COCO Detection Challenge

最新推荐文章于 2024-04-28 22:58:47 发布
最新推荐文章于 2024-04-28 22:58:47 发布
阅读量9k 收藏 8
点赞数 1
分类专栏： Detection 物体分割 文章标签： coco
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/weixin_35653315/article/details/75304133
版权

Introduction

COCO的全称是Common Object in Context, 是 MicroSoft 赞助的CV挑战, 包含 Detections, Captions, Keypoints 三个Challenge, 及相应的数据集.
接下来根据coco 2016介绍它的Detection Challenge.
值得指出的是, coco2016 detection与coco2015一模一样.

Dataset下载

数据集由train/val/tests三部分构成, 总共包含超过20,000张标注图片, 80个类别. 所有的object instance都有bounding box 和segmentation groundtruth, 既可用于detection, 又可用于segmentation.
这里写图片描述
下载地址 http://mscoco.org/dataset/#download

  • 2014 Testing Images在Captioning Challenge中使用
最低0.47元/天 解锁文章
Daniel2333
关注
  • 1
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
instances_valminusminival2014.json和instances_minival2014.json
02-08
instances_valminusminival2014.json和instances_minival2014.json
coco 数据集_Detection学习之二-pascal_voc和coco数据读取
weixin_39859128的博客
11-27 666
pascal_voc和coco数据集是深度学习中最常用的两个数据集，提供了包括检测、分割、人体关键点等多个不同任务的标注数据。然而，两个数据集在存储架构和标注数据存储上存在比较大的差异，下面分别对两个数据集文件夹结构及标注数据的读取进行简单介绍。pascal_voc1、数据集存储架构pascal_voc数据集分为2007年和2012年两个版本，07版中的图像数据为12版子集，两个版本的数据集在指标...
pytorch运行物体检测模型 SSD
最新发布
hawk2014bj的博客
04-28 718
物体检测是指根据一张图片包含的多个物体，通过模型分析物体的信息，最终给出图片中物体的位置以及物体的分类名称。物体检测输入的是一张图片，图片上包含多个物体，输出包括Pytorch 运行深度模型主要包括一下步骤。
coco_detection.py 代码注释
qq_45720073的博客
09-01 592
coco_detection标注
【Detectron2】使用 Detectron2 训练基于 coco 数据集的目标检测网络
呆呆的猫的博客
06-15 9021
用 Detectron2 训练基于 coco 数据集的目标检测网络
Transformer实战-系列教程14：DETR 源码解读1（项目配置/CocoDetection类/ConvertCocoPolysToMask类）
机器学习与软件工程
02-08 669
Transformer实战-系列教程14：DETR 源码解读1（项目配置/CocoDetection类/ConvertCocoPolysToMask类）
object-detection-coco
04-10
使用开源深度神经网络进行对象检测 ... COCO数据集：在探索COCO API的用法时，我们遍历了COCO数据集和格式。 Faster R-CNN模型：我们将使用Pytorch的预训练Faster R-CNN模型执行对象检测。 示例应用程序
coco_detection.py
09-12
coco_detection.py
coco128.rar
08-26
YOLOv5与COCO128数据集详解 YOLO（You Only Look Once）是一种流行的实时目标检测系统，以其高效和准确性赢得了广大开发者和研究人员的喜爱。在YOLOv5版本中，开发者们继续优化了算法，提升了模型的性能。而COCO128...
nuscenes-coco
02-22
《nuscenes-coco：深度学习在自动驾驶领域的数据集与应用》 在当前的自动驾驶领域，数据集扮演着至关重要的角色。"nuscenes-coco"是一个专为自动驾驶技术研发设计的大型多模态数据集，它结合了COCO（Common Objects...
YOLO COCO128
01-10
COCO128可能指的是在COCO数据集基础上的一个子集，包含128个类别，这通常是为了训练或测试目的而对全量类别进行的裁剪。 在YOLO的实现中，网络结构通常包含几个卷积层、池化层以及全连接层，用于学习图像特征并生成...
DETR纯代码分享（二）coco.py（datasets）
sinat_41942180的博客
09-12 954
这是一个Python类的定义，名为。它是一个自定义类，用于实现特定的功能。这是类的构造函数。它接受一个参数，默认值为False。这个参数用来控制是否要返回掩码（masks）信息。这一行将传入构造函数的参数的值赋给了类的属性。这个属性用于在后续的操作中确定是否生成和返回掩码信息。
Mask RCNN网络源码解读（Ⅵ） --- 自定义数据集读取：MS COCO&Pascal VOC
qq_41694024的博客
01-11 1425
自定义数据集读取：MS COCO&Pascal VOC
COCO 数据集目标检测等相关评测指标
热门推荐
长风破浪会有时，直挂云帆济沧海
01-30 1万+
原文：COCO 数据集目标检测等相关评测指标 - AIUAI COCO Detection Evaluation 1. 评测指标定义 COCO 提供了 12 种用于衡量目标检测器性能的评价指标. [1] - 除非特别说明，APAPAP 和 ARARAR 一般是在多个 IoU(Intersection over Union) 值间取平均值. 具体地，采用了 10 个 IoU阈值 - 0.5...
使用opencv及PIL在pytorch下读取目标检测coco数据集
种一棵树最好的时间是十年前，其次是现在
03-28 501
使用opencv进行读取： from torch.utils.data import Dataset,DataLoader,Subset,random_split import re from functools import reduce from torch.utils.tensorboard import SummaryWriter as Writer from torchvision import transforms,datasets import torchvision as tv from .
目标检测（3）—— 如何使用PyTorch加载COCO类型的数据集
weixin_45703331的博客
11-05 3149
如何使用PyTorch加载COCO类型的数据集
Faster R-CNN and Mask R-CNN in PyTorch 1.0（翻译自用）
qq_42946328的博客
08-10 390
