【语义分割】2、Mapillary 数据集简介

已于 2022-08-04 14:39:09 修改
阅读量5.3k 收藏 19
点赞数 5
分类专栏： 语义分割 文章标签： 深度学习
于 2021-12-27 15:53:43 首次发布
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/jiaoyangwm/article/details/122172645
版权
MapillaryVistas是一个包含66类、25,000张高分辨率街景图像的数据集，用于实例分割任务。数据集覆盖多种天气、季节和时间，提供了丰富的城市环境元素标签，如道路、建筑、交通标志和行人等。它比cityscapes数据集大五倍，适用于自动驾驶和计算机视觉研究。
摘要由CSDN通过智能技术生成

文章目录


在这里插入图片描述

一、简介

Mapillary Vistas 数据集包含 66 类共 25,000 张高分辨率街景场景的数据，其中有 37 个类是以实例区分的标签。数据总量是 cityscapes 的5倍之多，包括不同天气、季节、时间。采集方式包括手机、摄像机、电脑、运动相机等。

  • 数据总量：25k
  • 训练总量：18k
  • 验证总量：2k
  • 测试总量：5k

官网：https://www.mapillary.com/

二、类别

每个大类和其对应的小类别目标

在这里插入图片描述

序号类别
0bird
1ground animal
2curb
3fence
4guard rail
5barrier
6wall
7bike lane
8crosswalk-plain
9curb cut
10parking
11pedestrian area
12rail track
13road
14service lane
15sidewalk
16bridge
17building
18tunnel
19person
20bicyclist
21motorcyclist
22other rider
23lane marking - crosswalk
24lane marking - general
25mountain
26sand
27sky
28snow
29terrain
30vegetation
31water
32banner
33bench
34bike rack
35billboard
36catch basin
37CCTV camera
38fire hydrant
39junction box
40mailbox
41manhole
42phone booth
43phthole
44street light
45pole
46traffic sign frame
47utility pole
48traffic light
49traffic sign(back)
50traffic sign(front)
51trash can
52bicycle
53boat
54bus
55car
56caravan
57motorcycle
58on rails
59other vehicle
60trailer
61truck
62wheeled slow
63car mount
64ego vehicle
65unlabeled
{
  "labels": [
    {
      "color": [
        165, 
        42, 
        42
      ], 
      "instances": true, 
      "readable": "Bird", 
      "name": "animal--bird", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        192, 
        0
      ], 
      "instances": true, 
      "readable": "Ground Animal", 
      "name": "animal--ground-animal", 
      "evaluate": true
    }, 
    {
      "color": [
        196, 
        196, 
        196
      ], 
      "instances": false, 
      "readable": "Curb", 
      "name": "construction--barrier--curb", 
      "evaluate": true
    }, 
    {
      "color": [
        190, 
        153, 
        153
      ], 
      "instances": false, 
      "readable": "Fence", 
      "name": "construction--barrier--fence", 
      "evaluate": true
    }, 
    {
      "color": [
        180, 
        165, 
        180
      ], 
      "instances": false, 
      "readable": "Guard Rail", 
      "name": "construction--barrier--guard-rail", 
      "evaluate": true
    }, 
    {
      "color": [
        90, 
        120, 
        150
      ], 
      "instances": false, 
      "readable": "Barrier", 
      "name": "construction--barrier--other-barrier", 
      "evaluate": true
    }, 
    {
      "color": [
        102, 
        102, 
        156
      ], 
      "instances": false, 
      "readable": "Wall", 
      "name": "construction--barrier--wall", 
      "evaluate": true
    }, 
    {
      "color": [
        128, 
        64, 
        255
      ], 
      "instances": false, 
      "readable": "Bike Lane", 
      "name": "construction--flat--bike-lane", 
      "evaluate": true
    }, 
    {
      "color": [
        140, 
        140, 
        200
      ], 
      "instances": true, 
      "readable": "Crosswalk - Plain", 
      "name": "construction--flat--crosswalk-plain", 
      "evaluate": true
    }, 
    {
      "color": [
        170, 
        170, 
        170
      ], 
      "instances": false, 
      "readable": "Curb Cut", 
      "name": "construction--flat--curb-cut", 
      "evaluate": true
    }, 
    {
      "color": [
        250, 
        170, 
        160
      ], 
      "instances": false, 
      "readable": "Parking", 
      "name": "construction--flat--parking", 
      "evaluate": true
    }, 
    {
      "color": [
        96, 
        96, 
        96
      ], 
      "instances": false, 
      "readable": "Pedestrian Area", 
      "name": "construction--flat--pedestrian-area", 
      "evaluate": true
    }, 
    {
      "color": [
        230, 
        150, 
        140
      ], 
      "instances": false, 
      "readable": "Rail Track", 
      "name": "construction--flat--rail-track", 
      "evaluate": true
    }, 
    {
      "color": [
        128, 
        64, 
        128
      ], 
      "instances": false, 
      "readable": "Road", 
      "name": "construction--flat--road", 
      "evaluate": true
    }, 
    {
      "color": [
        110, 
        110, 
        110
      ], 
      "instances": false, 
      "readable": "Service Lane", 
      "name": "construction--flat--service-lane", 
      "evaluate": true
    }, 
    {
      "color": [
        244, 
        35, 
        232
      ], 
      "instances": false, 
      "readable": "Sidewalk", 
      "name": "construction--flat--sidewalk", 
      "evaluate": true
    }, 
    {
      "color": [
        150, 
        100, 
        100
      ], 
      "instances": false, 
      "readable": "Bridge", 
