Dataset之ADE20k：ADE20k数据集的简介、安装、使用方法之详细攻略

最新推荐文章于 2024-06-29 13:49:22 发布
最新推荐文章于 2024-06-29 13:49:22 发布
阅读量4.3w 收藏 67
点赞数 19
分类专栏： Dataset
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/qq_41185868/article/details/100511366
版权

Dataset之ADE20k：ADE20k数据集的简介、安装、使用方法之详细攻略

 

 

 

目录

ADE20k数据集的简介

1、数据集组成

2、图片和注释

3、每幅图像下的文件

ADE20k数据集的安装

ADE20k数据集的使用方法

 

 

 

 

ADE20k数据集的简介

      ADE20k拥有超过25,000张图像（20ktrain，2k val，3ktest），这些图像用开放字典标签集密集注释。对于2017 Places Challenge 2，选择了覆盖89％所有像素的100个thing和50个stuff类别。在本研究中作者使用后者这个封闭的词汇表。

官网：http://groups.csail.mit.edu/vision/datasets/ADE20K/

 

1、数据集组成

Training set：20.210 images (browse)
All images are fully annotated with objects and, many of the images have parts too.

Validation set：2.000 images (browse)
Fully annotated with objects and parts

Test set：Images to be released later.

Consistency set：64 images and annotations used for checking the annotation consistency (download)

2、图片和注释

每个文件夹包含按场景类别(与位置数据库相同的场景类别)分隔的图像。对于每个图像，对象和部分分段存储在两个不同的png文件中。所有对象和部分实例都是稀疏注释的。

 

3、每幅图像下的文件

* . jpg：RGB图像。
* _seg.png：对象分割掩码。此图像包含有关对象类分割掩码的信息，还将每个类分隔为实例。通道R和G编码对象类掩码。通道B对实例对象掩码进行编码。loadAde20K的函数。m提取两个掩模。
* _seg_parts_N.png：零件分割掩码，其中N是一个数字(1,2,3，…)，表示零件层次结构中的级别。部件被组织在一个树中，其中对象由部件组成，部件也可以由部件组成，部件的部件也可以有部件。level N表示部件树中的深度。级别N=1对应于对象的各个部分。所有的部件分割都具有与对象分割掩码相同的编码，类在RG通道中编码，实例在B通道中编码。使用loadAde20K函数。提取部分分割掩码，并将同一类的实例分离。
* _.txt：描述每个图像(描述对象和部件)内容的文本文件。此信息与其他文件是冗余的。但另外还包含有关对象属性的信息。loadAde20K的函数。m还解析这个文件的内容。文本文件中的每一行包含:列1=实例号，列2=部件级别(对象为0)，列3=遮挡(true为1)，列4=类名(使用wordnet解析)，列5=原始名称(可能提供更详细的分类)，列6=逗号分隔的属性列表。

 

 

 

 

ADE20k数据集的安装

更新……

 

 

 

ADE20k数据集的使用方法

1、该论文中使用了ADE20k数据集

DL之Panoptic Segmentation：Panoptic Segmentation(全景分割)的简介(论文介绍)、全景分割挑战简介、案例应用等配图集合之详细攻略

