下载链接是百度云下载：https://pan.baidu.com/s/1w3W_dQBUiHcwkLOtbSJ1Tg 提取码：1bln 里面不包含19998 images的Coarse 粗略注释
该数据集的其他讲解可以参考https://github.com/mcordts/cityscapesScripts
上面讲解的中文版可以参考：https://blog.csdn.net/chishuideyu/article/details/79963072
提取的数据集文件分布形式可以看文章最后的那张图
该数据集包含如下：images_base和annotations_base分别对应这文件夹leftImg8bit（5,030 items, totalling 11.6 GB，factually 5000 items）和gtFine（30,030 items, totalling 1.1 GB）。里面都包含三个文件夹：train、val、test。总共5000张精细释，2975张训练图，500张验证图和1525张测试图。
在leftImg8bit/train下有18个子文件夹对应德国的16个城市，法国一个城市和瑞士一个城市：
亚琛 (aachen)（174 items, totalling 379.4 MB）、波鸿（bochum）（96 items, totalling 239.2 MB）、不莱梅（bremen）（316 items, totalling 734.0 MB）、科隆（cologne）（154 items, totalling 355.0 MB）、达姆施塔特(darmstadt)（85 items, totalling 196.4 MB）、杜塞尔多夫（dusseldorf）（221 items, totalling 480.3 MB）、埃尔福特（erfurt）（109 items, totalling 234.5 MB）、汉堡（hamburg）（248 items, totalling 617.4 MB）、汉诺威（hannover）（196 items, totalling 466.8 MB）、耶拿（jena）（119 items, totalling 270.3 MB）、克雷费尔德(krefeld)（99 items, totalling 227.0 MB）、门兴格拉德巴赫（monchengladbach）（94 items, totalling 214.9 MB）、斯特拉斯堡 （strasbourg）（法国）（365 items, totalling 866.5 MB）、斯图加特（stuttgart）（196 items, totalling 457.8 MB）、图宾根 (tübingen)（144 items, totalling 359.8 MB）、乌尔姆（ulm）（95 items, totalling 216.7 MB）、魏玛（weimar)（142 items, totalling 338.7 MB）、苏黎世（zurich）（瑞士）（122 items, totalling 291.4 MB）
里面图片的命名规则是：用_将名字分割成四部分，其中第一部分的设定是该文件夹的名字,第四部分都是leftImg8bit.png，第二部分和第三部分都是六位数字。
aachen：aachen_000000_000019_leftImg8bit.png,第二部分从000000到000173对应174张图片，第三部分固定是000019
bochum：bochum_000000_000313_leftImg8bit.png,第二部分固定000000，第三部分不固定没有规则的六位数
bremen：bremen_000000_000019_leftImg8bit.png,第二部分从000000到000315对应316张图片，第三部分固定000019
cologne：cologne_000000_000019_leftImg8bit.png,第二部分从000000到000153对应154张图片，第三部分固定000019
darmstadt：darmstadt_000000_000019_leftImg8bit.png,第二部分从000000到000084对应85张图片，第三部分固定000019
dusseldorf：dusseldorf_000000_000019_leftImg8bit.png,第二部分从000000到000221对应222张图片，第三部分固定000019
erfurt：erfurt_000000_000019_leftImg8bit.png，第二部分从000000到000108对应109张图片，第三部分固定000019
hamburg：hamburg_000000_000042_leftImg8bit.png，第二部分固定000000，第三部分不固定
hannover：hannover_000000_000164_leftImg8bit.png，第二部分固定000000，第三部分不固定
jena：jena_000000_000019_leftImg8bit.png，第二部分从000000到000118对应119张图片，第三部分固定000019
krefeld：krefeld_000000_000108_leftImg8bit.png，第二部分固定000000，第三部分不固定
monchengladbach：monchengladbach_000000_000076_leftImg8bit.png,第二部分固定000000（86张）和000001（8张），第二部分不固定
strasbourg：strasbourg_000000_000065_leftImg8bit.png,第二部分固定000000（144张）和000001（221张），第二部分不固定
stuttgart：stuttgart_000000_000019_leftImg8bit.png，第二部分从000000到000195对应196张图片，第三部分固定000019
tübingen：tübingen_000000_000019_leftImg8bit.png，第二部分从000000到000143对应144张图片，第三部分固定000019
ulm：ulm_000000_000019_leftImg8bit.png，第二部分从000000到000094对应95张图片，第三部分固定000019
weimar：weima_000000_000019_leftImg8bit.png，第二部分从000000到0000141对应142张图片，第三部分固定000019
zurich：zurich_000000_000019_leftImg8bit.png，第二部分从000000到0000121对应122张图片，第三部分固定000019
train集总共有2975张png格式的大小为2048 x 1024的0-255的RGB图片