      "name": "construction--structure--bridge", 
      "evaluate": true
    }, 
    {
      "color": [
        70, 
        70, 
        70
      ], 
      "instances": false, 
      "readable": "Building", 
      "name": "construction--structure--building", 
      "evaluate": true
    }, 
    {
      "color": [
        150, 
        120, 
        90
      ], 
      "instances": false, 
      "readable": "Tunnel", 
      "name": "construction--structure--tunnel", 
      "evaluate": true
    }, 
    {
      "color": [
        220, 
        20, 
        60
      ], 
      "instances": true, 
      "readable": "Person", 
      "name": "human--person", 
      "evaluate": true
    }, 
    {
      "color": [
        255, 
        0, 
        0
      ], 
      "instances": true, 
      "readable": "Bicyclist", 
      "name": "human--rider--bicyclist", 
      "evaluate": true
    }, 
    {
      "color": [
        255, 
        0, 
        100
      ], 
      "instances": true, 
      "readable": "Motorcyclist", 
      "name": "human--rider--motorcyclist", 
      "evaluate": true
    }, 
    {
      "color": [
        255, 
        0, 
        200
      ], 
      "instances": true, 
      "readable": "Other Rider", 
      "name": "human--rider--other-rider", 
      "evaluate": true
    }, 
    {
      "color": [
        200, 
        128, 
        128
      ], 
      "instances": true, 
      "readable": "Lane Marking - Crosswalk", 
      "name": "marking--crosswalk-zebra", 
      "evaluate": true
    }, 
    {
      "color": [
        255, 
        255, 
        255
      ], 
      "instances": false, 
      "readable": "Lane Marking - General", 
      "name": "marking--general", 
      "evaluate": true
    }, 
    {
      "color": [
        64, 
        170, 
        64
      ], 
      "instances": false, 
      "readable": "Mountain", 
      "name": "nature--mountain", 
      "evaluate": true
    }, 
    {
      "color": [
        230, 
        160, 
        50
      ], 
      "instances": false, 
      "readable": "Sand", 
      "name": "nature--sand", 
      "evaluate": true
    }, 
    {
      "color": [
        70, 
        130, 
        180
      ], 
      "instances": false, 
      "readable": "Sky", 
      "name": "nature--sky", 
      "evaluate": true
    }, 
    {
      "color": [
        190, 
        255, 
        255
      ], 
      "instances": false, 
      "readable": "Snow", 
      "name": "nature--snow", 
      "evaluate": true
    }, 
    {
      "color": [
        152, 
        251, 
        152
      ], 
      "instances": false, 
      "readable": "Terrain", 
      "name": "nature--terrain", 
      "evaluate": true
    }, 
    {
      "color": [
        107, 
        142, 
        35
      ], 
      "instances": false, 
      "readable": "Vegetation", 
      "name": "nature--vegetation", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        170, 
        30
      ], 
      "instances": false, 
      "readable": "Water", 
      "name": "nature--water", 
      "evaluate": true
    }, 
    {
      "color": [
        255, 
        255, 
        128
      ], 
      "instances": true, 
      "readable": "Banner", 
      "name": "object--banner", 
      "evaluate": true
    }, 
    {
      "color": [
        250, 
        0, 
        30
      ], 
      "instances": true, 
      "readable": "Bench", 
      "name": "object--bench", 
      "evaluate": true
    }, 
    {
      "color": [
        100, 
        140, 
        180
      ], 
      "instances": true, 
      "readable": "Bike Rack", 
      "name": "object--bike-rack", 
      "evaluate": true
    }, 
    {
      "color": [
        220, 
        220, 
        220
      ], 
      "instances": true, 
      "readable": "Billboard", 
      "name": "object--billboard", 
      "evaluate": true
    }, 
    {
      "color": [
        220, 
        128, 
        128
      ], 
      "instances": true, 
      "readable": "Catch Basin", 
      "name": "object--catch-basin", 
      "evaluate": true
    }, 
    {
      "color": [
        222, 
        40, 
        40
      ], 
      "instances": true, 
      "readable": "CCTV Camera", 
      "name": "object--cctv-camera", 
      "evaluate": true
    }, 
    {
      "color": [
        100, 
        170, 
        30
      ], 
      "instances": true, 
      "readable": "Fire Hydrant", 
      "name": "object--fire-hydrant", 
      "evaluate": true
    }, 
    {
      "color": [
        40, 
        40, 
        40
      ], 
      "instances": true, 
      "readable": "Junction Box", 
      "name": "object--junction-box", 
      "evaluate": true
    }, 
    {
      "color": [
        33, 
        33, 
        33
      ], 
      "instances": true, 
      "readable": "Mailbox", 
      "name": "object--mailbox", 
      "evaluate": true
    }, 
    {
      "color": [
        100, 
        128, 
        160
      ], 
      "instances": true, 
