Cityscape数据集脚本readme翻译

The Cityscapes 数据集

该github库包含用于检查,准备和评估Cityscapes数据集的脚本。 该大型数据集包含来自50个不同城市的街道场景中记录的多种立体视频序列,除了20000个弱注释帧以外,还包含5000帧高质量像素级注释。

详细信息和下载链接请登录:www.cityscapes-dataset.net

数据集结构

Cityscapes dataset 的文件夹结构如下:

{root}/{type}{video}/{split}/{city}/{city}_{seq:0>6}_{frame:0>6}_{type}{ext}

其中独立元素的含义是:

  • root Cityscapes数据集的根文件夹。 我们的许多脚本检查指向该文件夹的环境变量“CITYSCAPES_DATASET”是否存在,并将其作为默认目录。
  • type 数据类型或形态,比如 gtFine 代表精细的GroundTruth, leftImg8bit 代表左侧相机的八位图像。
  • split 分割,即train, val, test, train_extra或demoVideo。 请注意,并非所有分组都存在所有类型的数据。 因此,偶尔找到空文件夹不要感到惊讶。
  • city 这部分数据集的所属城市。
  • seq 序列号,使用6位数字。
  • frame 帧号,使用6位数字。 请注意,在一些城市中,虽然记录了非常长的序列,但在一些城市记录了许多短序列,其中仅记录了第19帧.
  • ext 该文件的扩展名和可选的后缀,例如, _polygons.json为GroundTruth文件

type可能的值

  • gtFine 精细注释,2975张训练图,500张验证图和1525张测试图。 这种类型的注释用于验证,测试和可选的训练。 注解使用包含单个多边形的“json”文件进行编码。 另外,我们提供png图像,其中像素值对标签进行编码。 有关详细信息,请参阅helpers / labels.pyprepare中的脚本。
  • gtCoarse 粗略注释,可用于所有训练和验证图像以及另一组19998张训练图像(train_extra)。 这些注释可以用于训练,也可以与gtFine一起使用,也可以在弱监督的环境中单独使用。
  • gtBboxCityPersons 行人边界框注释,可用于所有训练和验证图像。 有关更多详细信息,请参阅helpers / labels_cityPersons.py以及CityPersons出版物(Zhang等,CVPR’17)
  • leftImg8bit 左侧图像,采用8位LDR格式。这些图像都有标准的注释.
  • leftImg16bit 左侧图像,采用16位HDR格式。这些图像提供每像素16位色彩深度并包含更多信息,特别是在场景的非常黑暗或明亮的部分。 警告:图像存储为16位PNG,这是非标准的,并且不是所有库都支持。
  • rightImg8bit 右侧图像,采用8位LDR格式。
  • rightImg16bit 右侧图像,采用16位HDR格式。
  • timestamp 记录时间,单位是ns。 每个序列的第一帧总是有一个0的时间戳。
  • disparity 预先计算的视差深度图。 为了获得视差值,对于p> 0的每个像素p计算:d =(float(p)-1)/ 256,而值p = 0是无效测量。 警告:图像存储为16位PNG,这是非标准的,并且不是所有库都支持。
  • camera 内部和外部相机校准。 有关详情,请参阅 csCalibration.pdf
  • vehicle 车辆测距,GPS坐标和室外温度。 详情请参阅csCalibration.pdf

随着时间的推移可能会增加更多类型,并且并非所有类型都是最初可用的,如果您需要其他元数据来运行您的方法,请告诉我们。

split可能出现的值

  • train 通常用于训练, 包含 2975 张带有粗糙或精细标注的图像
  • val 应该用于验证hyper-parameters,包含500个具有精细和粗糙注释的图像。 也可以用于训练.
  • test 用于在我们的评估服务器上测试。 注释不公开,但为方便起见,我们包含自我车辆和整改边界的注释。
  • train_extra 可以选择性地用于训练,包含带有粗略注释的19998张图像
  • demoVideo 可用于定性评估的视频序列,这些视频不提供注释

脚本

在名为 scripts的文件夹中有数据集包含几个脚本

  • helpers 被其他脚本文件调用的帮助文件
  • viewer 用于查看图像和标注的脚本
  • preparation 用于将GroundTruth注释转换为适合您的方法的格式的脚本
  • evaluation 评价你的方法的脚本
  • annotation 被用来标注数据集的标注工具

请注意,所有文件顶部都有一个小型documentation。 非常重要

  • helpers/labels.py 定义所有语义类ID的中心文件,并提供各种类属性之间的映射。
  • helpers/labels_cityPersons.py 文件定义所有CityPersons行人类的ID并提供各种类属性之间的映射。
  • viewer/cityscapesViewer.py 查看图像并覆盖注释。
  • preparation/createTrainIdLabelImgs.py 将多边形格式的注释转换为带有标签ID的png图像,其中像素编码可以在“labels.py”中定义的“训练ID”。
  • preparation/createTrainIdInstanceImgs.py 将多边形格式的注释转换为带有实例ID的png图像,其中像素编码由“train ID”组成的实例ID。
  • evaluation/evalPixelLevelSemanticLabeling.py 该脚本来评估验证集上的像素级语义标签结果。该脚本还用于评估测试集的结果。
  • evaluation/evalInstanceLevelSemanticLabeling.py 该脚本来评估验证集上的实例级语义标签结果。该脚本还用于评估测试集的结果。
  • setup.py 运行 setup.py build_ext --inplace 启用cython插件以进行更快速的评估。仅针对Ubuntu进行了测试。

脚本可以通过 pip安装,如下:
sudo pip install .
这将脚本安装为名为cityscapesscripts的python模块并公开以下工具,请参阅上面的说明:

  • csViewer
  • csLabelTool
  • csEvalPixelLevelSemanticLabeling
  • csEvalInstanceLevelSemanticLabeling
  • csCreateTrainIdLabelImgs
  • csCreateTrainIdInstanceImgs

请注意,对于您需要安装的图形工具:
sudo apt install python-tk python-qt4

测评

一旦你想在测试集上测试你的方法,请在你提供的测试图像上运行你的方法并提交你的结果:
www.cityscapes-dataset.net/submit/
对于语义标注,我们要求结果格式与我们的名为labelIDs的标签图像的格式相匹配。
因此,您的代码应该生成图像,其中每个像素的值与labels.py中定义的类ID相对应。
请注意,我们的评估脚本包含在脚本文件夹中,可用于在验证集上测试您的方法。
有关提交过程的更多详细信息,请咨询我们的网站。

联系我们

如有任何问题,建议或意见,请随时与我们联系:

  • Marius Cordts, Mohamed Omran
  • mail@cityscapes-dataset.net
  • www.cityscapes-dataset.net
阅读更多
个人分类: 经验 学习
上一篇[多视图几何] - 逆透视变换
下一篇《Real-time small obstacle detection on highways using compressive RBM road reconstruction》论文阅读总结
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页

关闭
关闭