在leftImg8bit/val下有3个子文件夹对应德国的3个城市：
法兰克福（frankfurt）（267 items, totalling 644.2 MB）、林道（lindau）（59 items, totalling 139.5 MB）、明斯特（munster）（174 items, totalling 397.7 MB）
里面图片的命名规则是：用_将名字分割成四部分，其中第一部分的设定是该文件夹的名字,第四部分都是leftImg8bit.png，第二部分和第三部分都是六位数字。
frankfurt：frankfurt_000000_000294_leftImg8bit.png,第二部分固定000000（51张）和000001（216张），第二部分不固定
lindau：lindau_000000_000019_leftImg8bit.png，第二部分从000000到0000058对应59张图片，第三部分固定000019
munster：munster_000000_000019_leftImg8bit.png，第二部分从000000到0000173对应174张图片，第三部分固定000019
val集总共有500张png格式的大小为2048 x 1024的0-255的RGB图片
在leftImg8bit/test下有6个子文件夹对应德国的6个城市：
柏林（berlin）（544 items, totalling 1.2 GB）、比勒费尔德（bielefeld）（181 items, totalling 414.1 MB）、波恩（bonn）（46 items, totalling 102.9 MB）、勒沃库森（leverkusen）（58 items, totalling 136.9 MB）、美因茨（mainz）（298 items, totalling 679.2 MB）、慕尼黑（münchen）（398 items, totalling 927.4 MB）
里面图片的命名规则是：用_将名字分割成四部分，其中第一部分的设定是该文件夹的名字,第四部分都是leftImg8bit.png，第二部分和第三部分都是六位数字。
berlin：berlin_000000_000019_leftImg8bit.png，第二部分从000000到000543对应544张图片，第三部分固定000019
bielefeld：bielefeld_000000_000108_leftImg8bit.png，第二部分固定000000，第三部分不固定
bonn：bonn_000000_000019_leftImg8bit.png，第二部分从000000到000045对应46张图片，第三部分固定000019
leverkusen：leverkusen_000000_000019_leftImg8bit.png，第二部分从000000到000057对应58张图片，第三部分固定000019
mainz：mainz_000000_000093_leftImg8bit.png,第二部分固定000000（72张）、000001（165张）、000002（7张）和000003（54张），第二部分不固定
münchen：münchen_000000_000019_leftImg8bit.png，第二部分从000000到000397对应398张图片，第三部分固定000019
test集总共有1525张png格式的大小为2048 x 1024的0-255的RGB图片
在gtFine/train下有18个子文件夹对应leftImg8bit/train里面的文件夹，但是不一样的leftImg8bit里面的一张原图，对应着gtFine里面有6个文件分别是color.png、instanceIds.png、instanceTrainIds.png、labelIds.png、labelTrainIds.png、polygons.json
文件的命名方式：文件夹名字_六位数字_六位数字_gtFine_上面的文件类型；若将文件名字用_分成5部分，其中前面的三部分都和leftImg8bit对应文件的名字一模一样只需参考前面的叙述，第四部分固定gtFine，第五部分依次对应上面的文件类型。和上面命名相比就是这里有5个部分而不是上面的4个部分。
aachen：
aachen_000000_000019_gtFine_color.png shape=(1024,2048,4)是彩色的，0-255的像素值，mode=‘RGBA'
aachen_000000_000019_gtFine_instanceIds.png shape=(1024,2048)是灰白的 ,0-255的像素值, mode='L'
aachen_000000_000019_gtFine_instanceTrainIds.png shape=(1024,2048)是灰白的,0-255的像素值, mode='L'
aachen_000000_000019_gtFine_labelIds.png shape=(1024,2048)是灰白的，mode='L' ，0-255的像素值，用图像的classid为像素的值, 总共的类别有classes = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, -1]最后的那个-1表示牌照
aachen_000000_000019_gtFine_labelTrainIds.png shape=(1024,2048)是灰白的,0-255的像素值, mode='L'
aachen_000000_000019_gtFine_polygons.json 存储的是各个类和相应的区域（用多边形顶点的位置表示区域的边界）
但是从官网下载到的数据集却是4个文件：color.png、instanceIds.png、labelIds.png、polygons.json，其他和上面的一样。
其中_gtFine_polygons.json存储的是各个类和相应的区域（用多边形顶点的位置表示区域的边界）；_gtFine_labelIds.png的值是0-33，不同的值代表不同的类，值和类的对应关系在下面的代码中定义；_gtFine_instaceIds.png是实例分割的; _gtFine_color.png是给大家可视化的，不同颜色与类别的对应关系也在下面的代码中定义。
/home/zzp/SSD_ping/anaconda3/envs/z1/bin/python /home/zzp/SSD_ping/my-root-path/My-core-python/pytorch-deeplabV3+/cityscapesScripts-master/cityscapesscripts/helpers/labels.py
List of cityscapes labels:
