YOLOv1: 从0开始 (一) 数据集加载

本文使用平台: kaggle
使用数据集: car object detection

任务目标: 检测出图像中的小汽车.
在这里插入图片描述

一.加载数据集

1.查看数据集结构

在这里插入图片描述
基本只用了training_images文件夹和train_solution_bounding_boxes (1).csv文件里的内容

先查看train_solution_bounding_boxes (1).csv文件里都有什么:

import numpy as np
import pandas as pd
import os
df = pd.read_csv("/kaggle/input/car-object-detection/data/train_solution_bounding_boxes (1).csv")
df.head()

输出结果:
在这里插入图片描述
image应该是文件名, 其他四个应该是顶点坐标.

一张图片多个物体的情形

先看一下是否存在一张图片多辆车:
在这里插入图片描述
接着看这些车的位置:
在这里插入图片描述

查看一下这张图片:
在这里插入图片描述

所以还需要考虑多辆车的情况

2. 验证一下数据表的属性

import cv2
import matplotlib.pyplot as plt
img = cv2.imread(os.path.join(train_dir,df["image"][0]))
# cv2.imread将图片读取并保存为numpy.ndarray
print(img.shape)# (380, 676, 3)
plt.imshow(img)

输出:

在这里插入图片描述

验证bounding box:

img = cv2.rectangle(img,(df.xmin[0].astype(np.int32),df.ymin[0].astype(np.int32)),(df.xmax[0].astype(np.int32),df.ymax[0].astype(np.int32)),(220,0,0),3)
plt.imshow(img)

在这里插入图片描述

可以判断之前的猜测是大体正确的.
image: 文件名
xmin: 左上点的横坐标
ymin: 左上点的纵坐标
xmax: 右下点的横坐标
ymax: 右下点的纵坐标

3. 正式建立DataSet类

__getitem__方法需要返回: 图片以及BoundingBox的位置

图片直接返回RGB图像(每一个像素在[0,255],float类型)

其中, BoundingBox的位置表示为: (x,y,w,h)
x,y分别是中心点坐标,w,h是BoundingBox的宽和高

class CarDetectionDataSet(Dataset):
    def __init__(self,df,dataDir):
        super().__init__()
        self.df = df
        self.df["xmid"] = (self.df.xmin+self.df.xmax)/2
        self.df["ymid"] = (self.df.ymin+self.df.ymax)/2
        self.df["w"] = self.df.xmax-self.df.xmin
        self.df["h"] = self.df.ymax-self.df.ymin
        self.imageID = df.image.unique()
        self.dataDir = dataDir
    def __getitem__(self, idx):
        imageID = self.imageID[idx]
        image = cv2.imread(os.path.join(self.dataDir,imageID))
        image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
        image = t.FloatTensor(image)
        image = image/255
        
        df1 = self.df[self.df.image==imageID][["xmid","ymid","w","h"]]
        label = t.FloatTensor(df1.to_numpy())
        
        return image, label
    def __len__(self):
        return self.imageID.shape[0]

测试一下:

carData = CarDetectionDataSet(df,train_dir)
dataloader = DataLoader(carData,batch_size = 5)
itr = iter(dataloader)
a,b = itr.next()
x,y,w,h = b[0][0].numpy()
img = cv2.rectangle(a[0].numpy(),((x-w/2).astype(np.int32),(y-h/2).astype(np.int32)),((x+w/2).astype(np.int32),(y+h/2).astype(np.int32)),(220,0,0),3)
plt.imshow(img)

在这里插入图片描述
数据集加载部分这样应该就大体正确了!

之后求loss的时候需要快捷地判断某个grid是否存在目标,现在这样标注很难实现,所以再改一下:

class CarDetectionDataSet(Dataset):
    def __init__(self,df,dataDir):
        super().__init__()
        self.df = df
        self.df["xmid"] = (self.df.xmin+self.df.xmax)/2
        self.df["ymid"] = (self.df.ymin+self.df.ymax)/2
        self.df["w"] = self.df.xmax-self.df.xmin
        self.df["h"] = self.df.ymax-self.df.ymin
        self.imageID = df.image.unique()
        self.dataDir = dataDir
    def cvt_label(self,labels):# labels是: n*4的矩阵,分别是x,y,w,h,返回值的label是SxSx5
        bbox_labels = t.zeros(Grid_y_num,Grid_x_num,5)
        for label in labels:
            x,y,w,h = label
            i = int(y*Grid_y_num)
            j = int(x*Grid_x_num)
            bbox_labels[i][j][0] = x%(1/Grid_x_num)*Grid_x_num# x
            bbox_labels[i][j][1] = y%(1/Grid_y_num)*Grid_y_num# y
            bbox_labels[i][j][2] = w
            bbox_labels[i][j][3] = h
            bbox_labels[i][j][4] = 1
        return bbox_labels
            
    def __getitem__(self, idx):
        imageID = self.imageID[idx]
        image = cv2.imread(os.path.join(self.dataDir,imageID))
        image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
        image = t.FloatTensor(image)
        image = image/255
        df1 = self.df[self.df.image==imageID][["xmid","ymid","w","h"]]
        label = t.FloatTensor(df1.to_numpy())
        
        tmp = np.array([1/image.shape[1],1/image.shape[0],1/image.shape[1],1/image.shape[0]])
        for i in range(label.shape[0]):
            label[i]*= tmp;
        return image, self.cvt_label(label)
    def __len__(self):
        return self.imageID.shape[0]

这样的label是一个SxSx5的Tensor
label[i,j]是一个长度为5的tensor,对应着一个grid的x,y,w,h,c信息.
如果该grid包含物体,则c为1,否则为0

  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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

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