将CityScapes数据集转换为COCO格式的实例分割数据集

最新推荐文章于 2024-06-24 19:03:14 发布
最新推荐文章于 2024-06-24 19:03:14 发布
阅读量9.6k 收藏 108
点赞数 26
分类专栏： 运动目标检测 文章标签： COCO CityScapes 标注 数据集
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/sinat_36502563/article/details/103788976
版权

##￥##2019年结束前最后两小时，写出本年度最后一篇博客，不是博主没地方去跨年，实在是Coding乐趣无穷ahhhh ##￥##

COCO数据集是研究实例分割的通用数据集，但是针对道路环境的数据较少，对于自动驾驶和移动机器人的应用并不适配。而提供道路环境的实例分割数据的数据集目前有KITTI、CityScapes、Apllo等，CityScapes算是应用较广，数据质量较高的一个，所以，本篇博文给大家分享一下将CityScapes的实例标注转换为COCO格式的过程。

首先，COCO的标注信息格式参考博文：https://blog.csdn.net/u012609509/article/details/88680841，COCO的图片文件均放在一个文件夹下，而其标注信息都放在annotation文件夹的不同.json文本中，一个文本中包含了对所有图片以及某一任务的所有图片的标注信息。

CityScapes提供的标注信息有彩色语义图、实例id单通道图、语义id单通道图以及所有语义polygon的文本描述.json：

一个COCO标注文件中包含info、lisenses、categories、images以及annotations，代码初始预先设定了前三项，categories可以根据自己的需要进行修改，我保留的类别有5类，car、pedestrian（person）、truck、bus、rider，对应cityscapes中类别id的24-28, 以下是cityscapes完整的类别定义：

List of cityscapes labels:

