分析。

二、NWPU VHR-10数据集

  NWPU VHR-10数据集的文件结构如下图所示。

在这里插入图片描述
  其中，文件夹ground truth中存放的是图像的标注信息的txt文件，某一张图像的标注信息的txt文件里面的内容如下所示。

在这里插入图片描述
  文件夹positive image set中存放的是有对应标注信息txt文件的图片，命名从001.jpg开始。

在这里插入图片描述
  文件夹negative image set中存放的是没有对应标注信息txt文件的图片，命名也从001.jpg开始。

在这里插入图片描述

三、将NWPU VHR-10数据集的格式转换成VOC2007数据集的格式

  使用Python将NWPU VHR-10数据集的格式转换成VOC2007数据集的格式需要进行以下操作。

  1. 新建一个与VOC2007数据集的文件结构类似的文件夹结构，只保留我们需要的部分。
     
    在这里插入图片描述

  2. NWPU VHR-10数据集的positive image set文件夹内的图片重命名为000001.jpg-000650.jpg，将negative image set文件夹内的图片重命名为000651.jpg-000800.jpg，并一起保存到新建文件夹的./VOCdevkit2007/VOC2007/JPEGImages/路径下。重命名的代码images_rename.py及结果如下所示。

import os
import shutil


def imag_rename(old_path, new_path,start_number = 0):
    filelist = os.listdir(old_path)  # 该文件夹下所有的文件（包括文件夹）
    if os.path.exists(new_path) == False:
        os.mkdir(new_path)
    for file in filelist:  # 遍历所有文件
        Olddir = os.path.join(old_path, file)  # 原来的文件路径
        if os.path.isdir(Olddir):  # 如果是文件夹则跳过
            continue
        filename = os.path.splitext(file)[0]  # 文件名
        filetype = os.path.splitext(file)[1]  # 文件扩展名
        if filetype == '.jpg':
            Newdir = os.path.join(new_path, str(int(filename) + start_number).zfill(6) + filetype)  
            # 用字符串函数zfill 以0补全所需位数
            shutil.copyfile(Olddir, Newdir)


if __name__ == "__main__":
    # 解决positive image set文件夹中的重命名问题，start_number = 0
    old_path = "E:/Remote Sensing/Data Set/NWPU VHR-10 dataset/positive image set/"
    new_path = "E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/JPEGImages/"
    imag_rename(old_path, new_path)
    # 解决negative image set文件夹中的重命名问题，start_number = 650
    old_path = "E:/Remote Sensing/Data Set/NWPU VHR-10 dataset/negative image set/"
    new_path = "E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/JPEGImages/"
    imag_rename(old_path,new_path,start_number = 650)
    print("done!")

在这里插入图片描述

  1. 将NWPU VHR-10数据集的ground truth文件夹内的标注信息txt文件转换为与VOC2007数据集的Annotations文件夹内的标注信息xml文件格式相同的xml文件，并重命名为000001.xml-000650.xml；由于negative image set文件夹内的图片没有对应的标注信息文件，所以生成包含图片的size信息、不包含object的bounding box信息的xml文件，并命名为000651.xml-000800.xml，并一起保存到新建文件夹的./VOCdevkit2007/VOC2007/Annotations/路径下。转换代码NWPU_VOC.py及结果如下所示。
from lxml.etree import Element,SubElement,tostring
from xml.dom.minidom import parseString
import xml.dom.minidom
import os
import sys
from PIL import Image


# 处理NWPU VHR-10数据集中的txt标注信息转换成 xml文件
# 此处的path应该传入的是NWPU VHR-10数据集文件夹下面的ground truth文件夹的目录
# 即 path = "E:/Remote Sensing/Data Set/NWPU VHR-10 dataset/ground truth"
def deal(path):
    files=os.listdir(path)  # files获取所有标注txt文件的文件名
    # 此处可以自行设置输出路径  按照VOC数据集的格式，xml文件应该输出在数据集文件下面的Annotations文件夹下面
    outpath = "E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/Annotations/"
    # 如果输出文件夹不存在，就创建它
    if os.path.exists(outpath) == False:
        os.mkdir(outpath)
    # 遍历所有的txt标注文件，一共650个txt文件
    for file in files:
        
        filename=os.path.splitext(file)[0] # 获取ground truth文件夹中标注txt文件的文件名，比如如果文件名为001.txt，那么filename = '001'
        sufix=os.path.splitext(file)[1]#  获取标注txt文件的后缀名 判断是否为txt
        if sufix=='.txt':   # 标注txt文件中每一行代表一个目标，(x1,y1)，(x2,y2)，class_number来表示
            xmins=[]    
            ymins=[]
            xmaxs=[]
            ymaxs=[]
            names=[]
            
