项目目录:
制作自己的数据集
运行&解析小训练脚本
1. 制作自己的数据集-小
先上个github:
https://github.com/2206487433/deep-learning-explorer-master
因为第一步我也不想弄直接就弄麻烦的数据集,在这里我们弄一个用代码生成的数据集,数据集有三个类分别是(square,circle,triangle),这里弄的是和coco数据集同一个类型。
数据集图片如下:
原图片
标记图片
接下来要生成的图片就是这两种
.
.
我们先了解一下coco数据集是什么格式的:
-
我们最终要生成的数据集格式—也就是coco格式
annotations 里的json文件描述了每一张图片分割label的坐标值。
weights 是用的是coco数据集的初始化权重(这个可以改变其它路径,并非一定放在这,它不属于coco数据集格式的内容,因为代码要求所以我才放进来的)
**
了解一下coco格式的json:
(图片非原创,源自https://blog.csdn.net/qq_35608277/article/details/79873456如有侵权请联系,谢谢)
.
.
先弄好这样的数据集:
通过下面这个文件shapes_to_coco.py生成annotations存放json
.
## 使用shapes_to_coco.py生成json:
生成的目录是:
这个就是生成最后可以使用的数据集。
这里我不直接写快捷的代码了,要生成什么json就用什么的就行
做数据集就到这里了。
在deep-learning-explorer-master\mask-rcnn\notebooks里的mask_rcnn.ipynb可以直接训练,但要加载出权重,可能下载速度比较慢,你可以直接
百度云链接:https://pan.baidu.com/s/1drKvfg 密码:yer9
下载好权重放到\deep-learning-explorer-master\data\shapes\weights这里面(这是coco数据集的权重初始化用)。
2. 制作自己的数据集
(这个更接近于现实的数据集)
我们通过labelme工具进行制作,labelme工具的github
下载好labelme通过命令打开:(如果打开失败上网查教程)
labelme
然后进行标记,这里不教怎么标记(不会上网查)
标记后生成如下:
label工具生成的json和coco数据集的json并不相同,那我们的通过代码就json进行转换成coco格式的json
转换代码路径是:labelme-master\examples\instance_segmentation\labelme2coco.py
可以看一下labelme2coco.py代码运行后生成的就是coco数据集的格式。
将代码放进相应的文件夹,就OK.
.
.
.
.
.
.
.
.
.
.
.
.