                     name |  id | trainId |       category | categoryId | hasInstances | ignoreInEval
    --------------------------------------------------------------------------------------------------
                unlabeled |   0 |     255 |           void |          0 |            0 |            1
              ego vehicle |   1 |     255 |           void |          0 |            0 |            1
     rectification border |   2 |     255 |           void |          0 |            0 |            1
               out of roi |   3 |     255 |           void |          0 |            0 |            1
                   static |   4 |     255 |           void |          0 |            0 |            1
                  dynamic |   5 |     255 |           void |          0 |            0 |            1
                   ground |   6 |     255 |           void |          0 |            0 |            1
                     road |   7 |       0 |           flat |          1 |            0 |            0
                 sidewalk |   8 |       1 |           flat |          1 |            0 |            0
                  parking |   9 |     255 |           flat |          1 |            0 |            1
               rail track |  10 |     255 |           flat |          1 |            0 |            1
                 building |  11 |       2 |   construction |          2 |            0 |            0
                     wall |  12 |       3 |   constr
最低0.47元/天 解锁文章
【深度学习语义分割常用数据集介绍】--cityscapes
m0_72871430的博客
03-14 679
cityscapes数据集体量：包含从50个不同城市收集的照片。包含20K张弱注释图片和5K张高质量的强注释的图片。
cityscapes数据集转化为coco数据格式（超详细，百分百学会）
weixin_44403182的博客
12-04 5929
cityscapes数据集转化为coco数据集（超详细，百分百学会）直接进入主题一、然后我们要做的第一步是先有一个工具包，拿来进行转化.二、安装一个库，pycococreatortools三、使用步骤1.打开你刚刚下载的代码包，打开transcityscapes2coco.py文件。2.修改你需要的数据集 类别 直接进入主题 从官网下载或者你们从百度云下载的cityscapes数据集多半这个样子的 提示：以下是本篇文章正文内容，下面案例可供参考 一、然后我们要做的第一步是先有一个工具包，拿来进行转化.
cityscapes数据集转化为coco数据格式
mfjzjhayb的博客
03-31 4767
将cityscapes数据集转化为coco数据格式，主要是为了获取这几个文件，如图： 此处，放上转好的文件，大家可以直接拿去用： 百度网盘 链接: https://pan.baidu.com/s/1I1b5SbdNlWHUDV-mrEC6PQ 提取码: j826 自己亲手制作的话，使用mmdetection中的tools里面包含的cityscapes.py文件，首先下载并按照mmdetection的要求配置好环境，链接为：https://github.com/open-mmlab/mmdetect
cityscapes2coco-master
04-14
cityspace数据集转换到coco格式，便于训练
Cityscapes数据集转换成COCO类型和VOC类型
sinat_42367115的博客
02-22 1194
Cityscapes数据集转换成COCO类型
cityscapes数据集转换为COCO数据集格式【速来，我吃过的苦，兄弟们就别再吃了】
weixin_43624549的博客
06-24 1407
cityscapes数据集 yoloV8 COCO数据集
YOLO v8 使用cityscapes数据集进行实例分割任务
博客
04-30 2559
2、cityscapesscripts/helpers/labels.py文件，找到需要的实例分割的类别。Dataset之Cityscapes：Cityscapes数据集的简介、安装、使用方法之详细攻略_cityscapes dataset-CSDN博客。分别将生成的训练集和测试集的json使用yolo v8自带的转换工具（注：尽量不要使用别人写的代码，后面介绍）详解COCO数据格式的json文件内容_coco数据集json标注-CSDN博客。为什么别人写的代码存在问题呢？3、了解COCO格式。
使用CityScapes数据集训练实例分割网络YOLACT
陆羽飞的博客
01-31 6096
#2020开年第一篇，谁能预料新年伊始的世界如此脆弱，中国疫情肆虐，美伊箭拔弩张，英国愤懑脱欧，儿时的偶像科比和女儿也不幸离世，生命之渺小，生活之曲折，兄弟们，要充满阳光地活着啊，人间，值得。：-）今天还是鄙人生日，愿世间多点爱，与和平。 上一篇介绍了博主用CityScapes数据集提取了五类实例，并转换成了COCO数据集的标注格式（将CityScapes数据集转换为COCO格式的实例分割数据集...
语义分割　Maskrcnn 训练COCO格式数据集
Andrwin的博客
06-21 5684
Maskrcnn 训练COCO格式数据集 使用coco-annotator标注工具 coco.py改为 """ Mask R-CNN Configurations and data loading code for MS COCO. Copyright (c) 2017 Matterport, Inc. Licensed under the MIT License (see LICENS...
实例分割数据格式转换
Ken的博客
07-05 317
将标注文本转化为图片实例数据（二值图），一个实例类别对应一张图片，代码如下： 生成图片后，将图片和标注信息转为coco格式
labelme标注实例实例分割数据并转为COCO格式/VOC格式
ayiya_Oese的博客
10-09 1万+
labelme标注实例实例分割数据并转为COCO格式/VOC格式准备数据下载并安装labelme创建一个labels.txt标注数据转换格式其他额外代码复制json文件到单独文件夹划分数据集 准备数据 将需要标注的数据放到同一个文件夹中 下载并安装labelme 安装labelme，用于对数据进行标注 pip install labelme 下载labelme，转换格式时需要使用到其中的文件： git clone https://github.com/wkentaro/labelme.git 转COCO