            # num,xmins,ymins,xmaxs,ymaxs,names=readtxt(path + '/' + file)    # 调用readtxt文件获取信息，转到readtxt函数
            path_txt = path + '/' + file     # 获取txt标注文件的路径信息
            # 打开txt标注文件
            with open(path_txt, 'r') as f:
                contents = f.read()    # 将txt文件的信息按行读取到contents列表中
                objects=contents.split('\n') # 以换行划分每一个目标的标注信息，因为每一个目标的标注信息在txt文件中为一行 
                for i in range(objects.count('')): 
                    objects.remove('')    # 将objects中的空格移除
                num=len(objects) # 获取一个标注文件的目标个数，objects中一个元素代表的信息就是一个检测目标      
     
                # 遍历 objects列表，获取每一个检测目标的五维信息
                for objecto in objects:    	
                    xmin=objecto.split(',')[0]   # xmin = '(563'
                    xmin=xmin.split('(')[1]   # xmin = '563' 可能存在空格
                    xmin=xmin.strip()  # strip函数去掉字符串开头结尾的空格符

                    ymin=objecto.split(',')[1]  # ymin = '478)'
                    ymin=ymin.split(')')[0]   # ymin = '478'  可能存在空格
                    ymin=ymin.strip()    # strip函数去掉字符串开头结尾的空格符

                    xmax=objecto.split(',')[2]  # xmax同理
                    xmax=xmax.split('(')[1]
                    xmax=xmax.strip()

                    ymax=objecto.split(',')[3]   # ymax同理
                    ymax=ymax.split(')')[0]
                    ymax=ymax.strip()

                    name=objecto.split(',')[4]  # 与上 同理
                    name=name.strip()

                    if name=="1 " or name=="1":  # 将数字信息转换成label字符串信息
                        name='airplane'
                    elif name=="2 "or name=="2":
                        name='ship'
                    elif name== "3 "or name=="3":
                        name='storage tank'
                    elif name=="4 "or name=="4":
                        name='baseball diamond'
                    elif name=="5 "or name=="5":
                        name='tennis court'
                    elif name=="6 "or name=="6":
                        name='basketball court'
                    elif name=="7 "or name=="7":
                        name='ground track field'
                    elif name=="8 "or name=="8":
                        name='harbor'
                    elif name=="9 "or name=="9":
                        name='bridge'
                    elif name=="10 "or name=="10":
                        name='vehicle'	
                    else:
                        print(path)			
                    # print(xmin,ymin,xmax,ymax,name)
                    xmins.append(xmin)
                    ymins.append(ymin)
                    xmaxs.append(xmax)
                    ymaxs.append(ymax)
                    names.append(name)

            filename_fill = str(int(filename)).zfill(6)   # 将xml的文件名填充为6位数，比如1.xml就改为000001.xml
            filename_jpg = filename_fill + ".jpg"    # 由于xml中存储的文件名为000001.jpg，所以还得对所有的NWPU数据集中的图片进行重命名
            print(filename_fill)
            
            dealpath = outpath + filename_fill +".xml"

            # 注意，经过重命名转换之后，图片都存放在E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/JPEGImages/中
            imagepath = "E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/JPEGImages/" + filename_fill + ".jpg"
            with open(dealpath, 'w') as f:
                img=Image.open(imagepath) # 根据图片的地址打开图片并获取图片的宽 和 高
                width=img.size[0]
                height=img.size[1]
                # 将图片的宽和高以及其他和VOC数据集向对应的信息
                writexml(dealpath,filename_jpg,num,xmins,ymins,xmaxs,ymaxs,names, height, width)
    