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

一个处女座的程序猿
关注
  • 19
    点赞
  • 踩
  • 67
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
ADE20K：ADE20K数据集
03-03
ADE20K数据集 这是的存储库。 我们提供了有关数据集的一些信息，并提供了用于探索数据的。 概述 ADE20K由来自SUN和Places数据库的27K图像组成。 图像完全用对象注释，跨越3K对象类别。 许多图像还包含对象部分和部分部分。 我们还提供了原始带注释的多边形，以及用于模态分割的对象实例。 图像也被匿名化，使人脸和车牌模糊。 数据集统计 数据集的当前版本包含： 涵盖365个不同场景的27,574张图像（用于训练的25,574张图像和用于测试的2,000张图像）。 来自3688个类别的707868个唯一对象，以及它们的WordNet定义和层次结构。 193,238带注释的对象零件和零件零件。 具有属性，注释时间，深度顺序的多边形注释。 探索数据集 虽然您需要才能访问数据集，但我们在数据集中提供了一个小的子datasets ，以便您熟悉结构。 我们还提供了一个index_a
ADE20K Outdoors ADE20K户外-数据集
03-04
该数据集是20,000图像ADE20K挑战数据集的5,000图像子集。此ADE20K数据集是一个地标图像分割数据集，包含大量室内和室外图像。每个图像都有一个伴随的图像分割蒙版，可将图像逐像素地划分为150个不同的类别。 数据的此子集仅包含室外图像。选择是使用粗分类分析进行的，因此需要一些离群值。 ADE20K Outdoors_datasets.txt
2024最新controlnet详解：Segmentation语义分割的使用方法
最新发布
Yu91an的博客
06-29 1566
本文提供一个全面的教程，指导用户如何在Stable Diffusion（SD）中利用【controlNet】Segmentation功能进行AI绘图的语义分割。文章通过实际操作示例和详细步骤，展示了如何通过语义分割来精细化调整图像的细节，增强AIGC创作的灵活性和创意表现力。segmentation简称SEG，SEG可以让你的构图更加可控，并且在结合multi control net以及latent couple等功能后更强大。
ADEChallengeData2016.zip
03-04
ADE20K 2016数据集，因官网下载时网速较慢，专门在此提供已经下载好的数据集，希望有利于各位的研究。
详细解读：MIT经典的语义分割数据集ADE20K，附下载链接
热门推荐
OpenDataLab的博客
06-15 1万+
给大家带来一份ADE20K 数据集的详细使用“攻略”，助大家模型训练一臂之力
ADE20k数据集介绍
牛肉胡辣汤
10-14 3326
ADE20k（ADE20K Scene Parsing Challenge）是一个用于场景解析的大规模数据集，它包含了超过20,000个标注图像，用于图像语义分割任务。该数据集旨在推动计算机视觉领域的研究和发展，特别是在场景理解和图像分割方面。ADE20k数据集是一个用于场景解析的大规模数据集，包含了丰富多样的场景图像，每个图像都经过了像素级的语义分类标注。该数据集在图像分割和场景理解研究中发挥着重要的作用，为计算机视觉领域的研究和发展提供了重要的支持。
图像分割中常用数据集及处理思路（含代码）
shengweiit的博客
04-26 4795
一些分割常用的道路数据集，以及一个普遍适合的读入数据代码
场景解析--Scene Parsing through ADE20K Dataset
AI小作坊 的博客
05-18 1万+
Scene Parsing through ADE20K Dataset CVPR2017 https://github.com/CSAILVision/sceneparsing http://sceneparsing.csail.mit.edu/MIT 搞的一个 场景解析数据库 ADE20K，可以在这上面测测自己算法的效果。 在这个数据库上我们跑了一些分割模型，在此基础上我们提出了一个
超详细！手把手带你轻松用 MMSegmentation 跑语义分割数据集
qq_39967751的博客
06-07 1万+
本文主要讲解了数据集相关的内容，包括目前学术界主流的语义分割数据集在 MMSegmentation中的实现，以及如何用 MMSegmentation 跑自己的数据集。希望可以帮助大家快速上手使用 MMSegmentation 代码库进行实验。.........
【数据集下载】ADE20k LVIS COCO panoptic_annotations_trainval2017
wendell 的博客
11-16 3443
ADE20k LVIS 数据集， COCO panoptic 标注下载
ade20k_parser_hrnetv2:一个带有hrnetv2的简单ade20k解析器
04-16
