paddledetection x2coco不能分别转换训练集和测试集

最新推荐文章于 2024-07-20 22:35:57 发布

光明、小飞侠

最新推荐文章于 2024-07-20 22:35:57 发布

阅读量471

点赞数

分类专栏： python

本文链接：https://blog.csdn.net/KissTooTrue/article/details/105808093

版权

python 专栏收录该内容

10 篇文章 0 订阅

订阅专栏

分别转换测试集合训练集，将会导致类别出错，就是训练集和测试集的那个映射是不一样的。

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

光明、小飞侠

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

paddle 32 基于paddledetection将voc数据集转换为coco数据集

a486259的博客

07-11

948

在paddledetection中训练目标检测模型有voc和coco两个数据格式，如在YOLOv3中需要voc数据，而在yolox中则需要coco数据集。博主也曾测试过将yolox任务配置项的数据集改为voc数据，则会带来很多报错（或是由于yolox中数据增强策略中某些key读取错误）。因此，在paddledetection中用到yolox等模型是需要将voc数据转换为coco数据。所幸，在paddledetection中内置了格式转换功能，支持voc数据转coco。.........

paddle 50 将EIOU、WIoU、SIoU嵌入paddledetection中，并用于ppyoloe的训练

a486259的博客

03-03

972

性能先进的模型并不一定在整体上都是最先进的，就如在目前所公开的最强目标检测模型ppyoloe+使用GIOU作为loss来进行框回归优化。然而，在已知的信息中GIOU、SIOU、EIOU等最新IOU loss都比CIOU更利于边框优化。为此阅读了paddledetection中的源码，分析了其中iou loss的实现，发现有CIOU、GIOU、SIOU的实现方式，并没有EIOU、WIOU的实现方式。最终，参考pytorch的实现方式，将其改为paddle版本的EIOU、WIOU，并将其使用在ppyoloe+上

参与评论您还未登录，请先登录后发表或查看评论

PaddleDetection自定义数据集转化为coco格式

weixin_40596293的博客

05-31

2606

自定义数据集转化为coco格式任务：将自己标注的数据集（voc格式）转化为coco格式 1.在PaddleDetection/tools/x2coco.py文件中进行适当修改 #!/usr/bin/env python # coding: utf-8 # Copyright (c) 2019 PaddlePaddle Authors. All Rights Reserved. # # Licensed under the Apache License, Version 2.0 (the "License"

使用PaddleDetection自带脚本将自制labelme数据集转为coco格式

P_Leung的技术博客

11-19

1881

问题 PaddleDetection(ppdet)自带一个能将labelme标注的数据集转为coco格式的脚本，还能设置比例分配train、val和test数据集的比例。当前使用的ppdet版本为ver. 0.4。转换方法 1. clone ppdet进入根目录 git clone https://github.com/PaddlePaddle/PaddleDetection.git 2. 执行转换脚本 python tools/x2coco.py \ --dataset

PaddleDetection从入门到精通

最新发布

qq_58997690的博客

07-20

1027

num_max_boxes边框最大数量；base_lr：# 学习率决定了权值更新的速度，学习率越大，更新的速度就越快，但太快容易跳过最优解，而学习率太小更新的越慢，效率低。image_dir是图像目录，路径相对于dataset_dir；anno_path是注释文件目录，路径相对于dataset_dir；标签名包括'ball'、'racket'、'hand'。milestones：#学习率变动因子：如迭代10000次时，学习率衰减10倍，15000次迭代时，学习率又会在前一个学习率的基础上衰减15倍。

x2coco.py使用问题，No such file or directory 错误的一种原因

yzy913的博客

05-05

491

在进行深度学习学习的时候，需要将VOC数据集转换为COCO数据集，需要用到x2coco.py这个脚本程序，在aisudio里面准备好了自己的数据集，这个数据集是通过PaddleX的可视化界面导入后切分后形成的，如图所示。首先排查这个问题的时候，是觉得都是飞桨一个体系的，PaddleX分割出来的数据结构应该也是通用的，没有想到会是这个问题，另一个问题是自己没有理解这个路径的分隔符的底层逻辑，所以没有及早的发现这个问题，需要好好打牢基础。一声叹息，这么一个小问题，耗费了好几天的时间。

使用paddledetection训练自定义coco数据集

weixin_44712949的博客

01-16

4921

第一步使用lambel制作数据集使用lambel制作数据集的教程多的是，这里就不写了第二步将lambel数据集转化为coco格式识别类数据集转化为coco格式在paddledetection的tool文件夹下就已经存在了转换代码tools/x2coco.py，在终端执行python tools/x2coco.py --dataset_type labelme --json_input_dir 添加要转换得json路径 --image_input_dir 添加源图片路径 --output_dir