    #  同时也得给negative image set文件夹下面的所有负样本图片生成xml标注
    negative_path = "E:/Remote Sensing/Data Set/NWPU VHR-10 dataset/negative image set/"
    negative_images = os.listdir(negative_path)
    for file in negative_images:
        filename = file.split('.')[0]  # 获取文件名，不包括后缀名
        filename_fill = str(int(filename) + 650).zfill(6)   # 将xml的文件名填充为6位数。同时加上650，比如1.xml就改为00001.xml
        filename_jpg = filename_fill + '.jpg'   # 比如第一个负样本001.jpg的filename_jpg 为000651.jpg
        ## 重命名为6位数
        print(filename_fill)
        ## 生成不含目标的xml文件
        dealpath = outpath + filename_fill +".xml"
        # 注意，经过重命名转换之后，图片都存放在E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/JPEGImages/中
        imagepath = "E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/JPEGImages/" + filename_fill + ".jpg"
        with open(dealpath, 'w') as f:
            img = Image.open(imagepath)
            width = img.size[0]
            height = img.size[1]
            # 将宽高和空的目标标注信息写入xml标注
            writexml(dealpath,filename_jpg,num = 0,xmins = [],ymins = [],xmaxs = [],ymaxs = [],names = [],width=width,height=height)


# NWPU数据集中标注的五维信息 (x1,y1) denotes the top-left coordinate of the bounding box,
#  (x2,y2) denotes the right-bottom coordinate of the bounding box
# 所以 xmin = x1  ymin = y1,  xmax = x2, ymax = y2  同时要注意这里的相对坐标是以图片左上角为坐标原点计算的
# VOC数据集对于包围框标注的格式是bounding-box（包含左下角和右上角xy坐标

# 将从txt读取的标注信息写入到xml文件中
def writexml(path,filename,num,xmins,ymins,xmaxs,ymaxs,names,height, width):# Nwpu-vhr-10 < 1000*600
    node_root=Element('annotation')

    node_folder=SubElement(node_root,'folder')
    node_folder.text="VOC2007"

    node_filename=SubElement(node_root,'filename')
    node_filename.text="%s" % filename

    node_size=SubElement(node_root,"size")
    node_width = SubElement(node_size, 'width')
    node_width.text = '%s' % width

    node_height = SubElement(node_size, 'height')
    node_height.text = '%s' % height

    node_depth = SubElement(node_size, 'depth')
    node_depth.text = '3'
    for i in range(num):
        node_object = SubElement(node_root, 'object')
        node_name = SubElement(node_object, 'name')
        node_name.text = '%s' % names[i]
        node_name = SubElement(node_object, 'pose')
        node_name.text = '%s' % "unspecified"
        node_name = SubElement(node_object, 'truncated')
        node_name.text = '%s' % "0"
        node_difficult = SubElement(node_object, 'difficult')
        node_difficult.text = '0'
        node_bndbox = SubElement(node_object, 'bndbox')
        node_xmin = SubElement(node_bndbox, 'xmin')
        node_xmin.text = '%s'% xmins[i]
        node_ymin = SubElement(node_bndbox, 'ymin')
        node_ymin.text = '%s' % ymins[i]
        node_xmax = SubElement(node_bndbox, 'xmax')
        node_xmax.text = '%s' % xmaxs[i]
        node_ymax = SubElement(node_bndbox, 'ymax')
        node_ymax.text = '%s' % ymaxs[i]

    xml = tostring(node_root, pretty_print=True)  
    dom = parseString(xml)
    with open(path, 'wb') as f:
        f.write(xml)
    return


if __name__ == "__main__":
    
    # path指定的是标注txt文件所在的路径
    path = "E:/Remote Sensing/Data Set/NWPU VHR-10 dataset/ground truth"
    deal(path)
    print("done!")

在这里插入图片描述

  1. 对NWPU VHR-10数据集进行划分，划分为train、val、trainval、test四个文件。由于只有positive image set文件夹中的650张图片包含目标的标注信息，所以训练集train及验证集val只能在从这650张图片中划分，negative image set文件夹中的150张图片不包含目标的标注信息，划分在测试集test中。划分代码split_data.py及结果如下所示。
import os
import random

trainval_percent = 0.8  # 表示训练集和验证集(交叉验证集)所占总图片的比例
train_percent = 0.75  # 训练集所占验证集的比例
xmlfilepath = 'E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/Annotations'
txtsavepath = 'E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/ImageSets/Main'
total_xml = os.listdir(xmlfilepath)

num = 650  # 有目标的图片数
list = range(num)
tv = int(num * trainval_percent)  # xml文件中的交叉验证集数
tr = int(tv * train_percent)  # xml文件中的训练集数，注意，我们在前面定义的是训练集占验证集的比例
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open('E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/ImageSets/Main/trainval.txt', 'w')
ftest = open('E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/ImageSets/Main/test.txt', 'w')
ftrain = open('E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/ImageSets/Main/train.txt', 'w')
fval = open('E:/Remote Sensing/Data Set/VOCdevkit2007/VOC2007/ImageSets/Main/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)

for i in range(150):
    num = str(651 + i).zfill(6) + '\n'
    ftest.write(num)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

print("done!")