      "readable": "Manhole", 
      "name": "object--manhole", 
      "evaluate": true
    }, 
    {
      "color": [
        142, 
        0, 
        0
      ], 
      "instances": true, 
      "readable": "Phone Booth", 
      "name": "object--phone-booth", 
      "evaluate": true
    }, 
    {
      "color": [
        70, 
        100, 
        150
      ], 
      "instances": false, 
      "readable": "Pothole", 
      "name": "object--pothole", 
      "evaluate": true
    }, 
    {
      "color": [
        210, 
        170, 
        100
      ], 
      "instances": true, 
      "readable": "Street Light", 
      "name": "object--street-light", 
      "evaluate": true
    }, 
    {
      "color": [
        153, 
        153, 
        153
      ], 
      "instances": true, 
      "readable": "Pole", 
      "name": "object--support--pole", 
      "evaluate": true
    }, 
    {
      "color": [
        128, 
        128, 
        128
      ], 
      "instances": true, 
      "readable": "Traffic Sign Frame", 
      "name": "object--support--traffic-sign-frame", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        0, 
        80
      ], 
      "instances": true, 
      "readable": "Utility Pole", 
      "name": "object--support--utility-pole", 
      "evaluate": true
    }, 
    {
      "color": [
        250, 
        170, 
        30
      ], 
      "instances": true, 
      "readable": "Traffic Light", 
      "name": "object--traffic-light", 
      "evaluate": true
    }, 
    {
      "color": [
        192, 
        192, 
        192
      ], 
      "instances": true, 
      "readable": "Traffic Sign (Back)", 
      "name": "object--traffic-sign--back", 
      "evaluate": true
    }, 
    {
      "color": [
        220, 
        220, 
        0
      ], 
      "instances": true, 
      "readable": "Traffic Sign (Front)", 
      "name": "object--traffic-sign--front", 
      "evaluate": true
    }, 
    {
      "color": [
        140, 
        140, 
        20
      ], 
      "instances": true, 
      "readable": "Trash Can", 
      "name": "object--trash-can", 
      "evaluate": true
    }, 
    {
      "color": [
        119, 
        11, 
        32
      ], 
      "instances": true, 
      "readable": "Bicycle", 
      "name": "object--vehicle--bicycle", 
      "evaluate": true
    }, 
    {
      "color": [
        150, 
        0, 
        255
      ], 
      "instances": true, 
      "readable": "Boat", 
      "name": "object--vehicle--boat", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        60, 
        100
      ], 
      "instances": true, 
      "readable": "Bus", 
      "name": "object--vehicle--bus", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        0, 
        142
      ], 
      "instances": true, 
      "readable": "Car", 
      "name": "object--vehicle--car", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        0, 
        90
      ], 
      "instances": true, 
      "readable": "Caravan", 
      "name": "object--vehicle--caravan", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        0, 
        230
      ], 
      "instances": true, 
      "readable": "Motorcycle", 
      "name": "object--vehicle--motorcycle", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        80, 
        100
      ], 
      "instances": false, 
      "readable": "On Rails", 
      "name": "object--vehicle--on-rails", 
      "evaluate": true
    }, 
    {
      "color": [
        128, 
        64, 
        64
      ], 
      "instances": true, 
      "readable": "Other Vehicle", 
      "name": "object--vehicle--other-vehicle", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        0, 
        110
      ], 
      "instances": true, 
      "readable": "Trailer", 
      "name": "object--vehicle--trailer", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        0, 
        70
      ], 
      "instances": true, 
      "readable": "Truck", 
      "name": "object--vehicle--truck", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        0, 
        192
      ], 
      "instances": true, 
      "readable": "Wheeled Slow", 
      "name": "object--vehicle--wheeled-slow", 
      "evaluate": true
    }, 
    {
      "color": [
        32, 
        32, 
        32
      ], 
      "instances": false, 
      "readable": "Car Mount", 
      "name": "void--car-mount", 
      "evaluate": true
    }, 
    {
      "color": [
        120, 
        10, 
        10
      ], 
      "instances": false, 
      "readable": "Ego Vehicle", 
      "name": "void--ego-vehicle", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        0, 
        0
      ], 
      "instances": false, 
      "readable": "Unlabeled", 
      "name": "void--unlabeled", 
      "evaluate": false
    }
  ], 
  "version": 1.1, 
  "mapping": "public", 
  "folder_structure": "{split}/{content}/{key:.{22}}.{ext}"
}

