bdd100k数据集格式转coco格式

已于 2024-03-14 21:47:28 修改
阅读量766 收藏 12
点赞数 11
分类专栏： 毕业设计 mmdetection 文章标签： mmdetection
于 2024-03-14 00:25:52 首次发布
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/struggle_success/article/details/136695056
版权

最近在学习使用mmdetection，需要使用bdd100k数据集来训练网络，但是官网下载的数据集格式不是coco数据集，得自己转换数据集格式。

文章目录

一、bdd100k数据集下载

数据集下载地址：https://dl.cv.ethz.ch/bdd100k/data/

我下载了下面这些数据集，我们主要是对bdd100k_det_20_labels_trainval.zip这个文件夹进行操作。
在这里插入图片描述
解压bdd100k_det_20_labels_trainval.zip，记住解压路径。

二、bdd100k转coco脚本下载

BDD100K文档中有提到数据格式转换，但我没看懂，我选择使用.py转换。
在这里插入图片描述

github链接：
https://github.com/ucbdrive/bdd100k/tree/e0e54415d8c2659d606ef0721925aa5c09822732
这个代码官方现在好像不维护了（四年没更新了），但是我使用正常。

百度网盘链接：https://pan.baidu.com/s/1W-G_DPEnEqckoYls68TLnw?pwd=1111

三、脚本使用

找到转换脚本文件，并在路径框输入cmd
在这里插入图片描述
打开命令行后，输入下面的命令，例如：
在这里插入图片描述

python bdd2coco.py --label_dir bdd数据集label文件路径(不带文件名称) --save_path coco数据集保存位置(不带文件名称)