利用PaddleDetection 训练自定义COCO数据集进行目标检测

NCUTer

08-23

3223

2、在PaddleDetection/dataset/coco目录下新建文件夹JPEGImages。1、下载源码后，打开项目，在PaddleDetection/dataset目录下找到coco文件夹。3、将所有所有标注的XML文件转化为 json 格式放到 dataset/coco目录下。PaddleDetection提供了单卡/多卡训练模式，满足用户多种训练需求。配置需要依赖其他的配置文件。其中 -c 后边代表指定配置文件的路径。首先指定CUDA的环境变量。操作系统 Windows。

PaddleDetection代码分析和训练数据集（1）

tegddhdrhdd的博客

10-10

1492

2021SC@SDUSC paddledetection作为国内出名的应用于目标检测框架，想要搞明白并不是一件非常容易的事，在分析代码之前，要首先知道如何使用它打个比方我们想要

基于百度AI Studio平台使用PaddleDetection 训练自己的数据集

qq_41252814的博客

09-28

5352

基于百度AI Studio平台使用PaddleDetection 训练自己的数据集 PaddleDetection:传送门 1.下载并安装PaddlePaddle深度学习框架(AI Studio已经自动下载成压缩包) 进入AI Studio终端,查看当前所在路径，查看PaddlePaddle版本号。 2.下载并安装PaddleDetection目标检测开发套件库(AI Studio也有提供压缩包，解压开箱即可) unzip PaddleDetection 3.从PaddleDetection 种找到需要的

PaddleDetection目标检测任务简介和概述

tegddhdrhdd的博客

11-15

9405

2021SC@SDUSC 目标检测任务简介目标检测的主要目的是让计算机可以自动识别图片或者视频帧中所有目标的类别，并在该目标周围绘制边界框，标示出每个目标的位置，如下图所示。图（a）是图像分类任务，只需识别出这是一张斑马的图片。图（b）是目标检测任务，不仅要识别出这是一张斑马的图片，还要标出图中斑马的位置。目标检测是计算机视觉的主要方向之一，同时也是实例分割，人脸检测，关键点检测等视觉任务的基础，目标检测应用场景广泛，下面列举了一些常见的应用场景。目标检测任务的挑战对于目标检测任

PaddleX-其他

07-01

PaddleX -- 飞桨全流程开发工具，以低代码的形式支持开发者快速实现产业实际项目落地。 PaddleX 集成飞桨智能视觉领域图像分类、目标检测、语义分割、实例分割任务能力，将深度学习开发全流程从数据准备、模型训练与优化到多端部署端到端打通，并提供统一任务API接口及图形化开发界面Demo。开发者无需分别安装不同套件，以低代码的形式即可快速完成飞桨全流程开发。 PaddleX 经过质检、安防、巡检、遥感、零售、医疗等十多个行业实际应用场景验证，沉淀产业实际经验，并提供丰富的案例实践教程，全程助力开发者产业实践落地。安装： PaddleX提供三种开发模式，满足用户的不同需求： 1、Python开发模式：通过简洁易懂的Python API，在兼顾功能全面性、开发灵活性、集成方便性的基础上，给开发者最流畅的深度学习开发体验。前置依赖 paddlepaddle >= 1.8.4 python >= 3.6 cython pycocotools pip install paddlex -i https://mirror.baidu.com/pypi/simple 详细安装方法请参考PaddleX安装 2、Padlde GUI模式：无代码开发的可视化客户端，应用Paddle API实现，使开发者快速进行产业项目验证，并为用户开发自有深度学习软件/应用提供参照。前往PaddleX官网，申请下载PaddleX GUI一键绿色安装包。前往PaddleX GUI使用教程了解PaddleX GUI使用详情。 PaddleX GUI安装环境说明 3、PaddleX Restful: 使用基于RESTful API开发的GUI与Web Demo实现远程的深度学习全流程开发；同时开发者也可以基于RESTful API开发个性化的可视化界面前往PaddleX RESTful API使用教程 PaddleX 更新日志： v2.0.0.rc0 全面支持飞桨2.0动态图，更易用的开发模式目标检测任务新增PP-YOLOv2, COCO test数据集精度达到49.5%、V100预测速度达到68.9 FPS 目标检测任务新增4.2MB的超轻量级模型PP-YOLO tiny 语义分割任务新增实时分割模型BiSeNetV2 C++部署模块全面升级 PaddleInference部署适配2.0预测库支持飞桨PaddleDetection、PaddleSeg、PaddleClas以及PaddleX的模型部署新增基于PaddleInference的GPU多卡预测 GPU部署新增基于ONNX的的TensorRT高性能加速引擎部署方式 GPU部署新增基于ONNX的Triton服务化部署方式 Tags：PaddleX源码包 PaddleX2.0 pp飞桨 PaddleX