三、标注示例

在这里插入图片描述
在这里插入图片描述

呆呆的猫
关注
  • 5
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
专栏目录
图像语义分割 公开数据集 智能驾驶方向
黎国溥
10-23 1692
本文整理了10个质量较好，数据集较大，比较新的，图像语义分割的公开数据集；主要服务于智能驾驶方向（辅助驾驶、自动驾驶等）。目录一、发布方：IIIT Hyderabad发布时间：2017年（2020年推出，2.0更新版本）简介：这是一个新颖的大规模街道级图像数据集，通过使用多边形来描绘单个对象，以精细和细粒度的样式执行注释包含25,000个高分辨率图像，标注为66个对象类别，有37个类别的特定实例的标签采集地点：欧洲、北美和南美、亚洲、非洲和大洋洲的部分地区。
mapillary_sls:枫叶街道级序列数据集
05-10
枫叶街道级序列 :newspaper: 消息 2020-07-14-已发布补丁v1.1，该补丁修复了一些损坏的图像-如果您已请求数据，则将获得下载该链接的链接。 描述 Mapillary街道级序列（MSLS）是包含160万个街道级图像的大规模长期位置识别数据集。 :down_arrow: 下载： : （示例） :page_facing_up: 论文： ： :balance_scale:‍:balance_scale: :ballot_box_with_ballot: :fire: 使用MSLS 我们已经在datas 包括了PyTorch数据。 它可用于评估（返回数据库和查询图像）或用于训练（返回三胞胎）。 查看以了解其用法。 :bar_chart: 独立评估脚本 一个可用于所有任务。 它从文本文件（示例）中读取预测并打印指标。 在这里，我们显示了由Resnet50主干网和广义均值层组成的模型的结果。 使用标准三重态损失或不确定性可识别的贝叶斯三重态损失对模型进行训练。 所有模型都经过标准硬负片挖掘的图像分辨率224x224训练。 测试集（迈阿密，雅典，
Dataset之MapillaryVistas：MapillaryVistas数据集的简介、下载、使用方法之详细攻略
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
08-29 1万+
Dataset之MapillaryVistas：MapillaryVistas数据集的简介、下载、使用方法之详细攻略 目录 MapillaryVistas数据集的简介 1、数据集特点 MapillaryVistas数据集的下载 MapillaryVistas数据集的使用方法 MapillaryVistas数据集的简介 ...
MapillaryVistas数据集入门
牛肉胡辣汤
10-27 434
MapillaryVistas数据集由Mapillary公司收集和发布，是一个全球性的街景图像数据集。该数据集包含了来自全球各地的高分辨率街景图像，并且每个图像都进行了像素级别的标注，标注了不同对象的类别和位置信息。MapillaryVistas数据集包含了25,000张图像，覆盖了世界各个城市和乡村地区。每张图像的分辨率为2048x1024像素，并且标注了涵盖了65个不同类别的物体，包括车辆、行人、自行车、路标、建筑物等。
机器学习常见数据集（Mapillary，Cityscapes，PASCAL VOC）
weixin_41340063的博客
09-21 2603
Mapillary https://www.mapillary.com/dataset Mapillary Vistas Dataset A diverse street-level imagery dataset with pixel‑accurate and instance‑specific human annotations for understanding street scenes around the world. Features 25,000 high-resolution image
Mapillary街景图像元数据爬取
weixin_44797004的博客
09-24 1061
目前有关街景的研究主要集中于图像本身（提取绿视率、天空开放程度、车道线等），而对图像元数据关注较少。国内两大街景平台中，腾讯已经不再更新街景，百度虽然保持更新，但我们只能爬取街景图像，图像元数据拿不到。国外街景平台Mapillary则提供了API用来访问图像元数据。本文主要介绍如何爬取Mapillary街景图像元数据。提示：以下是本篇文章正文内容，下面案例可供参考有了图像元数据，我们可以做很多事情，比如：下载图像的原图/缩略图，基于图像拍摄的地理位置将图像可视化到地图上等。
