Pascal VOC数据集使用方法

最新推荐文章于 2024-04-17 20:28:56 发布
最新推荐文章于 2024-04-17 20:28:56 发布
阅读量1.2k 收藏 1
点赞数
文章标签： 深度学习 目标检测 计算机视觉
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/moutain9426/article/details/120594523
版权

Pascal VOC数据集使用方法

数据集下载

进入官网进行下载

由于我需要使用07+12格式的数据集，下载07的trainval+test和12的trainval即可，格式介绍可以参考针对 VOC2007和VOC2012 的具体用法

VOC2007

  • 下载得到的压缩包如下
    在这里插入图片描述

VOC2012

  • 下载得到的压缩包如下
    在这里插入图片描述

数据集解压

解压后07共有9963张图像，12共有17125张图像

组织数据集

07+12

为了使用07+12数据集，把07和12统一放到pascal_voc文件夹下

在这里插入图片描述

使用 VOC2007 的 train+val 和 VOC2012的 train+val 训练，然后使用 VOC2007的test测试；

[1]：faster r-cnn使用Pascal VOC2007+2012联合训练
[2]：针对 VOC2007和VOC2012 的具体用法
[3]：The PASCAL Visual Object Classes Homepage

_mountainriver
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
PASCAL VOC数据集的使用
qq_40728805的博客
12-17 2634
PASCAL VOC数据集的使用 本文以voc2007为例，下载完之后解压，可以在VOCdevkit目录下的VOC2007 其中在图像物体识别上着重需要了解的是Annotations、ImageSets和JPEGImages。 其中JPEGImages 文件夹中包含了PASCAL VOC所提供的所有的图片信息，包括了训练图片和测试图片。 其中Annotations文件夹中存放的是xml格式的...
voc2007和2012目标检测数据集在训练中使用
m0_37192554的博客
09-05 565
voc2007和2012如何训练使用
Pascal VOC(VOC 2012、VOC 2007) 数据集的简介
最新发布
qq_41946216的博客
04-17 2299
PascalVOC(2005~2012)数据集是PASCAL VOC挑战官方使用的数据集。该数据集包含20类的物体。每张图片都有标注，标注的物体包括人、动物（如猫、狗、岛等）、交通工具（如车、船飞机等）、家具（如椅子、桌子、沙发等）在内的20个类别。每个图像平均有2.4个目标，所有的标注图片都有目标检测需要的标签。VOC2007 与 VOC2012VOC2007：包含9963张标注过的图片， 由train/val/test三部分组成， 共标注出24,640个物体。
voc数据集使用代码
02-22
voc数据集使用代码
Pascal VOC数据集介绍，内网环境下在上运行TFA代码（Frustratingly Simple Few-Shot Object Detection）
qq_36136196的博客
01-04 2584
1.本地机子搭建环境，使用conda pack命令迁移到服务器 2.数据集放置，VOC07+VOC12放在dataset下 3.base基类训练（ps:Detectron2会有联网操作，注意使用本地链接替代） 4.用tools/ckpt_surgery.py得到全模型的参数初始化，仅仅修改检测头的最后层，有两种方法，一个是随机初始化，一个是在新类上微调的 5.微调 整个训练流程 PASCAL VOC: Base training --> random initialization --> fin
Dataset之Pascal：Pascal竞赛及其Pascal VOC(VOC 2012、VOC 2007) 数据集的简介、下载、使用方法详细攻略
热门推荐
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)…
04-13 4万+
Dataset之Pascal VOC：Pascal VOC(VOC 2012、VOC 2007) 数据集的简介、下载、使用方法详细攻略 目录 Pascal 竞赛 1、PASCAL VOC竞赛任务 2、Pascal 竞赛的历史 3、Pascal VOC等类似大型官方数据集的由来 Pascal VOC 数据集的简介 1、VOC2007和VOC2012数据集 P...
『DL笔记』PascalVOC 数据集介绍+数据集标注工具！
AI新视界
04-22 3963
PascalVOC 数据集介绍！ 文章目录一、Challenge1.1、数据集的主要任务1.2、VOC2012文件夹1.3、Annotations1.4、ImageSets1.5、JPEGImages Pascal VOC challenge 是一个非常流行的数据集，用于构建和评估图像分类、对象检测和分割的算法。官网数据集镜像：数据集下载链接 一、Challenge Pascal VOC chal...