cityscapes数据集转COCO格式
keep_early的博客
07-27 2920
先去官网下载需要的cityscapes packages吧， cityscapes dataset 例如，我只需要这两个： gtFine_trainvaltest.zip (241MB) 和 leftImg8bit_trainvaltest.zip (11GB) 然后，解压。因为转COCO，需要把所有的图片放到一起。 原来 leftImg8bit_trainvaltest.zip 解压后的格式是： leftImg8bit_trainvaltest --------------train ----------
语义分割网络Segnet在Cityscapes数据集上的探索
weixin_44792382的博客
01-04 1083
语义分割网络Segnet在Cityscapes数据集上的探索
图像语意分割Cityscapes训练数据集使用方法详解
热门推荐
loving___
06-09 1万+
大家好，这是我的第一篇个人博客，目前我是自学3个月Python及深度学习的新手小白。 希望通过写这样一个博客，可以记录我在学习中遇问题并解决问题的过程，若有幸文章对你有所帮助，也就实现了我写这篇文章的意义。 若文章有遗误之处，还请大家指正。 1.什么是Cityscapes数据集？ 我们知道，在深度学习图像语意分割的训练过程中，需要有数据集及分好类的标签，这样才可以让你的神经网络进行学习，进而训练出模型，用来识别你想要识别的图片场景等。Cityscapes便是包含大量街道图片、视频用来训练识别的数据集。 引用
制作类似于cityscapes数据集的流程，用来实现实时语义分割
weixin_48262500的博客
02-10 1560
制作类似于cityscapes数据集的流程，用来实现实时语义分割
【数据集】Cityscapes数据集的介绍与使用方法
m0_51579041的博客
03-02 1万+
【数据集】Cityscapes数据集的介绍与使用方法，可以用于语义分割，实例分割
无人驾驶环境下的图像语义分割 CityScapes 数据集使用方法分享
OpenDataLab的博客
08-22 2405
OpenDataLab平台为大家提供了CityScapes数据集完整的数据集信息、直观的数据分布统计、流畅的下载速度、便捷的可视化脚本，欢迎体验
COCO_02 二值分割数据集制作为COCO数据集
今晚看星星的博客
01-15 1943
根据分割数据集制作COCO格式数据集
foggy cityscapes实例分割转yolo
最新发布
12-29
### 将 Foggy Cityscapes 数据集的实例分割标签转换为 YOLOv5 兼容格式 为了使雾天城市景观（Foggy Cityscapes）数据集中的实例分割标注能够与YOLOv5兼容，需遵循特定的数据结构和文件命名约定。以下是具体操作指南： #### 准备工作 确保安装了必要的库来处理图像和JSON文件，例如`opencv-python`用于图像读取以及`json`模块解析原始标注。 #### 转换流程说明 1. **加载源数据** 雾天城市景观提供了高质量的真实世界场景下的语义分割掩码及其对应的边界框信息。这些信息存储在一个复杂的目录树内，并通过`.json`文件描述各个对象的位置和其他属性[^1]。 2. **创建目标文件夹结构** 构建类似于下面这样的简单而清晰的目标路径： ``` /path/to/your/dataset/ └── images/ ├── train/ ├── val/ └── labels/ ├── train/ ├── val/ ``` 3. **编写脚本实现自动化转换** ```python import os from pathlib import Path import json import cv2 def convert_cityscapes_to_yolo(cityscapes_path, yolo_output_dir): image_paths = list(Path(os.path.join(cityscapes_path, "leftImg8bit")).rglob("*/*.png")) for img_pth in image_paths: label_file = str(img_pth).replace('leftImg8bit', 'gtFine').replace('.png', '_gtFine_polygons.json') with open(label_file, 'r') as f: data = json.load(f) h, w = cv2.imread(str(img_pth)).shape[:2] objects = [] for obj in data['objects']: cls_name = obj["label"] if not (cls_name.startswith("person") or cls_name.startswith("car")): continue polygon_points = [(pt[0], pt[1]) for pt in obj["polygon"]] x_coords, y_coords = zip(*polygon_points) xmin, ymin = min(x_coords), min(y_coords) xmax, ymax = max(x_coords), max(y_coords) bbox_center_x = ((xmin + xmax)/2) / w bbox_center_y = ((ymin + ymax)/2) / h bbox_width = abs((xmax-xmin))/w bbox_height = abs((ymax-ymin))/h class_id = get_class_index(cls_name) # 定义此函数返回类别索引值 line = f"{class_id} {bbox_center_x:.6f} {bbox_center_y:.6f} {bbox_width:.6f} {bbox_height:.6f}\n" objects.append(line) save_label_txt(objects, img_pth.name.replace(".png", ".txt"), yolo_output_dir) def save_label_txt(lines, filename, output_folder): txt_filepath = os.path.join(output_folder, *filename.split('/')[-2:]) os.makedirs(os.path.dirname(txt_filepath), exist_ok=True) with open(txt_filepath, 'w+') as file: file.writelines(lines) if __name__ == "__main__": cityscape_dataset_root = "/path/to/foggy/cityscapes/" destination_for_converted_labels = "./converted_foggy_cityscapes/" convert_cityscapes_to_yolo(cityscape_dataset_root, destination_for_converted_labels) ``` 这段Python代码实现了从Cityscapes格式到YOLO所需格式之间的自动转换过程。注意这里只选择了行人和个人车辆两类作为例子；实际应用时可以根据需求调整类别的选择标准。
评论 47
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
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