ADE20k解析器 一个用于生成ADE20k语义标签图的工具箱。 我们利用经过培训的HRNetv2 + CascadePSP来生成高质量的标签图。 安装软件包并下载检查点 pip install git+https://github.com/CSAILVision/semantic-segmentation-pytorch.git@master apt-get install python-requests pip install segmentation-refinement mkdir checkpoints/ade20k-hrnetv2-c1 wget http://sceneparsing.csail.mit.edu/model/pytorch/ade20k-hrnetv2-c1/decoder_epoch_30.pth -P checkpoints/ade20k-hrnetv2-
Python-MITADE20K数据集语义分割场景解析的PyTorch实现
08-11
MIT ADE20K数据集语义分割/场景解析的PyTorch实现
FCN-tensorflow-ADE20k:An FCN8s implementation on the dataset ADE20k. | 一个FCN8s的实现，用于ADE20k数据集
05-13
简介这是使用tensorflow在数据集ADE20k上的全连接网络（跨8步）实现。 该实现主要基于和其他github中的2个实现： 和 。 网资料集竞赛框架arXiv纸FCN8 tensorflow 1.4和python 3.62.如何运行下载并提取数据集。 下载....
深度学习之图像分类数据集：斯坦福汽车分类数据集（Stanford Cars Dataset）
02-20
数据集包含斯坦福汽车分类数据集（Stanford Cars Dataset）所有汽车的 16,185 张图片和 196 个类别 Cars 数据集包含 196 类汽车的 16,185 张图像。数据分为 8,144 张训练图像和 8,041 张测试图像，其中每个类别大致...
C#使用SQL Dataset数据集代码实例
08-26
2. 创建DataSet对象，例如`DataSet myds = new DataSet("mycsharp")`，其中"mycsharp"是DataSet的名称，用于标识和描述数据集。 3. 创建DataTable对象，例如`DataTable mydt = new DataTable("mytable01")`，...
光伏组件elpv-dataset数据集
03-14
"README.md"文件通常会提供关于数据集的详细说明，包括数据集的创建目的、结构、使用方法、许可信息等。它是了解数据集基本信息的重要来源。 "LICENSE.md"文件则明确了数据集的使用许可条件，确保用户在合法的范围...
dataset:CropWeed 田地图像数据集
06-11
作物/杂草田地图像数据集作物/杂草田地图像数据集 (CWFID) 随附以下出版物：“Sebastian Haug, Jörn Ostermann：用于评估基于计算机视觉的精准农业任务的作物/杂草田地图像数据集， 研讨会， ” 该数据集包括田野、...
【计算机视觉】三种常用的分割数据集：室内场景(ADE20K)、室外场景(Cityscapes)和驾驶场景(BDD100K)
wzk4869的博客
07-22 6444
【计算机视觉】三种常用的分割数据集：室内场景(ADE20K)、室外场景(Cityscapes)和驾驶场景(BDD100K)
python使用dataset数据集
06-28
### 回答1： Python使用dataset数据集可以通过以下步骤实现： 1. 安装dataset库：可以使用pip命令进行安装，如下所示： ``` pip install dataset ``` 2. 导入dataset库：在Python代码中导入dataset库，如下所示： ``` import dataset ``` 3. 连接数据库：使用dataset库提供的connect()方法连接数据库，如下所示： ``` db = dataset.connect('sqlite:///mydatabase.db') ``` 其中，'sqlite:///mydatabase.db'表示连接SQLite数据库，mydatabase.db为数据库文件名。 4. 创建表格：使用dataset库提供的create_table()方法创建表格，如下所示： ``` table = db.create_table('mytable') ``` 其中，'mytable'为表格名称。 5. 插入数据：使用dataset库提供的insert()方法插入数据，如下所示： ``` data = {'name': 'John', 'age': 30} table.insert(data) ``` 其中，data为要插入的数据。 6. 查询数据：使用dataset库提供的find()方法查询数据，如下所示： ``` results = table.find(name='John') for row in results: print(row) ``` 其中，name='John'表示查询name字段为John的数据。 以上就是Python使用dataset数据集的基本步骤。 ### 回答2： Python的dataset模块是一个用于处理关系型数据库（RDBMS）的工具，它充分利用了SQLAlchemy的功能。这个模块为Python语言提供了一个轻量级的接口，可以让用户更快速、更方便地连接和查询数据库。下面我会分几个方面来介绍它的使用。 安装方式 首先，你需要使用pip安装dataset。你可以使用以下命令来安装： ``` pip install dataset ``` 连接数据库 连接数据库是很重要的一步，在Python代码中连接数据库需要先指定数据库的类型、用户名、密码、主机IP和数据库名称。