Faster R-CNN and Mask R-CNN in PyTorch 1.0（翻译自用） 同上一篇文档相同，也是翻译github上的README.MD文档，方便理解项目，翻译得有些野生，还请见谅 侵删 maskrcnn-bench基准已经被弃用.请看detectron2, 这包含了用 maskrcnn-benchmark搭建模型的所有实施方法 该项目旨在为使用Pythorc1.0创建检测和分割模型提供必要的构件。 Highlights亮点 PyTorch 1.0: RPN, Faster
1小时上手MaskRCNN·Keras开源实战 | 深度应用
AI科技大本营
08-20 1925
作者 | 小宋是呢来源 | CSDN博客0. 前言介绍开源地址：https://github.com/matterport/Mask_RCNN个人主页：http://ww...
facebook-pytorch maskrcnn-benchmark 实现 （anaconda+python3.7+cuda8.0）
无左无右的博客
06-03 1737
作者github地址：https://github.com/facebookresearch/maskrcnn-benchmark 作者提供的install Requirements: PyTorch 1.0 from a nightly release. It will not work with 1.0 nor 1.0.1. Installation instructions can ...
mmdetection voc格式转coco
07-27
你可以使用一些工具和代码来将VOC格式的数据转换为COCO格式，以便在mmdetection中使用。以下是一种可能的方法： 1. 首先，确保你已经安装了`mmcv`和`mmdet`库。你可以使用以下命令安装它们： ``` pip install mmcv-full mmdet ``` 2. 下载并解压VOC数据集，并将其组织为以下结构： ``` VOCdevkit/ ├── VOC2007 │ ├── Annotations │ ├── ImageSets │ └── JPEGImages └── VOC2012 ├── Annotations ├── ImageSets └── JPEGImages ``` 3. 创建一个Python脚本，例如`voc2coco.py`，并使用以下代码来进行VOC到COCO格式转换： ```python import os import json from xml.etree.ElementTree import Element, SubElement, tostring from xml.dom.minidom import parseString def parse_voc_annotation(ann_dir, img_dir, labels=[]): # 读取VOC标注文件和图像文件夹 ann_files = sorted(os.listdir(ann_dir)) img_files = sorted(os.listdir(img_dir)) assert len(ann_files) == len(img_files), "Number of annotation files doesn't match number of image files" # 构建COCO格式标注数据结构 coco_data = { "images": [], "annotations": [], "categories": [] } category_id = 0 for i, ann_file in enumerate(ann_files): img_file = img_files[i] img_id = i + 1 # 解析VOC标注文件 ann_path = os.path.join(ann_dir, ann_file) tree = parseString(open(ann_path).read()) root = tree.documentElement # 获取图像信息 img_width = int(root.getElementsByTagName("width")[0].childNodes[0].data) img_height = int(root.getElementsByTagName("height")[0].childNodes[0].data) img_name = img_file.split(".")[0] # 添加图像信息到coco_data["images"] coco_data["images"].append({ "file_name": img_file, "height": img_height, "width": img_width, "id": img_id }) # 解析VOC标注信息 objects = root.getElementsByTagName("object") for obj in objects: name = obj.getElementsByTagName("name")[0].childNodes[0].data if name not in labels: labels.append(name) category_id = labels.index(name) + 1 bbox = obj.getElementsByTagName("bndbox")[0] xmin = int(bbox.getElementsByTagName("xmin")[0].childNodes[0].data) ymin = int(bbox.getElementsByTagName("ymin")[0].childNodes[0].data) xmax = int(bbox.getElementsByTagName("xmax")[0].childNodes[0].data) ymax = int(bbox.getElementsByTagName("ymax")[0].childNodes[0].data) width = xmax - xmin height = ymax - ymin # 添加标注信息到coco_data["annotations"] coco_data["annotations"].append({ "image_id": img_id, "category_id": category_id, "bbox": [xmin, ymin, width, height], "area": width * height, "iscrowd": 0, "id": len(coco_data["annotations"]) + 1 }) # 构建coco_data["categories"] for i, label in enumerate(labels): coco_data["categories"].append({ "id": i + 1, "name": label, "supercategory": "object" }) return coco_data if __name__ == '__main__': ann_dir = 'VOCdevkit/VOC2007/Annotations' img_dir = 'VOCdevkit/VOC2007/JPEGImages' labels = [] coco_data = parse_voc_annotation(ann_dir, img_dir, labels) # 保存为COCO格式的JSON文件 with open('annotations.json', 'w') as f: json.dump(coco_data, f) ``` 4. 运行`voc2coco.py`脚本，它将生成一个名为`annotations.json`的COCO格式标注文件。 现在，你可以使用这个生成的COCO格式的标注文件在mmdetection中进行训练或评估。

“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 2
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