深度学习图像语义分割数据集的使用范围对比(关注几何形状)
Cookieman666的博客
11-07 1243
推进深度学习向前发展的三驾马车分别为：1. 数据集；2. 计算机的算力；3. 深度学习算法。然而，随着人工智能和深度学习算法在各个领域的应用取得显著的成效，对优质的数据集的要求越来越高，但现在主流的数据集仍然是关于纯计算机领域的应用，所以，选择好的数据集进行跨领域的迁移学习尝试也是计算机视觉(CV)领域常用的可行性方法。由于工程领域没有大范围公开的可用数据集，无法进行大面积的自主应用。1. Cityscapes数据集。
inplace_abn:就地激活的BatchNorm，用于DNN的内存优化训练
04-06
就地激活的批次标准 就地激活的BatchNorm（InPlace-ABN）是一种新颖的方法，可以减少训练深度网络所需的内存。 通过将BN +非线性激活重新定义为一次就地操作，它可以在现代体系结构（如ResNet，ResNeXt和Wider ResNet）中节省多达50％的内存，同时根据需要智能地丢弃或重新计算中间缓冲区。 该存储库包含InPlace-ABN层的实现，以及一些用于重现本文中报告的ImageNet分类结果的训练脚本。 现在，我们还发布了用于语义分割的推理代码，以及的Mapillary Vistas训练模型。 可以在本页底部找到更多信息。 引文 如果您在研究中使用就地激活的批次标准，请引用： @inproceedings { rotabulo2017place , title = { In-Place Activated BatchNorm for Memory-Opti
LightNet：用于语义图像分割的轻量级网络（Cityscapes和Mapillary Vistas数据集）-Python开发
05-25
⇒LightNet ++：增强的轻量级网络，用于实时语义分割！！！ ⇒EfficientNet.PyTorch：Ef LightNet的简洁，模块化，人性化的PyTorch实现！ ⇒LightNet ++：增强的轻量级网络，用于实时语义分割！！！ ⇒Efficient...
常见自动驾驶高精地图数据集对比分析
最新发布
07-01
- **应用领域**：不同的数据集适用于特定的应用场景，如语义分割、对象检测等。 #### 驾驶场景、天气条件及其他因素 - **驾驶场景**：不同数据集覆盖了从城市到乡村的各种驾驶环境。 - **天气条件**：一些数据集...
mapillary_vistas:MVD评估脚本
05-04
Mapillary Vistas数据集（MVD）评估脚本 该存储库包含用于对MVD预测（例如，基于培训和验证数据）进行评估的脚本，并另外构成了我们评估服务器的基础。 因此，在计算机生成的结果上成功运行这些脚本有助于验证评估服务器所需的预测变量的输出格式。 用法 主要入口点是mapillary_vistas/tools/evaluation.py 。 以下命令行选项是必需的： -c ， --config提供您下载的MVD的副本分发配置文件的位置。 -g ，-- --ground-truth-labels提供了随MVD分发的特定于实例的地面真相标签文件的路径。 -p ，-- --prediction-labels提供您的预测路径。 预期文件为PNG格式的8位灰度编码，像素值被视为配置文件中标签列表的索引。 标志-l和-p都假定所有生成的文件都位于相同的指定文件夹位置内。 最重要的可选
mapillary:Mapillary - Python API
06-14
Mapillary：Python API 非常感谢为发布了许多出色的。 安装 来自Github Repo 的最新版本 $ git clone https://github.com/DenisCarriere/mapillary.git $ cd mapillary_tools $ python setup.py install 来自PyPi 的稳定版本 $ pip install mapillary 兼容性 Mapillary API 在以下 Python 版本上进行了测试： 2.7 命令行界面 $ mapillary -h 范围 描述 command 地图API input 输入：文件路径 -o , --out 输出：文件路径 -e , --email Mapillary：电子邮件 -u ， --username 地图：用户名 -p , --password 地图：