在这里插入图片描述

  1. 最后，将VOC2007数据集下的result文件夹复制到新建的NWPU VHR-10数据集的文件结构中，后面训练测试模型时会用到。

在这里插入图片描述

  至此，就可以将NWPU VHR-10数据集的格式转换成VOC2007数据集的的格式了，我们得到一个属于NWPU VHR-10数据集的VOCdevkit2007文件夹！

  参考文章：https://blog.csdn.net/practical_sharp/article/details/114764624

大彤小忆
关注
  • 18
    点赞
  • 踩
  • 62
    收藏
    觉得还不错? 一键收藏
  • 12
    评论
专栏目录
VOC 2007数据集结构
AlisaZqq
06-03 1万+
VOC 2007数据集结构目录一、数据集介绍二、数据集文件结构（一）总结构（二）Annotations（三）ImageSets1、Layout2、Main3、Segmentation（四）JPEGImages（五）SegmentationClass（六）SegmentationObject参考 目录 一、数据集介绍 Pascal VOC challenge是一个非常流行的数据集，用于构建和评估用...
NWPU VHR-10卫星图像数据集（800张高分辨率的卫星图像）
12-19
NWPU VHR-10数据集包含800个高分辨率的卫星图像，这些图像是从Google Earth和Vaihingen数据集裁剪而来的，然后由专家手动注释。数据集分成10类（飞机，轮船，储罐，棒球场，网球场，篮球场，地面跑道，港口，桥梁和车辆）。
【目标检测实验系列】使用yolov3 spp训练西工大遥感数据集NWPU VHR-10（包括如何将NWPU VHR-10转为VOC格式和yolov3 spp实验调试的详细步骤，且附上训练完的权重文件）
弗兰-随风小欢的博客
11-21 3262
将西工大遥感数据集NWPU VHR-10的格式转为VOC通用的数据集，再次将转换后的VOC格式的数据集转变成yolov3 spp所需要格式的数据集
基于YoloV8的遥感数据目标检测，包含数据集、训练、验证和预测（纯小白版
最新发布
jingshenamie的博客
05-30 1015
这篇文章的主要目的是想自己熟练一下YoloV8的训练、预测过程采用的数据集是：NWPU VHR-10数据集，仅仅简单介绍了Yolov8的训练过程，详细的模型架构包括代码含义啥的我确实不会。
基于yolov5的遥感图像目标检测（NWPU VHR-10）
weixin_51467037的博客
03-24 8208
最近在做毕设，感觉网上信息不是很全，把自己的训练过程写下来供做这个方向的友友学习。
PPYOLOE：遥感场景下的小目标检测与部署（切图版）
m0_63642362的博客
09-12 1530
结合自动切图，用PP-YOLOE Smalldet检测模型进行遥感小目标检测，并实现高性能Python部署。
VOC2007数据集详细分析
热门推荐
大彤小忆的博客
11-23 2万+
  VOC数据集官网链接→http://host.robots.ox.ac.uk/pascal/VOC/。   VOC2007数据集官网链接→http://host.robots.ox.ac.uk/pascal/VOC/voc2007/index.html。   VOC2007数据集百度云盘链接→提取码：z8sd。 VOC2007数据集分析：   VOC2007数据集有20个类：aeroplane, bicycle, bird, boat, bottle, bus, car, cat, chair, cow
格式已经转换成PASCAL voc2007格式的NWPU VHR-10 数据集
08-14
5个积分就行了
NWPU VHR-10的pascal voc格式
08-01
10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal ...
NWPU VHR-10 地理空间物体检测遥感数据集.7z
07-13
NWPU VHR-10 Dataset 是一个用于空间物体检测的 10 级地理遥感数据集，其拥有 650 张包含目标的图像和 150 张背景图像，共计 800 张，目标种类包括飞机、舰船、油罐、棒球场、网球场、篮球场、田径场、港口、桥梁和...
目标检测+NWPU VHR-10遥感检测+800张数据集+10个类别检测
04-14
2.NWPU VHR-10数据集分成10类（飞机，轮船，储罐，棒球场，网球场，篮球场，地面跑道，港口，桥梁和车辆）。 3.数据库的亮点是，各个类别之间样本量较均衡。 4.对于一般的目标检测而言，数据集至少应该是千位数甚至...
将西工大的NWPU VHR-10 dataset数据集标签转换成yolo格式
