根据CSRNet生成自己的数据集密度图

最近在做鱼群密度的工作,采用CSRNet进行。

ShanghaiTech数据集的标注文件是mat,且每个mat包含一个struct,我自己的文件没有struct,所以对代码稍微改动一下。

shanghaitech的标注文件格式
shanghaitech标注格式
我自己的标注格式
我自己的标注格式

for img_path in img_paths:
    print (img_path)
    mat = io.loadmat(img_path.replace('.jpg','.mat').replace('images1','mat').replace('',''))
    img= plt.imread(img_path)
    k = np.zeros((img.shape[0],img.shape[1]))
    gt = mat["data"]
    for i in range(0,len(gt)):
        if int(gt[i][1])<img.shape[0] and int(gt[i][0])<img.shape[1]:
            k[int(gt[i][1]),int(gt[i][0])]=1
    k = gaussian_filter_density(k)
    with h5py.File(img_path.replace('.jpg','.h5').replace('images1','mat'), 'w') as hf:
            hf['density'] = k

        #测试
print('总数量=',len(gt))
print('密度图=',gt_density_map.sum())

简单的把gt那一行改了一下,可以生成密度图。

简单记录一下,省得以后忘了,哈哈。

  • 6
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
训练自己的数据集,可以按照以下步骤进行: 1. 准备数据集:收集足够的像和相应的标签数据。对于CSRNet(人群计数)任务,你需要获取一系列像以及每张像中人群的密度或人数标签。 2. 数据预处理:对像进行预处理,包括调整大小、裁剪或填充到相同大小,并进行必要的增强操作,如旋转、翻转、亮度调整等。 3. 密度生成:使用人工标注或现有的人群密度估计算法,生成每张像对应的密度密度中的每个像素值表示该位置的人群密度。 4. 划分训练集和测试集:将数据集划分为训练集和测试集。通常,80%的数据用于训练,20%用于测试。 5. 构建网络模型:选择适合的网络架构来训练CSRNet模型。可以使用现有的预训练模型,如VGG、ResNet等,并根据需要进行微调或自定义。 6. 定义损失函数:CSRNet使用了一个特殊的损失函数,称为MSE loss(均方误差损失),用于度量预测人数与真实人数之间的差异。 7. 训练模型:使用训练集对模型进行训练。通过将像输入模型并计算损失函数,反向传播并更新网络参数来优化模型。 8. 模型评估:使用测试集评估训练得到的模型的性能。可以计算预测人数与真实人数之间的误差(如均方根误差)或其他指标来评估模型的表现。 9. 调优和改进:根据评估结果,可以尝试调整超参数、修改网络架构或增加数据量等方法来改进模型的性能。 这些步骤涵盖了训练自己的CSRNet模型所需的关键步骤。具体实施过程中,可能还需要根据具体情况进行一些调整和优化。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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