Mapillary2COCO:将Mapillary Vistas数据集传输为Coco格式
05-09
将Mapillary Vistas数据集转换为Coco格式 此python脚本可帮助您将枫叶远景数据集转换为coco格式。 简单的介绍 这是给定的instance图像。 标签信息嵌入到每个像素值中。 pixel / 256 # the value represents this pixel belongs to which label. pixel %6 # the value represents this pixel is the i-th instance of its label. 下载链接 您可以从以下链接下载CoCo格式（以JSON注释）的培训和验证集。 [1] [2]
Python-自驾道路语义分割深度网络实现
08-11
3. **数据集准备**：自动驾驶语义分割的数据集通常包含高分辨率的RGB图像和对应的像素级标注。例如，可能使用了CityScapes、Kitti或Mapillary Vistas等公开数据集。数据预处理步骤包括图像增强、归一化以及将标注...
SemanticSegmentation_DL:基于深度学习模型的语义分割资源
04-12
数据集Microsoft COCO数据集MSRC数据集LITS肝肿瘤分割数据集奇蒂帕斯卡语境来自游戏数据集的数据人工解析数据集Mapillary Vistas数据集微软AirSim 麻省理工学院场景解析基准COCO 2017原料细分挑战赛ADE20K数据集适用...
fastseg:Mobile MobileNetV3的PyTorch实现用于实时语义分割，具有预先训练的权重和最新性能
04-13
这可用于在各种现实世界的街道图像上进行有效的分割，包括Mapillary Vistas，KITTI和CamVid等数据集。 from fastseg import MobileV3Large model = MobileV3Large . from_pretrained (). cuda (). eval ()...
cityscapes和Mapillary Vistas两种不同分割数据集的label映射
u013517182的博客
08-23 1083
众所周知，cs一共有19类，但是Mapillary Vistas有很多类，在做domain adaption的时候，往往需要将二者的类别做一个映射 如下表 同时发现Mapillary Vistas这个数据集下载下来之后，对应的label咋instance这个文件夹下，优点奇葩 ...
KITTI数据集数据初体验
热门推荐
LinesYao
05-21 4万+
KITTI简介 数据采集平台 激光数据 填坑中 KITTI简介 KITTI数据集由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办，是目前国际上最大的自动驾驶场景下的计算机视觉算法评测数据集。该数据集用于评测立体图像(stereo)，光流(optical flow)，视觉测距(visual odometry)，3D物体检测(object detection)和3D跟踪...
Win10环境下用Deeplabv3+模型训练Mapillary Vistas dataset(一)
Lois_Wang99的博客
02-26 2073
最近在做街景图象的语义分割，阅读了一些文献之后准备开始实战。用的模型是这两年很火的deeplabv3+，数据集是申请mapillary提供给researcher的数据集。
图像语义分割msrcv2数据集
04-27
MSRCv2数据集是一个用于图像语义分割的经典数据集，包含了591张图片，其中每张图片大小为320×240像素。该数据集中的图像从真实世界中采集，涵盖了21个不同的类别，包括天空、草地、建筑物、人和车辆等。每个像素都被标注为21个不同的类别之一。该数据集在计算机视觉领域被广泛应用于图像语义分割算法的评估和比较。
评论 3
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

打赏作者

呆呆的猫

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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