MMSegmention官方文档阅读系列之一（准备数据集、数据下载、数据目录等）

建议将数据集根符号链接到SMMSEGMENTATION/data。如果您的文件夹结构不同，您可能需要在配置文件中更改相应的路径
目前 MMSegmentation 一共支持 14 个数据集的训练和推理，包括城市街景、室内场景、医学、卫星遥感等多种场景的数据集。它们的具体信息见下表：

1、数据文件目录

文件目录结构

mmsegmentation
├── mmseg
├── tools
├── configs
├── data
│ ├── cityscapes
│ │ ├── leftImg8bit
│ │ │ ├── train
│ │ │ ├── val
│ │ ├── gtFine
│ │ │ ├── train
│ │ │ ├── val
│ ├── VOCdevkit
│ │ ├── VOC2012
│ │ │ ├── JPEGImages
│ │ │ ├── SegmentationClass
│ │ │ ├── ImageSets
│ │ │ │ ├── Segmentation
│ │ ├── VOC2010
│ │ │ ├── JPEGImages
│ │ │ ├── SegmentationClassContext
│ │ │ ├── ImageSets
│ │ │ │ ├── SegmentationContext
│ │ │ │ │ ├── train.txt
│ │ │ │ │ ├── val.txt
│ │ │ ├── trainval_merged.json
│ │ ├── VOCaug
│ │ │ ├── dataset
│ │ │ │ ├── cls
│ ├── ade
│ │ ├── ADEChallengeData2016
│ │ │ ├── annotations
│ │ │ │ ├── training
│ │ │ │ ├── validation
│ │ │ ├── images
│ │ │ │ ├── training
│ │ │ │ ├── validation
│ ├── coco_stuff10k
│ │ ├── images
│ │ │ ├── train2014
│ │ │ ├── test2014
│ │ ├── annotations
│ │ │ ├── train2014
│ │ │ ├── test2014
│ │ ├── imagesLists
│ │ │ ├── train.txt
│ │ │ ├── test.txt
│ │ │ ├── all.txt
│ ├── coco_stuff164k
│ │ ├── images
│ │ │ ├── train2017
│ │ │ ├── val2017
│ │ ├── annotations
│ │ │ ├── train2017
│ │ │ ├── val2017
│ ├── CHASE_DB1
│ │ ├── images
│ │ │ ├── training
│ │ │ ├── validation
│ │ ├── annotations
│ │ │ ├── training
│ │ │ ├── validation
│ ├── DRIVE
│ │ ├── images
│ │ │ ├── training
│ │ │ ├── validation
│ │ ├── annotations
│ │ │ ├── training
│ │ │ ├── validation
│ ├── HRF
│ │ ├── images
│ │ │ ├── training
│ │ │ ├── validation
│ │ ├── annotations
│ │ │ ├── training
│ │ │ ├── validation
│ ├── STARE
│ │ ├── images
│ │ │ ├── training
│ │ │ ├── validation
│ │ ├── annotations
│ │ │ ├── training
│ │ │ ├── validation
| ├── dark_zurich
| │ ├── gps
| │ │ ├── val
| │ │ └── val_ref
| │ ├── gt
| │ │ └── val
| │ ├── LICENSE.txt
| │ ├── lists_file_names
| │ │ ├── val_filenames.txt
| │ │ └── val_ref_filenames.txt
| │ ├── README.md
| │ └── rgb_anon
| │ | ├── val
| │ | └── val_ref
| ├── NighttimeDrivingTest
| | ├── gtCoarse_daytime_trainvaltest
| | │ └── test
| | │ └── night
| | └── leftImg8bit
| | | └── test
| | | └── night
│ ├── loveDA
│ │ ├── img_dir
│ │ │ ├── train
│ │ │ ├── val
│ │ │ ├── test
│ │ ├── ann_dir
│ │ │ ├── train
│ │ │ ├── val
│ ├── potsdam
│ │ ├── img_dir
│ │ │ ├── train
│ │ │ ├── val
│ │ ├── ann_dir
│ │ │ ├── train
│ │ │ ├── val
│ ├── vaihingen
│ │ ├── img_dir
│ │ │ ├── train
│ │ │ ├── val
│ │ ├── ann_dir
│ │ │ ├── train
│ │ │ ├── val
│ ├── iSAID
│ │ ├── img_dir
│ │ │ ├── train
│ │ │ ├── val
│ │ │ ├── test
│ │ ├── ann_dir
│ │ │ ├── train
│ │ │ ├── val