报错

Traceback (most recent call last):
  File "bdd100k\bdd2coco.py", line 103, in <module>
    bdd2coco_detection(attr_id_dict, train_labels, out_fn)
  File "bdd100k\bdd2coco.py", line 41, in bdd2coco_detection
    for label in i['labels']:
KeyError: 'labels'
SupCodeCat
关注
  • 11
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
使用yolov5训练自动驾驶目标检测数据集BDD100K
雷恩Layne
07-20 1万+
文章目录一、什么是BDD100K二、数据预处理三、环境配置四、修改模型结构五、迁移学习六、训练BDD100K七、评估性能八、结语 一、什么是BDD100K BDD100K是伯克利发布的开放式驾驶视频数据集，其中包含10万个视频和10个任务（因为把交通灯的颜色也区分了出来，实际上是13类分类任务），目的是方便评估自动驾驶图像识别算法的的进展。该数据集具有地理，环境和天气多样性，从而能让模型能够识别多种场景，具备更多的泛化能力。 由于硬件限制，我只里训练其中的图片数据，数据集按Train、Valid、Test三
bdd100k:BDD100K数据集
04-06
BDD100K是用于异构多​​任务学习的多样化驾驶数据集。 | | 我们构建BDD100K，这是最大的具有10万个视频和10个任务的开放式驾驶视频数据集，以评估自动驾驶图像识别算法的令人兴奋的进展。 每个视频都有40秒和高分辨率。 该数据集代表了超过1000个小时的驾驶经验以及超过1亿个帧。 这些视频随附GPU / IMU数据以获取轨迹信息。 该数据集具有地理，环境和天气多样性，对于训练不太可能因新条件而感到惊讶的模型很有用。 充满活力的户外场景和复杂的自我车辆运动使感知任务更具挑战性。 该数据集上的任务包括图像标记，车道检测，可驾驶区域分割，道路对象检测，语义分割，实例分割，多对象检测跟踪，多对象分割跟踪，领域适应和模仿学习。 此存储库包含使用的工具包和资源。 要引用论文中的数据集， @InProceedings{bdd100k, author = {Yu, Fisher
bdd100k格式转换为coco
Rootzzy1216的博客
01-09 584
如果想在转化成coco数据集中添加几个新的参数，比如天气、场景。在给的bdd2coco源码中添加上面一段即可，源码参考。
探秘BDD100K：大规模自动驾驶数据集与开放平台
gitblog_00081的博客
04-26 587
探秘BDD100K：大规模自动驾驶数据集与开放平台 项目地址:https://gitcode.com/bdd100k/bdd100k BDD100K 是一个面向自动驾驶研究和开发的大规模、多模态的数据集，它旨在推动计算机视觉和自动驾驶领域的进步。本文将深入探讨这个项目的背景、技术细节、应用场景以及其独特之处，以期吸引更多用户加入到这个创新的生态系统中。 项目简介 BDD100K源自伯克利深度驾驶（...
BDD100k
最新发布
qq_53324833的博客
06-11 808
多样化、大规模的标注视觉数据集，如Image Net [ 8 ]和COCO [ 19 ]，一直是计算机视觉中监督学习任务最新进展的推动力。对于一个任务[ 17、28、16 ]，典型的深度学习模型需要数以百万计的训练样本才能达到最先进的性能。然而，对于自动驾驶应用而言，由于缺乏全面的数据集，利用深度学习的力量并不那么简单。现有的自动驾驶[ 15、7、24]数据集在一个或多个显著性方面受到限制，包括场景变化、注释的丰富程度和地理分布。此外，在现有数据集上训练的模型往往会过度拟合特定的领域特征[ 26 ]。
【数据集NO.1】最经典大规模、多样化的自动驾驶视频数据集——BDD100K数据集
m0_70388905的博客
11-05 7824
数据集资源：最经典大规模、多样化的自动驾驶视频数据集——BDD100K数据集
BDD100K数据集，包含所有的训练集和测试集，以及darknet文件，可以直接训练
06-25
BDD100K数据集，包含所有的训练集和测试集，以及darknet文件，可以直接训练
BDD100K:大规模、多样化的驾驶视频数据集
热门推荐
leedo1的博客
12-05 1万+
文章目录BDD100K:大规模、多样化的驾驶视频数据集Annotations（一）道路目标检测（二）车道线标记（三）可行驶区域（四）全帧实例分割Driving ChallengesFuture WorkReference Links BDD100K:大规模、多样化的驾驶视频数据集 官网：https://bair.berkeley.edu/blog/2018/05/30/bdd/ 论文：https://arxiv.org/pdf/1805.04687.pdf 数据集：https://bdd-data.berk
探索未来驾驶：BDD100K，自动驾驶的数据宝藏
gitblog_00057的博客
04-15 417
探索未来驾驶：BDD100K，自动驾驶的数据宝藏 项目地址:https://gitcode.com/ucbdrive/bdd100k 在当今的智能驾驶时代，数据是训练算法、提升系统性能的关键。BDD100K 是一个大型、多样化的自动驾驶数据集，旨在推动自动驾驶技术的研发与创新。这个项目由加州大学伯克利分校的研究团队创建，提供了一个强大的平台，让开发者和研究人员能够利用丰富的图像和视频资源，进行复...
BDD100K数据集入门
牛肉胡辣汤
10-20 1618
BDD100K（Berkeley DeepDrive 100K）是由伯克利深度驾驶项目团队创建的一个大规模自动驾驶数据集。它包含了具有高分辨率图像和详细标注的100,000个驾驶场景。该数据集的目标是为自动驾驶系统的开发和评估提供一个丰富并具有代表性的资源。本文将引导您如何开始使用BDD100K数据集。
Python-BDD100K大规模多样化驾驶视频数据集
08-11
BDD100K：大规模多样化驾驶视频数据集
BDD资料包文件
01-10
需要用到的一些关于开发技术的资料，公司不能用外网，只能用CSDN
bdd100k数据集标签转COO再转YOLO程序
09-05
bdd100k数据集的标签转换为YOLO的格式，是本人csdn博客文章的对应代码，亲测有效。用于yolov7模型的训练，同样适用于yolov5等使用YOLO标签格式的各类深度学习模型的训练。
