cityscapes数据集标签的处理

最新推荐文章于 2024-03-02 22:46:40 发布
最新推荐文章于 2024-03-02 22:46:40 发布
阅读量9.9k 收藏 71
点赞数 15
分类专栏： 项目实践
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/chenzhoujian_/article/details/106874950
版权

在用pytorch实现SegNet算法时，数据集选择了cityscapes，在这里写下cityscapes数据集标签的处理。（注意这里只写训练时标签的处理）
我用pytorch实现SegNet算法的博客，有兴趣可去看看。
（https://blog.csdn.net/chenzhoujian_/article/details/106873451）
cityscapes数据集的下载和介绍参考这篇博客：https://blog.csdn.net/avideointerfaces/article/details/104139298

下载官方的处理脚本

脚本地址：https://github.com/mcordts/cityscapesScripts
将整个脚本项目下载下来
我们会用到其中两个脚本文件，labels和createTrainIdLabelImgs
在pycharm中打开的目录如下：
在这里插入图片描述

labels的处理

打开labels.py
未改动前：

labels = [
    #       name                     id    trainId   category            catId     hasInstances   ignoreInEval   color
    Label(  '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 ,        0 , 'flat'            , 1       , False        , False        , (128, 64,128) ),
    Label(  'sidewalk'             ,  8 ,        1 , '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 ,        2 , 'construction'    , 2       , False        , False        , ( 70, 70, 70) ),
    Label(  'wall'                 , 12 ,        3 , 'construction'    , 2       , False        , False        , (102,102,156) ),
    Label(  'fence'                , 13 ,        4 , '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 ,        5 , 'object'          , 3       , False        , False        , (153,153,153) ),
    Label(  'polegroup'            , 18 ,      255 , 'object'          , 3       , False        , True         , (153,153,153) ),
    Label(  'traffic light'        , 19 ,        6 , 'object'          , 3       , False        , False        , (250,170, 30) ),
    Label(  'traffic sign'         , 20 ,        7 , 'object'          , 3       , False        , False        , (220,220,  0) ),
    Label(  'vegetation'           , 21 ,        8 , 'nature'          , 4       , False        , False        , (107,142, 35) ),
    Label(  'terrain'              , 22 ,        9 , 'nature'          , 4       , False        , False        , (152,251,152) ),
    Label(  'sky'                  , 23 ,       10 , 'sky'             , 5       , False        , False        , ( 70,130,180) ),
    Label(  'person'               , 24 ,       11 , 'human'           , 6       , True         , False        , (220, 20, 60) ),
    Label(  'rider'                , 25 ,       12 , 'human'           , 6       , True         , False        , (255,  0,  0) ),
    Label(  'car'                  , 26 ,       13 , 'vehicle'         , 7       , True         , False        , (  0,  0,142) ),
    Label(  'truck'                , 27 ,       14 , 'vehicle'         , 7       , True         , False        , (  0,  0, 70) ),
    Label(  'bus'                  , 28 ,       15 , '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 ,       16 , 'vehicle'         , 7       , True         , False        , (  0, 80,100) ),
    Label(  'motorcycle'           , 32 ,       17 , 'vehicle'         , 7       , True         , False        , (  0,  0,230) ),
    Label(  'bicycle'              , 33 ,       18 , 'vehicle'         , 7       , True         , False        , (119, 11, 32) ),
    Label(  'license plate'        , -1 ,       -1 , 'vehicle'         , 7       , False        , True         , (  0,  0,142) ),
]

主要改动下面这两项：
在这里插入图片描述
trainId就是标签的像素值，代表类别
ignoreInEval都设为False
例如，将road设为1，其它设为0，就是训练两类

