【工具包】目标检测Label类别和Boundingbox分析统计工具包

已于 2022-05-17 23:11:56 修改
阅读量291 收藏
点赞数 1
分类专栏： 从入门算法到高级算法工程师 文章标签： 目标检测 深度学习 人工智能 计算机视觉 算法
于 2022-05-17 23:10:31 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/water20210101/article/details/124832147
版权

文章目录

引言

上篇工具包，主要是
特征工程：清洗数据
【工具包】目标检测label-image剔错去重等清洗工具包
所以这次主题是
特征理解：我的数据集里有什么

不少刚入门小伙伴去参加kaggle比赛，拿着V100的集群外加大模型一顿操作猛如虎，但是分却上不去，甚至还不如某某大神分享出来的baseline？为什么？

因为不管是目标检测也好其他有监督的机器学习（深度学习）也好，只要是用有监督的label来引导学习模型参数，那么这一步都是通用而且重要的。只有做好了训练集的特征工程分析，label分析统计，打好基础后再考虑模型backbone、损失函数等才有意义。

实战篇

2.1 具体类别分析统计

在这里插入代码片
import os
import xml.etree.ElementTree as ET
import numpy as np
了解本专栏 订阅专栏 解锁全文
小菜学AI
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
【OpenCV实现图像：可视化目标检测框】
weixin_47869094的博客
11-23 3644
通过使用Python和相关的图像处理库，可以轻松实现目标检测框的可视化。通过结合目标检测算法的输出和Matplotlib的功能，可以创建一个直观且易于理解的图像，展示图像中目标的位置和边界框。通过cv2.rectangle 函数设置 thickness参数 ,可以得到填充后的图像,进而利用opencv中的 cv2.add_weight 函数可以实现透明效果，自行尝试。左上为常用的不带标签的输出框,右上为YOLO系列美化带标签后的矩形框,左下为四个角点美化后的矩形框,右下为带标签的角点美化矩形框.
目标检测可视化
zj_xd的博客
06-04 239
第一个链接是用rectangle来实现单个图片的可视化，第二个链接里是用polylines来绘制文件夹里图片的可视化。结合了第二个链接里的读取方式和第一个链接里的可视化方法，得到了现在的代码。第三个链接讲的是opencv基础的画图函数。
【目标检测】|2020eccv TIDE：目标检测错误分析工具
qq_35608277的博客
06-13 685
论文地址： http://arxiv.org/pdf/2008.08115v2.pdf代码： https://dbolya.github.io/tide/来源： 佐治亚理工学院论文名称：TIDE: A General Toolbox for Identifying Object Detection Errors原文作者：Daniel Bolya在肿瘤检测任务中，正确的分类更重要，Bounding Box准确与否不是第一位的; 在机器人抓取任务中，Bounding Box很重要，很微小的Bounding Bo
项目实战工具|目标检测评价map精细化系列工具
zqwwwm的博客
04-28 912
更多内容关注公众号“张大刀” 大家好，我是张大刀，前两天写完目标检测的评价标准map后，有人在后台私信我如果map只能对目标检测大概评价，那具体到具体项目，真的要每次自己去将检测结果过一遍，人为去发现漏检和误检的数据特征吗？ 额，作为人工智能当然不允许这样的事情发生。想起来之前在公众号中写到的TIDE模块，开始以为是某one的实用模块，后来才发现原来大佬是发了ECCV2020，孤陋寡闻了。。立马拜读下。这一拜读后，竟然发现很多惊喜。 对于目标检测，常见使用map做为评价指标，详情可以看《【小白入坑篇】目标
深度学习目标检测常用工具型代码：对训练数据的标签文档进行分析
Snoopy_Dream
04-25 705
很多时候，我们在进行检测的前是需要对你的数据集，进行分析的。这个py文件是将训练数据的label文件，统一转换成csv格式，输出长、宽、面积、ratios（长宽比）等如果不考虑批量操作，当然你可以用excel导入date.# -*- coding: utf-8 -*- """ Created on Sat Apr 7 11:11:15 2018 分析原始数据 @author: ygx """ i...
深度学习标注工具labelImg.exe
05-07