Fan1534的博客
12-26 1142
在yolo模型中要使用这个数据集的话需要将其转换为 类别（编号），x，y，w，h的形式，其中x，y，w，h是目标框相对于图片的框中心点坐标的比例和宽高相对于图像总体尺寸的比例。将坐标从左上右下转换为中心+宽高。
TFrecords类型数据集制作与读取（NWPU VHR-10数据集为例）
Puremelo
12-20 2292
TFrecords类型数据集制作与读取（NWPU VHR-10数据集为例） TFrecords数据类型是Tensorflow深度学习框架所支持的特定数据类型，其具有封装性好、读取方便、移动性好的特点，并且在TensorFlow中对于该类型的数据分批读取等操作具有大量内置函数，使用方便。故我们介绍一下如何将训练数据制作成TFrecords形式，以及如何读取TFrecords格式的数据。（以NWP...
遥感资源大放送（下）| 11 个经典遥感数据集
HyperAI超神经
02-26 9444
内容提要：利用遥感影像进行土地类别分型，最常用的方法是语义分割。本文继上期土地分类模型训练教程之后，又整理了几大主流公开遥感数据集。 原创：HyperAI超神经 关键词：遥感数据集 语义分割 机器视觉 在上一期 《遥感资源大放送（上）：用开源代码，训练土地分类模型 》 中，我们详细介绍了遥感影像进行土地分类的常用方法，以及具体如何使用利 deeplab-v3+ 用于土地 7 分类的具体训练过程及代码。 教程地址： https://openbayes.com/console/openbayes/cont.
【数据集研究】PASCAL VOC 2007
weixin_37804469的博客
12-01 1911
PASCAL VOC 2007 数据集解读。 数据集解析
如何利用python将NWPU VHR-10目标检测遥感数据集的格式转换成VOC目标检测数据集的格式
practical_sharp的博客
03-14 3893
VOC目标检测数据集的格式 其中图片存放在JPEGImages文件夹中，标注是xml文件，存储在Annotations文件中 关于train集和val集的txt划分存放在ImageSets文件夹下面的Main文件夹下 如下是VOC2012某张图片的标注信息xml文件 <annotation> <folder>VOC2012</folder> <filename>2008_006604.jpg</filename> <source&g
【数据集制作】VOC2007格式数据集制作和处理教程(Faster-RCNN模型标准输入)
weixin_45736855的博客
04-25 3398
此数据集可用于目标检测和图像分割，此次实验案例是讲解Faster-RCNN、YOLOv3等模型的进行目标检测的标准数据集输入，没讲分割，所有用不到上述所有数据集，只讲其中目标检测部分数据集的制作。此次案例是制作VOC2007数据集的制作教程，用于目标检测，此次数据集处理可用于Faster-RCNN、YOLOv3等网络进行目标检测模型的标准输入。至此，VOC2007格式数据集制作完成。
目标检测--使用yolov5训练NWPU VHR-10 
zengliyan583的博客
02-27 1231
yolov5训练NWPUVHR-10遥感目标检测
NWPU VHR-10转成pascal voc的格式
AIOT魔法师
08-01 567
将数据集NWPU VHR-10转成pascal voc的格式
nwpu vhr-10数据集
11-28
nwpu vhr-10数据集是一种用于车辆检测和车牌识别的公开数据集。该数据集包含来自不同场景的车辆图像，涵盖了不同角度、不同光照条件和不同背景的拍摄情况。数据集中的车辆既包括小轿车和大型车辆，也包括摩托车和自行车等各种类型的交通工具。除此之外，数据集还包括了一部分车辆的车牌图像，用于车牌识别的训练和测试。 nwpu vhr-10数据集的标注信息非常丰富，每张图片都带有车辆位置的边界框标注，以及车辆的类别信息和车牌的文本信息。这使得该数据集非常适合用于车辆检测和车牌识别模型的训练和评估。此外，数据集还提供了针对车辆检测和车牌识别任务的训练集和测试集，方便研究者进行实验和比较不同模型的性能。 该数据集的开放性和多样性使得它在计算机视觉领域受到了广泛的关注和应用。研究者们可以利用nwpu vhr-10数据集进行车辆检测和车牌识别算法的研究，也可以通过该数据集对不同算法进行性能评估和比较。因此，nwpu vhr-10数据集为相关研究提供了一个重要的基准和工具，对于促进车辆检测和车牌识别技术的发展具有重要意义。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 12
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值