labels = [
    #       name                     id    trainId   category            catId     hasInstances   ignoreInEval   color
    Label(  'unlabeled'            ,  0 ,      0 , 'void'            , 0       , False        , False         , (  0,  0,  0) ),
    Label(  'ego vehicle'          ,  1 ,      0 , 'void'            , 0       , False        , False         , (  0,  0,  0) ),
    Label(  'rectification border' ,  2 ,      0 , 'void'            , 0       , False        , False         , (  0,  0,  0) ),
    Label(  'out of roi'           ,  3 ,      0 , 'void'            , 0       , False        , False         , (  0,  0,  0) ),
    Label(  'static'               ,  4 ,      0 , 'void'            , 0       , False        , False         , (  0,  0,  0) ),
    Label(  'dynamic'              ,  5 ,      0 , 'void'            , 0       , False        , False         , (111, 74,  0) ),
    Label(  'ground'               ,  6 ,      0 , 'void'            , 0       , False        , False         , ( 81,  0, 81) ),
    Label(  'road'                 ,  7 ,      1 , 'flat'            , 1       , False        , False        , (128, 64,128) ),
    Label(  'sidewalk'             ,  8 ,      0 , 'flat'            , 1       , False        , False        , (244, 35,232) ),
    Label(  'parking'              ,  9 ,      0 , 'flat'            , 1       , False        , False         , (250,170,160) ),
    Label(  'rail track'           , 10 ,      0 , 'flat'            , 1       , False        , False         , (230,150,140) ),
    Label(  'building'             , 11 ,      0 , 'construction'    , 2       , False        , False        , ( 70, 70, 70) ),
    Label(  'wall'                 , 12 ,      0 , 'construction'    , 2       , False        , False        , (102,102,156) ),
    Label(  'fence'                , 13 ,      0 , 'construction'    , 2       , False        , False        , (190,153,153) ),
    Label(  'guard rail'           , 14 ,      0 , 'construction'    , 2       , False        , False         , (180,165,180) ),
    Label(  'bridge'               , 15 ,      0 , 'construction'    , 2       , False        , False         , (150,100,100) ),
    Label(  'tunnel'               , 16 ,      0 , 'construction'    , 2       , False        , False         , (150,120, 90) ),
    Label(  'pole'                 , 17 ,      0 , 'object'          , 3       , False        , False        , (153,153,153) ),
    Label(  'polegroup'            , 18 ,      0 , 'object'          , 3       , False        , False         , (153,153,153) ),
    Label(  'traffic light'        , 19 ,      0 , 'object'          , 3       , False        , False        , (250,170, 30) ),
    Label(  'traffic sign'         , 20 ,      0 , 'object'          , 3       , False        , False        , (220,220,  0) ),
    Label(  'vegetation'           , 21 ,      0 , 'nature'          , 4       , False        , False        , (107,142, 35) ),
    Label(  'terrain'              , 22 ,      0 , 'nature'          , 4       , False        , False        , (152,251,152) ),
    Label(  'sky'                  , 23 ,      0 , 'sky'             , 5       , False        , False        , ( 70,130,180) ),
    Label(  'person'               , 24 ,      0 , 'human'           , 6       , True         , False        , (220, 20, 60) ),
    Label(  'rider'                , 25 ,      0 , 'human'           , 6       , True         , False        , (255,  0,  0) ),
    Label(  'car'                  , 26 ,      0 , 'vehicle'         , 7       , True         , False        , (  0,  0,142) ),
    Label(  'truck'                , 27 ,      0 , 'vehicle'         , 7       , True         , False        , (  0,  0, 70) ),
    Label(  'bus'                  , 28 ,      0 , 'vehicle'         , 7       , True         , False        , (  0, 60,100) ),
    Label(  'caravan'              , 29 ,      0 , 'vehicle'         , 7       , True         , False         , (  0,  0, 90) ),
    Label(  'trailer'              , 30 ,      0 , 'vehicle'         , 7       , True         , False         , (  0,  0,110) ),
    Label(  'train'                , 31 ,      0 , 'vehicle'         , 7       , True         , False        , (  0, 80,100) ),
    Label(  'motorcycle'           , 32 ,      0 , 'vehicle'         , 7       , True         , False        , (  0,  0,230) ),
    Label(  'bicycle'              , 33 ,      0 , 'vehicle'         , 7       , True         , False        , (119, 11, 32) ),
    Label(  'license plate'        , -1 ,      0 , 'vehicle'         , 7       , False        , False         , (  0,  0,142) ),
]

注意：我看其它博客都是说不感兴趣的类，就将trainId设为255，ignoreInEval设为True；感兴趣的类再依次设为0、1、2…，ignoreInEval设为False
这个做法我不太理解，照做之后训练效果也很奇怪，可能是我没理解到关键吧。如果有大佬可以在下方留言告诉我，不胜感激！

createTrainIdLabelImgs的处理

注意将代码中的路径换成自己的
之后就直接运行这个createTrainIdLabelImgs.py脚本文件就可以了
在这里插入图片描述
运行成功后，直接打开cityscapes数据集的标签，每张图片的gtFine_labelTrainIds都会发生变化，这样就可以进行训练了。
在这里插入图片描述