[学习笔记] PASCAL VOC 2012数据集讲解与制作自己的数据集
Le0v1n 的博客
05-02 2582
PASCAL VOC 2012数据集介绍以及如何使用labelImg进行数据集制作和划分
行人检测数据集——pascalvoc格式
05-25
PASCAL VOC数据集由一系列图像组成，每个图像都包含了不同数量和位置的行人实例。数据集的结构包括训练集和验证集，有时还有测试集，用于模型的训练和性能评估。每张图片都配有详细的注释，包括边界框信息，这些边界...
Pascal VOC数据集PPT
10-23
介绍了Pascal VOC Challenge，讲述了一下pascal VOC Challenge的历史，同时讲述了VOC数据集的组织结构。
Pascal voc 2007 行人数据集
02-21
《Pascal VOC 2007 行人数据集：深度学习与计算机视觉的重要资源》 Pascal VOC（Visual Object Classes）挑战赛是一项国际性的计算机视觉竞赛，旨在推动图像识别、物体检测和语义分割等领域的发展。其中，Pascal ...
PASCALVOC制作的训练集
08-23
使用PASCALVOC数据集训练FASTERRCNN模型时，首先需要对数据进行预处理，包括将图像和对应的标注文件（如VOC的XML文件）组织成FASTERRCNN可接受的格式。XML文件中包含了每个物体的边界框坐标以及所属类别，这是模型...
针对 VOC2007和VOC2012 的具体用法
一点痕迹
06-14 3600
目前广大研究者们普遍使用的是 VOC2007和VOC2012数据集，因为二者是互斥的，不相容的。 论文中针对 VOC2007和VOC2012 的具体用法有以下几种： 只用VOC2007的trainval 训练，使用VOC2007的test测试。 只用VOC2012的trainval 训练，使用VOC2012的test测试，这种用法很少使用，因为大家都会结合VOC2007使用。 使用 VOC2007 的 train+val 和 VOC2012的 train+val 训练，然后使用 VOC2007的test测试
为目标检测制作PASCAL VOC2007格式的数据集
hitzijiyingcai的博客
08-14 2万+
本文为博主原创，转载请注明出处：https://blog.csdn.net/hitzijiyingcai/article/details/81636455 一、前言 在利用诸如Faster R-CNN等深度学习网络进行目标检测的时候一定需要训练自己的数据集，一般有两种方法： 按照VOC2007的格式修改自己的数据格式 根据自己的数据格式修改源码 一般推荐第一种方法，因为第一种方法比较简单而...
使用VOC2007数据集yolov8模型训练 预测 验证与导出
m0_71778249的博客
12-15 1005
Xml_to_yolo.py:可以使annotations里的xml文件转换至lables里所要的文件。Split_train_val.py:可以生成imagesets里的文件。模型会储存在runs/detect/train文件夹下。Yolov8n.pt 不需要下载，跑模型时会自动下载。JPEGImages：为原始图片（不重要）Dataset_path：为图片索引路径。此文件需要自己创建 name为类别标签。Imagesets：为图片编号索引。查看文件夹下xml类别标签.py。打开文件详细查看模型结构。
毕设杂记：PASCAL VOC数据集（目标检测）
weixin_45839733的博客
03-24 1890
PASCAL VOC挑战赛 （The PASCAL Visual Object Classes ）是一个世界级的计算机视觉挑战赛，PASCAL全称：Pattern Analysis, Statical Modeling and Computational Learning，是一个由欧盟资助的网络组织。
使用PASCAL VOC07+12联合训练faster rcnn
ly_twt的博客
04-16 1551
一、下载数据集 wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar wget http://host.robots.ox.ac.uk/p...
目标检测数据集制作（VOC2007格式数据集制作和处理教程）
qq_43437044的博客
01-29 1688
本次的是目标检测，对应的如下结构。
怎么把Voc2007,VOC2012数据集其中一个或者几个类别提出来作为小型数据集，来测试搭建的模型！！！以及yolov3损失函数：giou改为平方差损失。
weixin_41146894的博客
03-23 1368
前言： 在目标检测中，有些时候，我们需要一些小型的数据集来看看自己的模型怎么样。自己制作数据集，太费事，耗时间。那么我们可以把VOC2007 或者VOC2012数据集中的一个类别拿出来实验。这里教你怎么把你需要的类别拿出来！ 一 把你需要的类别.xml文件和图片找出来 运行下方代码就可以了：你只需要修改对应的路径，和下方的classes1,classes2,选择你需要的类别，如果只需要一个类别的话，就把下方的****：for k in range(0, len(ind_start))????**里面对应的c