以MySQL数据库为例，以下是一个连接MySQL数据库的代码示例： ``` python import dataset db = dataset.connect('mysql://user:password@host/database') ``` 在这个例子中，我们使用connect()函数设置了一个MySQL数据库的连接。其中，连接连接字符串(mysql://user:password@host/database)由以下部分组成： - mysql表示我们将要连接的数据库类型； - user和password分别是数据库访问的用户名和密码； - host代表主机的IP地址； - database是我们将要访问的数据库名称。 你可以修改连接字符串来连接其他类型的数据库，如PostgreSQL、SQLite等。 常用操作 一旦连接成功，你可以执行诸如“插入记录” 、“更新记录”、“删除记录”、“查询记录”等数据库操作。下面是一些常用的操作： - 插入记录 ``` python table = db['my_table'] table.insert({'name': 'test', 'age': 18}) ``` 在这个例子中，我们打开一个名为“my_table”的表，并插入一个名为“test”、年龄为18岁的记录。 - 更新记录 ``` python table = db['my_table'] table.update({'name': 'test'}, {'age': 20}) ``` 这个例子将更新“my_table”表中名为“test”的记录的年龄为20岁。 - 删除记录 ``` python table = db['my_table'] table.delete(name='test') ``` 这个例子将删除“my_table”表中所有名为“test”的记录。 - 查询记录 ``` python table = db['my_table'] results = table.find(name='test') ``` 这个例子将查询“my_table”表中所有名为“test”的记录，并将结果存储在变量results中。你还可以使用其他条件来查询记录。 总结 dataset模块是处理关系型数据库的一个轻量级接口，它大大简化了Python代码与数据库的交互。通过连接、插入、更新、删除、查询等常规操作，你可以快速地对数据库进行操作。它与SQLAlchemy组合在一起使得在Python程序中使用关系型数据库变得容易而且高效。 ### 回答3： Python是一种非常流行的编程语言，因其易学易用和灵活性而受到广泛的喜爱。Python也被广泛用于数据科学领域中，主要是因为其数据分析能力和可视化工具。 在Python实现一个数据科学项目时，可能会经常使用dataset数据集，dataset是一个处理关系型数据的Python库。下面我们将详细介绍如何在Python中使用dataset数据集。 首先，需要安装dataset库，这可以通过运行以下命令在命令行中完成： pip install dataset 安装完成后，我们可以从以下方式中的任何一种方式读取、写入和查询关系型数据： 1. 使用SQLite数据库。在SQLite数据库中，数据存储在本地文件系统中。 2. 使用PostgreSQL数据库。PostgreSQL是一个强大的开源数据库管理系统，可以用于管理大量关系型数据。 3. 使用MySQL或MariaDB数据库。这些数据库是另外两个常用的关系型数据库，数据库支持相应的Python库运行环境。 使用dataset库，我们可以将数据与Python对象相关联。在Python中，使用的数据通常是字典，列表或对象。通过使用dataset，可以轻松地将这些对象序列化为关系型数据，同时还可以查询和过滤数据。 例如，下面的示例代码演示了如何使用dataset创建SQLite数据库： import dataset db = dataset.connect('sqlite:///mydatabase.db') table = db['mytable'] table.insert(dict(name='John', age=25)) table.insert(dict(name='Jane', age=33)) table.insert(dict(name='Bob', age=44)) 在上面的代码中，我们定义了一个名为`mytable`的新表，然后向其添加三个用户的数据。要查询数据，可以使用where子句，例如下面的代码将查询所有年龄大于30的用户： result = table.find(age={'$gt': 30}) for item in result: print(item['name'], item['age']) 输出结果将为： Jane 33 Bob 44 在总结中，dataset是一个流行的Python库，可用于简化对关系型数据的访问和查询。使用dataset，可以轻松地将对象序列化为关系型数据，并使用简单的API从数据库中查询和过滤数据。通过使用dataset，可以提高Python数据分析的效率和灵活性。
评论 1
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

一个处女座的程序猿

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