LabelImg支持多种标注类型，包括矩形框（bounding box）标注和多边形（polygon）标注，适用于物体检测和语义分割任务。矩形框标注常用于识别图像中的特定对象，如车辆、行人等；多边形标注则更适合复杂形状的边界，...
图形图像注释工具 LabelImg.zip
03-13
LabelImg 是一款广泛使用的开源图形图像注释工具，主要用于计算机视觉领域的对象检测任务。它是一个跨平台的应用程序，支持Windows、Linux和Mac OS操作系统。在机器学习和深度学习项目中，高质量的标注数据是训练...
YOLO目标检测算法的黑科技全揭秘
10-31
它将输入图像划分为固定大小的网格（grid），并在每个网格中预测目标边界框（bounding box）的位置和类别概率。 YOLO的工作流程： 1. 网格划分：将输入图像划分为固定大小的网格。每个网格负责检测该区域内的目标...
YOLOv8-OBB旋转目标检测，使用自己的数据集
最新发布
03-10
在传统的目标检测任务中，模型通常假设边界框是矩形，但在许多实际应用中，如遥感图像分析、车牌识别或倾斜建筑物检测，目标可能呈现出明显的旋转。YOLOv8_OBB引入了对椭圆边界框的支持，能够更准确地捕捉到这些非...
keras 实现faster rcnn目标检测
09-06
- **检测网络**：对RPN提出的候选框进行进一步处理，包括分类（背景/目标类别）和框的细化调整（Bounding Box Regression）。 ### 4. Keras实现Faster R-CNN步骤 1. **数据准备**：首先需要准备标注好的图像数据集...
Python-图像分类目标检测姿态估计分割的Pytorch实现
08-11
Repo for most of CV problems, such as image classification, object detection, pose estimation, segmentation, and so on.
nuScenes 3D目标检测数据集解析（完整版附python代码）
02-10 5364
最近在用nuScenes3D目标检测数据集，可能由于官方已经提供了解析工具包nuscenes-devkit，绝大多数博客只介绍了如何使用工具包进行数据解析和可视化，对于数据解析的内部逻辑就不是很关注了。本文根据官网说明、论文以及工具包源码整理归纳得到，对其他博客未提及的数据集结构、坐标系转换、传感器同步等问题进行了详细分析。 1. 数据集概述 1.1 传感器配置 nuScenes的数据采集车辆为Renault Zoe迷你电动车，配备6个周视相机，5个毫米波雷达，具备360°的视野感知能力。具体传感器
RCNN:Bounding-Box（BB）regression
热门推荐
Bixiwen_liu的博客
12-23 1万+
本博客主要介绍RCNN中的Bounding-box的回归问题，这个是RCNN定准确定位的关键。本文是转载自博客：Faster-RCNN详解，从中截取有关RCNN的bounding-box的回归部分。原博文详细介绍了RCNN，Fast-RCNN以及Faster-RCNN，感兴趣的可以去看一下。
目标检测目标的统计
qq_29296685的博客
06-15 2786
1 对目标数量，占比的统计 2 对目标尺寸(长，宽及面积的箱型图) 统计时你只需要修改对应目标的字典即可(下载STLITI.TTF字体格式，放到当前位置,替换fname中的位置) # encoding:utf-8 """" #20200331 统计目标检测中的数据，需要输入dota格式的标签x1,y1....x4,y4,category """ import numpy as np import os import matplotlib.pyplot as plt from matplotlib i
目标检测———LabelImg数据标注
WellTung_666的博客
03-06 2019
LabelImg LabelImg是图形图像注释工具。 它是用Python编写的，并使用Qt作为其图形界面。 注释以PASCAL VOC格式(ImageNet使用的格式)保存为XML文件。此外，它还支持YOLO格式。 GitHub：https://github.com/tzutalin/labelImg 下载方法 Ubuntu Linux： Python 3 + Qt5 (Recommended...
目标检测和语义分割数据集制作工具labelimg、labelme
YL950305的博客
11-05 2690
文章目录前言1.labelimg1.1 安装1.3 使用2. labelme2.1 安装2.2 使用总结 前言 补一下labelimg和lableme 1.labelimg 1.1 安装 labelimg百度网盘提取码bd0j 下载选择一个版本，我选择的是windows_v1.3.4 解压后得到 其中labelImg是应用程序，可直接打开，data文件夹中predefined_classes.txt文件，存放预设置的类名称，可根据自己情况更改。 1.3 使用 得到的结果为xml文件 2. l