# Please adapt the train IDs as appropriate for your approach.
# Note that you might want to ignore labels with ID 255 during training.
# Further note that the current train IDs are only a suggestion. You can use whatever you like.
# Make sure to provide your results using the original IDs and not the training IDs.
# Note that many IDs are ignored in evaluation and thus you never need to predict these!
name | id | trainId | category | categoryId | hasInstances | ignoreInEval| color
--------------------------------------------------------------------------------------------------
unlabeled | 0 | 255 | void | 0 | 0 | 1 | (0, 0, 0)
ego vehicle | 1 | 255 | void | 0 | 0 | 1 | (0, 0, 0)
rectification border | 2 | 255 | void | 0 | 0 | 1 | (0, 0, 0)
out of roi | 3 | 255 | void | 0 | 0 | 1 | (0, 0, 0)
static | 4 | 255 | void | 0 | 0 | 1 | (0, 0, 0)
dynamic | 5 | 255 | void | 0 | 0 | 1 | (111, 74, 0)
ground | 6 | 255 | void | 0 | 0 | 1 | (81, 0, 81)
road | 7 | 0 | flat | 1 | 0 | 0 | (128, 64, 128)
sidewalk | 8 | 1 | flat | 1 | 0 | 0 | (244, 35, 232)
parking | 9 | 255 | flat | 1 | 0 | 1 | (250, 170, 160)
rail track | 10 | 255 | flat | 1 | 0 | 1 | (230, 150, 140)
building | 11 | 2 | construction | 2 | 0 | 0 | (70, 70, 70)
wall | 12 | 3 | construction | 2 | 0 | 0 | (102, 102, 156)
fence | 13 | 4 | construction | 2 | 0 | 0 | (190, 153, 153)
guard rail | 14 | 255 | construction | 2 | 0 | 1 | (180, 165, 180)
bridge | 15 | 255 | construction | 2 | 0 | 1 | (150, 100, 100)
tunnel | 16 | 255 | construction | 2 | 0 | 1 | (150, 120, 90)
pole | 17 | 5 | object | 3 | 0 | 0 | (153, 153, 153)
polegroup | 18 | 255 | object | 3 | 0 | 1 | (153, 153, 153)
traffic light | 19 | 6 | object | 3 | 0 | 0 | (250, 170, 30)
traffic sign | 20 | 7 | object | 3 | 0 | 0 | (220, 220, 0)
vegetation | 21 | 8 | nature | 4 | 0 | 0 | (107, 142, 35)
terrain | 22 | 9 | nature | 4 | 0 | 0 | (152, 251, 152)
sky | 23 | 10 | sky | 5 | 0 | 0 | (70, 130, 180)
person | 24 | 11 | human | 6 | 1 | 0 | (220, 20, 60)
rider | 25 | 12 | human | 6 | 1 | 0 | (255, 0, 0)
car | 26 | 13 | vehicle | 7 | 1 | 0 | (0, 0, 142)
truck | 27 | 14 | vehicle | 7 | 1 | 0 | (0, 0, 70)
bus | 28 | 15 | vehicle | 7 | 1 | 0 | (0, 60, 100)
caravan | 29 | 255 | vehicle | 7 | 1 | 1 | (0, 0, 90)
trailer | 30 | 255 | vehicle | 7 | 1 | 1 | (0, 0, 110)
train | 31 | 16 | vehicle | 7 | 1 | 0 | (0, 80, 100)
motorcycle | 32 | 17 | vehicle | 7 | 1 | 0 | (0, 0, 230)
bicycle | 33 | 18 | vehicle | 7 | 1 | 0 | (119, 11, 32)
license plate | -1 | -1 | vehicle | 7 | 0 | 1 | (0, 0, 142)
Example usages:
ID of label 'car': 26
Category of label with ID '26': vehicle
Name of label with trainID '0': road下面这张图片是cityscapes的目录
678
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