辰之粥
关注
  • 15
    点赞
  • 踩
  • 71
    收藏
    觉得还不错? 一键收藏
  • 37
    评论
专栏目录
cityscapes 数据集（三）
11-20
cityscapes 数据集，数据量较大，一共12g，这边分开上传
cityscapes 数据集（一）
11-16
cityscapes 数据集，整体较大，一共12g，这边分开传输
制作cityscapes标签数据集！！！（自主分类）
热门推荐
qq_38855907的博客
05-04 1万+
经过两天的研究，终于学会使用多分类的trainidlabels.png进行训练。 首先在cityscapesscripts里的label文件里选好要用的分类 原始分类给的 是19类 在不感兴趣的类别trainid那栏改为 255 然后重新按顺序将感兴趣的分类进行排序例如我分了14类 第二步在ignoreInEval 下 将不感兴趣的改为True 如下图： 然后使用cityscapesscr...
【数据集】Cityscapes数据集的介绍与使用方法
m0_51579041的博客
03-02 2872
【数据集】Cityscapes数据集的介绍与使用方法，可以用于语义分割，实例分割
cityscapes数据集的理解与使用
a1550039531的博客
05-29 4214
Cityscapes数据集是一个用于计算机视觉领域的大规模城市场景理解数据集。它提供了高分辨率的图像和精确的语义分割标注，旨在支持城市场景理解和自动驾驶等相关研究。
Cityscapes转VOC格式，目标检测标签，内附完整代码
weixin_45672100的博客
09-25 341
cityscapes_root需要自行修改，应设为leftImg8bit_trainvaltest和gtFine_trainvaltest所在的目录。cityscapes数据集，通常将val作为test集用于验证性能，因为官方没有放出test集的标注，目的是防止有人用test集训练，在网站上刷分。
【Deeplabv3+】Ubutu18.04中使用pytorch复现Deeplabv3+第三步)-----CityscapesScripts生成自己的标签
m0_62648611的博客
01-26 1010
本文是在前面两篇文章的基础上，讲解如何更改训练数据集颜色，需要与前面两篇文章连起来看。本文用于修改cityscapes数据集的标签颜色与Semankitti数据集的标签一致，对修改后的数据集进行训练。需要下载两个开发工具包和一个数据集，分别是cityscapesScripts-master、semantic-kitti-api-master和cityscapes数据集下载完成后，在。
语义分割中图片和mask的可视化
周周周周周大帅的博客
05-17 7623
其实取标题一直以来都是一件麻烦的事，但是如果你要看下去，我想你得有一点语义分割的见解。 用平常的语言描述该问题就是：语义分割出我们感兴趣的目标物，然后输出该目标物的轮廓点。做语义分割其实有很多种方法，你可以用不同的模型去train你的dataset，但是刚接触语义分割的朋友们可能会说，我该怎么分割出我想要的目标物，而不对其它部分的像素做修改？其实这件事并不复杂，一个很直觉的想法是：修改像素对应的RGB值。那怎么修改对应像素的RGB值呢？举例来说，假设你在mmsegmentation框架下用的是SegFor
基于labelme创建自己的仿cityscapes的训练数据集（视频转图片训练集）
糕糕的博客
10-18 1326
基于labelme仿照cityscapes自制道路语义分割数据集
CityScapes数据集介绍
qq_34424944的博客
03-14 6380
Cityperson数据集，在16年CVPR上被提出，是张姗姗一波人在CityScapes数据集上进行标注得到的行人检测数据集。有标记的前景对象绝对不能有洞，也就是说，如果有一些背景可见的“通过”一些前景对象，它被认为是前景的一部分。例如:房子或天空前面的树叶(一切都是树)，透明的车窗(一切都是汽车)。除了精细的注释，我们还与Pallas Ludens合作，为一组20 000图像提供了更粗略的多边形注释。请注意，我们的目标不是注释单个实例，而是标记覆盖单个对象的多边形。覆盖的颜色编码语义类(参见类定义)。
Cityscapes Dataset-数据集
03-11
Cityscapes Dataset is provided by Daimler AG&RD, Max Planck Institute for Informatics and TU Darmstadt Visual Inference Group.本数据集由戴姆勒研究所，马克斯•普朗克信息学研究所和达姆施塔特科技大学可视化推理工作组提供。 cityscapes_camera_trainextra.zip cityscapes_camera_trainvaltest.zip cityscapes_vehicle_trainextra.zip cityscapes_vehicle_trainvaltest.zip