目标检测的boundingbox的几种表示方法
Dongjiuqing的博客
01-07 3278
目标检测中bounding box的几种表示形式 1.xyxy型（x_min,y_min,x_max,y_max）——VOC边框表示法 用多个.xml文件存放 2.tlwh型（x_min,y_min,width,height）——coco边框表示法 用一个.json文件存放 3.xywh型（x_center,y_center,width,height）——yolo边框表示法 用多个.txt文件存放 还有一种是标注多个json文件的，具体我忘记了。 用不同网络训练自己的数据时，需要将数据转换成网络能够处
pcl_test可视化时bounding box需要安装的包
Fzc_Ztt的博客
05-28 303
sudo apt install ros-melodic-jsk-recognition-msgs ros-melodic-jsk-rqt-plugins ros-melodic-jsk-visualization
Bounding Box label code
NGY
05-26 5824
在进行yolo和faster R-CNN的模型计算前，做自己的数据集，需要对物体进行手动标注，作为训练集。
anchor box和bounding box的区别
09-08
### 回答1： Anchor Box和Bounding Box的区别是，Anchor Box是一种被设计用来做目标检测的技术，它是一种已经预定义的框架，用来指导模型检测特定物体的位置；而Bounding Box是一种用来标记边界框的方法，用来提取特定物体的轮廓和位置信息。 ### 回答2： Anchor box（锚定框）和bounding box（边界框）是在目标检测和物体识别中常用的两个概念。 边界框（bounding box）是用于描述和定位目标物体的矩形框，通常由左上角和右下角的坐标表示。边界框可以准确地框住目标物体，以便进行目标检测和识别。 锚定框（anchor box），也称为先验框（prior box），是一组预定义的边界框，具有不同的尺寸和宽高比。锚定框通常是在输入图像中以相对位置进行均匀分布的。目标检测算法会根据锚定框对感兴趣的区域进行候选框的生成，然后判断这些候选框是否包含目标物体。 边界框和锚定框的区别在于它们的作用和使用方式。边界框用于描述目标物体的精确位置和边界，而锚定框用于生成检测器的候选框。边界框用于标注目标物体的位置，然后通过边界框的坐标信息进行目标定位和识别。而锚定框则在目标检测算法中作为一种基于先验知识的辅助工具，用于生成候选框，然后通过分类和回归等技术对候选框进行进一步的处理和筛选。 总而言之，边界框用于描述目标位置和形状，而锚定框用于生成候选框并辅助目标检测算法进行目标识别。 ### 回答3： anchor box和bounding box是在目标检测模型中常用的概念，用于定位和识别图像中的目标物体。 首先，bounding box是一个由四个坐标值（通常是左上角和右下角的坐标）定义的矩形框，用于标记图像中目标物体的位置和大小。bounding box可以围住目标物体，使得模型可以定位和识别目标。 而anchor box（也称为prior box）是在目标检测模型中使用的一组预定义的固定大小和宽高比的矩形框。这些anchor box通常是在训练模型之前通过聚类等方式选择得到的。目标检测模型使用这些anchor box作为候选框，通过对这些anchor box进行调整和分类，来实现对物体的定位和识别。 anchor box和bounding box的区别主要在于用途和性质上。bounding box是用于表示真实目标物体的位置和大小的框，而anchor box是一组预定义框，用于通过模型的候选框生成机制选取候选框。bounding box一般是根据真实目标物体标注得到的，而anchor box则是通过聚类等方式选择得到的。另外，bounding box是根据实际物体进行调整得到的，而anchor box则是通过在图像上定位和尺度空间的规定选择得到的。 在目标检测模型的训练中，通常会使用anchor box来生成候选框，然后通过和真实目标物体的bounding box比较，计算损失函数进行优化。这样模型可以通过学习来调整和预测出更好的bounding box来定位和识别目标物体。

“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

小菜学AI

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