VOC数据集

VOC数据集 tar格式

官网:http://host.robots.ox.ac.uk/pascal/VOC/
在这里插入图片描述
多用,VOC2007和VOC2012
在这里插入图片描述

VOC数据集的下载(使用迅雷加快下载速度)

1.官网下载:
2.利用下载链接:
在这里插入图片描述
3.pytorch官网

VOC 2007

在这里插入图片描述

Annotations:包含了xml文件,描述了图片的各种信息,特别是目标的位置坐标

在这里插入图片描述
在这里插入图片描述
根据xml中的bounding box的信息开源将物体标注出来。
在这里插入图片描述

ImageSets:主要关注Main文件夹的内容,里面的文件包含了不同类别目标的训练/验证数据集图片名称

在这里插入图片描述
训练数据集和验证数据集的集合,左边为类别,右边_train为训练数据集,_val为验证数据集
在这里插入图片描述

是否有目标样本 1为有,-1为无
在这里插入图片描述

JPEGImages:原图片,打开有很多图片,核心文件

在这里插入图片描述

SegmentationClass:用于语义分割,标注了原图中不同class的区域,人都分为了一类

在这里插入图片描述

SegmentationObject:用于语义分割,不同人用不同颜色标注

在这里插入图片描述

VOC 2012

与2007类似,但包含年份更多

  • 2
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
VOC数据集是图像识别领域中常用的一个数据集,包含大量的图像和相应的标注信息。对于VOC数据集进行数据清洗的目的是为了提高数据的质量和可用性,以便于后续的模型训练和评估。 数据清洗的过程可以包括以下几个步骤: 1. 去除无效样本:VOC数据集中可能包含一些无效的样本,例如图像质量较差或者标注信息有误的样本。我们可以通过图像质量评估算法或人工检查的方式去除这些无效样本,确保我们所使用的数据质量较高。 2. 标注一致性检查:VOC数据集的标注信息包括目标的类别和位置信息,这些信息应该是一致的。在数据清洗过程中,我们可以检查每个图像对应的标注信息,确保类别标签的正确性和位置信息的一致性。如果发现错误的标注信息,我们可以进行修正或删除。 3. 处理类别不平衡:VOC数据集中的类别分布可能不均衡,导致模型在训练和评估过程中对少数类别的识别效果较差。在数据清洗过程中,我们可以通过增加或删除样本的方式来调整类别的分布,达到更好的平衡。 4. 去除重复样本:VOC数据集中可能存在重复的样本,这些重复的样本会导致训练和评估过程中的偏差。在数据清洗过程中,我们可以通过图像哈希算法或者特征提取算法对样本进行去重,确保每个样本只在数据集中出现一次。 在VOC数据集的数据清洗过程中,我们需要结合自动化的工具和人工的验证,对数据进行细致的检查和修正。只有经过充分的数据清洗,才能得到高质量的数据集,并且能够得到准确可靠的模型训练和评估结果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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