cityscapes公开数据集
09-30
语义分割公开数据集，其中train因为太大，被分成train1和train2两个部分。具体描述请参考 ...
cityscapes 数据集（二）
11-20
cityscapes 数据集，数据一共12g，数据量较多，这边分开传输
高校学生选课系统项目源码资源
04-28
项目名称： 高校学生选课系统 内容概要： 高校学生选课系统是为了方便高校学生进行选课管理而设计的系统。该系统提供了学生选课、查看课程信息、管理个人课程表等功能，同时也为教师提供了课程发布和管理功能，以及管理员对整个选课系统的管理功能。 适用人群： 学生： 高校本科生和研究生，用于选课、查看课程信息、管理个人课程表等。 教师： 高校教师，用于发布课程、管理课程信息和学生选课情况等。 管理员： 系统管理员，用于管理整个选课系统，包括用户管理、课程管理、权限管理等。 使用场景及目标： 学生选课场景： 学生登录系统后可以浏览课程列表，根据自己的专业和兴趣选择适合自己的课程，并进行选课操作。系统会实时更新学生的选课信息，并生成个人课程表。 教师发布课程场景： 教师登录系统后可以发布新的课程信息，包括课程名称、课程描述、上课时间、上课地点等。发布后的课程将出现在课程列表中供学生选择。 管理员管理场景： 管理员可以管理系统的用户信息，包括学生、教师和管理员账号的添加、删除和修改；管理课程信息，包括课程的添加、删除和修改；管理系统的权限控制，包括用户权限的分配和管理。 目标： 为高校学生提
TC-125 230V 50HZ 圆锯
04-28
TC-125 230V 50HZ 圆锯
影音娱乐北雨影音系统 v1.0.1-bymov101.rar
04-28
北雨影音系统 v1.0.1_bymov101.rar 是一个计算机专业的 JSP 源码资料包，它为用户提供了一个强大而灵活的在线影音娱乐平台。该系统集成了多种功能，包括视频上传、播放、分享和评论等，旨在为用户提供一个全面而便捷的在线视频观看体验。首先，北雨影音系统具有强大的视频上传功能。用户可以轻松地将本地的视频文件上传到系统中，并与其他人分享。系统支持多种视频格式，包括常见的 MP4、AVI、FLV 等，确保用户能够方便地上传和观看各种类型的视频。其次，该系统提供了丰富的视频播放功能。用户可以选择不同的视频进行观看，并且可以调整视频的清晰度、音量等参数，以适应不同的观看需求。系统还支持自动播放下一个视频的功能，让用户可以连续观看多个视频，无需手动切换。此外，北雨影音系统还提供了一个社交互动的平台。用户可以在视频下方发表评论，与其他观众进行交流和讨论。这为用户之间的互动提供了便利，增加了观看视频的乐趣和参与感。最后，该系统还具备良好的用户体验和界面设计。界面简洁明了，操作直观易用，让用户可以快速上手并使用各项功能。同时，系统还提供了个性化的推荐功能，根据用户的观看历史和兴趣，为用户推荐
Tripp Trapp 儿童椅用户指南 STOKKE
04-28
Tripp Trapp 儿童椅用户指南
node-v8.13.0-linux-armv6l.tar.gz
最新发布
04-28
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
cityscapes 数据集下载
11-10
Cityscapes 数据集是一个广泛应用于城市景观分割和场景理解领域的数据集，收集了来自德国和瑞士等国家的一系列城市环境的图像。这个数据集包含了丰富的城市街道、建筑、车辆和行人等真实场景，是进行城市环境感知研究的重要工具之一。 要下载Cityscapes 数据集，首先需要访问官方网站（https://www.cityscapes-dataset.com/），注册账号并登录。在登录后，可以在网站上找到数据集的下载链接，可以根据需要选择下载不同格式和不同分辨率的数据集。网站还提供了详细的数据集介绍和使用文档，帮助用户更好地理解和应用数据集。 另外，Cityscapes 数据集也提供了一些基准的算法和模型，用户可以根据自己的研究需要选择相应的数据集进行下载和使用。同时，网站还提供了一些与数据集相关的论文和研究成果，可以帮助用户更好地理解和应用数据集。 总之，Cityscapes 数据集是一个非常有价值的城市景观数据集，通过官方网站可以方便地进行下载和使用。希望用户在使用数据集的过程中，可以加深对城市环境的理解，并为相关领域的研究和应用做出更大的贡献。

“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 37
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