输入尺度

Cityscapes: 769x769 & 512x1024，ADE20k: 512x512，PascalVOC: 512x512，Pascal Context: 480x480。

2、Cityscapes数据下载与数据处理

按照惯例，城市景观训练使用labelTrainIds.png。我们提供了一个基于cityscapessscripts/cityscapesScripts的脚本来生成labelTrainIds.png。

# --nproc means 8 process for conversion, which could be omitted as well.
python tools/convert_datasets/cityscapes.py data/cityscapes --nproc 8

3、Pascal VOC数据下载与数据处理

Pascal VOC 2012可从这里下载添加链接描述。此外，Pascal VOC数据集的最新工作通常利用额外的增强数据，可以在这里找到添加链接描述。
如果您想使用增强VOC数据集，请运行以下命令将增强注释转换为适当的格式。

# --nproc means 8 process for conversion, which could be omitted as well.
python tools/convert_datasets/voc_aug.py data/VOCdevkit data/VOCdevkit/VOCaug --nproc 8

请参考concat数据集concatenate-dataset了解如何连接它们和训练它们在一起的细节。

4、ADE20K

可以从这个链接下载ADE2OK的培训和验证集ADE2OK。我们也可以从这里下载测试集。

5、Pascal Context

STARE

首先，下载stare-images.tar、labels-ah.tar和labels-vk.tar。
要将STARE数据集转换为MMSegmentation格式，你应该运行以下命令:

python tools/convert_datasets/stare.py /path/to/stare-images.tar /path/to/labels-ah.tar /path/to/labels-vk.tar

脚本将自动生成目录结构。

LoveDA

数据可以从这里的谷歌驱动器添加链接描述下载。或者它可以从zenodo添加链接描述下载，你应该运行以下命令:

# Download Train.zip
wget https://zenodo.org/record/5706578/files/Train.zip
# Download Val.zip
wget https://zenodo.org/record/5706578/files/Val.zip
# Download Test.zip
wget https://zenodo.org/record/5706578/files/Test.zip

对于LoveDA数据集，请执行以下命令下载并重新组织数据集

python tools/convert_datasets/loveda.py /path/to/loveDA

使用训练好的模型对LoveDA的测试集进行预测并提交给服务器可以在这里找到添加链接描述

iSAID

数据图像可以从DOTA-V1.0 (train/val/test)下载添加链接描述
数据注释可从iSAID (train/val)下载添加链接描述
该数据集是用于航空图像实例分割的大规模数据集(也有语义分割)。
下载iSAID数据集后，您可能需要按照以下结构进行数据集准备。

│   ├── iSAID
│   │   ├── train
│   │   │   ├── images
│   │   │   │   ├── part1.zip
│   │   │   │   ├── part2.zip
│   │   │   │   ├── part3.zip
│   │   │   ├── Semantic_masks
│   │   │   │   ├── images.zip
│   │   ├── val
│   │   │   ├── images
│   │   │   │   ├── part1.zip
│   │   │   ├── Semantic_masks
│   │   │   │   ├── images.zip
│   │   ├── test
│   │   │   ├── images
│   │   │   │   ├── part1.zip
│   │   │   │   ├── part2.zip

python tools/convert_datasets/isaid.py /path/to/iSAID

在我们的默认设置(patch_width =896, patch_height =896, overlap_area =384)中，它将生成33978张图像用于训练，11644张图像用于验证。