BDD100K翻译
weixin_43889128的博客
11-24 1906
摘要 数据集推动视觉进步，但现有的驾驶数据集在视觉内容和支持的任务方面不足，无法研究自动驾驶的多任务学习。 研究人员通常被限制在一个数据集上研究一小组问题，而现实世界的计算机视觉应用程序需要执行各种复杂的任务。 我们构建了最大的驾驶视频数据集 BDD100K 1 ，其中包含 10 万个视频和 10 个任务，以评估图像识别算法在自动驾驶方面的令人兴奋的进展。 该数据集具有地理、环境和天气多样性，这对于训练不太可能对新条件感到惊讶的模型很有用。 基于这个多样化的数据集，我们为异构多任务学习建立了一个基准，并研究
BDD100K:大规模不同驾驶视频数据库
weixin_41245919的博客
09-12 1970
BDD100K:大规模不同驾驶视频数据库   TL;博士,我们释放了最大和最多样化的驾驶视频数据集与丰富 注释叫做BDD100K。 你现在可以访问数据的研究http://bdd-data.berkeley.edu。 我们有 最近发布的一个arXiv 报告在上面。 还有时间来参与我们2018年CVPR挑战!     大规模、多样化,开车,视频:选择四个 自主驾驶将改变在每一个社区的生活。...
BDD100K数据集高速下载地址（百度网盘）
qq_46244851的博客
05-31 8201
最近需要BDD100K的数据集，在网上找了好久下载地址，大部分要么不能用，要么下到一半就禁止下载了，气煞我也，还让我加什么qq群，加群，不可能，必须拒绝，因此在找到后第一个和小伙伴们分享，有用的话，记得点赞评论偶 链接：https://pan.baidu.com/s/1fFSzGJt6Op4k7Gyo9QjtYA 提取码：kuld ...
BDD100k数据集训练YOLOv5
qq_41868937的博客
03-31 7006
BDD100k数据集标注转YOLO格式： # -*- coding: utf-8 -*- # @Author: lay # @Time: 2022/3/30 上午12:03 """ 把bdd100k数据集制作YOLO数据集的格式，以此进行训练 YOLO数据集的格式： class、x_center/img_width、y_center/img_height、w/img_width、h/img_height class ：目标类别 x_center/img_widt
BDD100K数据集转YOLO格式
retainenergy的博客
09-08 3575
BDD100K数据集用于2D目标检测，转换YOLO格式，使用YOLOv5、YOLOv6、YOLOv7进行训练
bdd100k数据集转yolo格式
05-22
BDD100K是一个包含车辆行驶场景的大型数据集，其中包括图像、视频和语义分割标注。如果你想将BDD100K数据集转换为YOLO格式，可以按照以下步骤进行： 1. 下载BDD100K数据集并解压缩。 2. 安装Python3和OpenCV。 3. 创建一个新的文件夹，用于存储YOLO格式的标注文件和图像。 4. 在该文件夹中创建一个名为“classes.txt”的文件，并在其中列出数据集中所有可能的类别。 5. 打开终端或命令提示符窗口，导航到BDD100K数据集文件夹。 6. 运行以下Python脚本，将BDD100K标注转换为YOLO格式： ```python import os import cv2 # Define the classes classes = ["car", "truck", "bus", "person", "bike", "motor", "traffic light", "traffic sign"] # Open classes file with open("classes.txt", "w") as f: for i, c in enumerate(classes): f.write(f"{c}\n") # Traverse the image directory and convert the annotations for dirpath, dirnames, filenames in os.walk("bdd100k/images/100k/train"): for filename in filenames: if filename.endswith(".jpg"): # Load the image img = cv2.imread(os.path.join(dirpath, filename)) # Load the annotation file anno_file = os.path.join("bdd100k/labels", dirpath.split("/")[-1], filename.replace(".jpg", ".txt")) with open(anno_file, "r") as f: annotations = f.readlines() # Create a new annotation file with open(os.path.join("yolo_labels", filename.replace(".jpg", ".txt")), "w") as f: for annotation in annotations: # Parse the annotation values = annotation.split(" ") x, y, w, h = [float(v) for v in values[2:6]] x_center = x + w / 2 y_center = y + h / 2 class_id = classes.index(values[0]) # Convert to YOLO format img_h, img_w, _ = img.shape x_center /= img_w y_center /= img_h w /= img_w h /= img_h f.write(f"{class_id} {x_center} {y_center} {w} {h}\n") ``` 7. 运行脚本后，YOLO格式的标注文件将存储在名为“yolo_labels”的文件夹中，并且每个图像都有一个相应的标注文件。 注意：这个示例只是一个基本的转换脚本，可能需要根据实际情况进行更改。例如，如果您的数据集包含其他类别或具有不同的分辨率，则需要相应地更新代码。

“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
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