pytorch使用pascal voc数据集训练
05-29
好的，下面是使用 PyTorch 和 Pascal VOC 数据集进行训练的一些步骤： 1. 下载 Pascal VOC 数据集并解压缩。您可以从 http://host.robots.ox.ac.uk/pascal/VOC/ 下载数据集并按照指示解压缩。 2. 安装 PyTorch。您可以从 PyTorch 网站（https://pytorch.org/get-started/locally/）获取安装说明并安装 PyTorch。 3. 安装 torchvision。您可以使用以下命令安装 torchvision： ``` pip install torchvision ``` 4. 准备数据集。您需要将 Pascal VOC 数据集转换为 PyTorch 可以读取的格式。您可以使用以下代码： ``` from torchvision import datasets, transforms data_transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) train_dataset = datasets.VOCDetection(root='path/to/PascalVOC', year='2012', image_set='train', transform=data_transform) val_dataset = datasets.VOCDetection(root='path/to/PascalVOC', year='2012', image_set='val', transform=data_transform) ``` 将 "/path/to/PascalVOC" 替换为您解压缩数据集的路径。 5. 定义模型。您可以使用现有的模型，如 ResNet 或 VGG，也可以自己定义模型。这里是一个使用 ResNet18 的示例： ``` import torch.nn as nn import torchvision.models as models model = models.resnet18(pretrained=True) # 替换最后一层全连接层 num_classes = 20 # Pascal VOC 数据集中有20个类别 model.fc = nn.Linear(model.fc.in_features, num_classes) ``` 6. 定义损失函数和优化器。这里使用交叉熵损失和随机梯度下降（SGD）优化器： ``` import torch.optim as optim criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9) ``` 7. 训练模型。您可以使用以下代码训练模型： ``` from torch.utils.data import DataLoader train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True) val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False) num_epochs = 10 for epoch in range(num_epochs): # 训练模型 model.train() for images, labels in train_loader: optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() # 在验证集上评估模型 model.eval() with torch.no_grad(): total_correct = 0 total_samples = 0 for images, labels in val_loader: outputs = model(images) _, predicted = torch.max(outputs, 1) total_correct += (predicted == labels).sum().item() total_samples += labels.size(0) val_accuracy = total_correct / total_samples print('Epoch [{}/{}], Val Accuracy: {:.2f}%'.format(epoch+1, num_epochs, val_accuracy*100)) ``` 在每个 epoch 结束时，模型在验证集上进行评估，并打印准确率。 希望这些步骤可以帮助您开始使用 PyTorch 和 Pascal VOC 数据集进行训练。如果您需要更详细的说明或者代码示例，请告诉我！

“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
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

_mountainriver

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