PaddleDetection目标检测数据准备——VOC数据集和COCO数据集

一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~

03-13

2121

VOC数据是每个图像文件对应一个同名的xml文件，xml文件中标记物体框的坐标和类别等信息。图片对应的xml文件内包含对应图片的基本信息，比如文件名、来源、图像尺寸以及图像中包含的物体区域信息和类别信息等。filename，表示图像名称。size，表示图像尺寸。包括：图像宽度、图像高度、图像深度。object字段，表示每个物体。包括:标签说明name物体类别名称pose关于目标物体姿态描述（非必须字段）truncated。

[拆轮子] PaddleDetection 中的 COCODataSet 是怎么写的

先说一下，就简单地写点儿氵文，不是博客，只是我的笔记本/工具书

12-21

660

cocos2d-x 2.2使用 cocostudio

03-07

868

cocostudio视频教程：http://mobile.51cto.com/aengine-399044.htm 通过UI编辑器编辑好的UI，通过下面代码加入到项目中 UILayer *layer = UILayer::create(); UIWidget *view = CCUIHELPER->createWidgetFromJsonFile( "HSJ_Proj_1.ExportJson

目标检测实战教程05-目标检测训练小技巧

effort_study的博客

05-30

1028

使用paddlex划分数据集第一节课我们讲了如何将编号标注完成后的数据集放置在不同文件夹后，导出COCO格式的训练集与测试集标注文件。这里我们介绍另一种方法：只需要提供数据集的路径，路径文件夹中包含对应的图像文件夹和标注文件夹即可，再指明训练集测试集验证集划分比例，就会将标注数据集按比例划分为训练集与测试集。 !pip install paddlex !paddlex --split_dataset --format VOC --dataset_dir /home/aistudio/data --val

使用PaddleX实现车辆检测模型训练到服务化部署落地全流程

m0_63642362的博客

06-02

840

使用PaddleX的低代码环境实现车辆检测模型训练，并使用内置的paddlehub实现模型服务化部署,打通模型训练到部署整套流程

paddle课程学习与paddle工具体验

qq_38992914的博客

06-18

509

感谢pd课程的引入，不然自己学天天看文档，还是挺烦的。这些天试了paddle很多的工具，包括paddlehub，paddledetection，paddleslim，paddlelite，paddleX。工具倒是次要的，而且也不是三言两语说得清的，重要的是使用工具和设计工具的思想。工具被发明出来，必定是有需要用它的地方，所以一定是每样工具都有其单独的用途。像paddlehub的目的就是为了最快的进行POC，paddledetection是为了更精细的设计训练，paddleslim是为了压缩模型，paddl

用paddleX方法划分coco数据集train val test 已经后续图片处理脚本

hkx11111的博客

08-13

742

今天在处理数据的时候遇到给coco数据集随机分成train,val,test的问题，在网上搜索后看见有博主使用paddleX方法划分。使用该方法方法划分json时没有同时给image文件夹进行划分。因此我写了一个脚本根据上述方法产生的json文件对图片进行划分。...

pyspark mllib 拆分y,x1 x2 x3形式的以data为后缀的数据集，拆分成训练集和测试集，并进行线性回归的训练

05-24

假设你的数据集是以data为后缀的，比如traindata.csv和testdata.csv，其中traindata.csv包含y,x1,x2,x3的数据，testdata.csv只包含x1,x2,x3的数据。下面是使用pyspark mllib进行拆分和线性回归训练的代码： ```python from pyspark import SparkConf, SparkContext from pyspark.mllib.regression import LabeledPoint, LinearRegressionWithSGD from pyspark.mllib.util import MLUtils # 初始化Spark配置和SparkContext conf = SparkConf().setAppName("LinearRegression") sc = SparkContext(conf=conf) # 读取训练集和测试集 trainData = MLUtils.loadLibSVMFile(sc, "traindata.csv") testData = MLUtils.loadLibSVMFile(sc, "testdata.csv") # 把训练集和测试集分别拆分成y和x1,x2,x3 trainLabels = trainData.map(lambda lp: lp.label) trainFeatures = trainData.map(lambda lp: lp.features) testFeatures = testData.map(lambda lp: lp.features) # 把训练集分成训练集和验证集 (trainingData, validationData) = trainData.randomSplit([0.7, 0.3]) # 训练线性回归模型 model = LinearRegressionWithSGD.train(trainingData, iterations=100, step=0.1) # 使用验证集评估模型 valuesAndPreds = validationData.map(lambda p: (p.label, model.predict(p.features))) MSE = valuesAndPreds.map(lambda vp: (vp[0] - vp[1]) ** 2).reduce(lambda x, y: x + y) / valuesAndPreds.count() print("Mean Squared Error = " + str(MSE)) # 在测试集上预测 predictions = model.predict(testFeatures).collect() # 输出预测结果 print("Predictions: " + str(predictions)) # 停止SparkContext sc.stop() ``` 这段代码首先读取了训练集和测试集，然后把训练集和测试集分别拆分成y和x1,x2,x3。接着把训练集分成训练集和验证集，使用LinearRegressionWithSGD.train训练线性回归模型，使用验证集评估模型的性能。最后在测试集上预测，输出预测结果。