docs/zh |
您所在的位置:网站首页 › vaihingen数据集怎么读 › docs/zh |
准备数据集
推荐用软链接,将数据集根目录链接到 $MMSEGMENTATION/data 里。如果您的文件夹结构是不同的,您也许可以试着修改配置文件里对应的路径。 mmsegmentation ├── mmseg ├── tools ├── configs ├── data │ ├── cityscapes │ │ ├── leftImg8bit │ │ │ ├── train │ │ │ ├── val │ │ ├── gtFine │ │ │ ├── train │ │ │ ├── val │ ├── VOCdevkit │ │ ├── VOC2012 │ │ │ ├── JPEGImages │ │ │ ├── SegmentationClass │ │ │ ├── ImageSets │ │ │ │ ├── Segmentation │ │ ├── VOC2010 │ │ │ ├── JPEGImages │ │ │ ├── SegmentationClassContext │ │ │ ├── ImageSets │ │ │ │ ├── SegmentationContext │ │ │ │ │ ├── train.txt │ │ │ │ │ ├── val.txt │ │ │ ├── trainval_merged.json │ │ ├── VOCaug │ │ │ ├── dataset │ │ │ │ ├── cls │ ├── ade │ │ ├── ADEChallengeData2016 │ │ │ ├── annotations │ │ │ │ ├── training │ │ │ │ ├── validation │ │ │ ├── images │ │ │ │ ├── training │ │ │ │ ├── validation │ ├── CHASE_DB1 │ │ ├── images │ │ │ ├── training │ │ │ ├── validation │ │ ├── annotations │ │ │ ├── training │ │ │ ├── validation │ ├── DRIVE │ │ ├── images │ │ │ ├── training │ │ │ ├── validation │ │ ├── annotations │ │ │ ├── training │ │ │ ├── validation │ ├── HRF │ │ ├── images │ │ │ ├── training │ │ │ ├── validation │ │ ├── annotations │ │ │ ├── training │ │ │ ├── validation │ ├── STARE │ │ ├── images │ │ │ ├── training │ │ │ ├── validation │ │ ├── annotations │ │ │ ├── training │ │ │ ├── validation | ├── dark_zurich | │ ├── gps | │ │ ├── val | │ │ └── val_ref | │ ├── gt | │ │ └── val | │ ├── LICENSE.txt | │ ├── lists_file_names | │ │ ├── val_filenames.txt | │ │ └── val_ref_filenames.txt | │ ├── README.md | │ └── rgb_anon | │ | ├── val | │ | └── val_ref | ├── NighttimeDrivingTest | | ├── gtCoarse_daytime_trainvaltest | | │ └── test | | │ └── night | | └── leftImg8bit | | | └── test | | | └── night │ ├── loveDA │ │ ├── img_dir │ │ │ ├── train │ │ │ ├── val │ │ │ ├── test │ │ ├── ann_dir │ │ │ ├── train │ │ │ ├── val │ ├── potsdam │ │ ├── img_dir │ │ │ ├── train │ │ │ ├── val │ │ ├── ann_dir │ │ │ ├── train │ │ │ ├── val │ ├── vaihingen │ │ ├── img_dir │ │ │ ├── train │ │ │ ├── val │ │ ├── ann_dir │ │ │ ├── train │ │ │ ├── val │ ├── iSAID │ │ ├── img_dir │ │ │ ├── train │ │ │ ├── val │ │ │ ├── test │ │ ├── ann_dir │ │ │ ├── train │ │ │ ├── val │ ├── ImageNetS │ │ ├── ImageNetS919 │ │ │ ├── train-semi │ │ │ ├── train-semi-segmentation │ │ │ ├── validation │ │ │ ├── validation-segmentation │ │ │ ├── test │ │ ├── ImageNetS300 │ │ │ ├── train-semi │ │ │ ├── train-semi-segmentation │ │ │ ├── validation │ │ │ ├── validation-segmentation │ │ │ ├── test │ │ ├── ImageNetS50 │ │ │ ├── train-semi │ │ │ ├── train-semi-segmentation │ │ │ ├── validation │ │ │ ├── validation-segmentation │ │ │ ├── test Cityscapes注册成功后,数据集可以在 这里 下载。 通常情况下,**labelTrainIds.png 被用来训练 cityscapes。 基于 cityscapesscripts, 我们提供了一个 脚本, 去生成 **labelTrainIds.png。 # --nproc 8 意味着有 8 个进程用来转换,它也可以被忽略。 python tools/convert_datasets/cityscapes.py data/cityscapes --nproc 8 Pascal VOCPascal VOC 2012 可以在 这里 下载。 此外,许多最近在 Pascal VOC 数据集上的工作都会利用增广的数据,它们可以在 这里 找到。 如果您想使用增广后的 VOC 数据集,请运行下面的命令来将数据增广的标注转成正确的格式。 # --nproc 8 意味着有 8 个进程用来转换,它也可以被忽略。 python tools/convert_datasets/voc_aug.py data/VOCdevkit data/VOCdevkit/VOCaug --nproc 8关于如何拼接数据集 (concatenate) 并一起训练它们,更多细节请参考 拼接连接数据集 。 ADE20KADE20K 的训练集和验证集可以在 这里 下载。 您还可以在 这里 下载验证集。 Pascal ContextPascal Context 的训练集和验证集可以在 这里 下载。 注册成功后,您还可以在 这里 下载验证集。 为了从原始数据集里切分训练集和验证集, 您可以在 这里 下载 trainval_merged.json。 如果您想使用 Pascal Context 数据集, 请安装 细节 然后再运行如下命令来把标注转换成正确的格式。 python tools/convert_datasets/pascal_context.py data/VOCdevkit data/VOCdevkit/VOC2010/trainval_merged.json CHASE DB1CHASE DB1 的训练集和验证集可以在 这里 下载。 为了将 CHASE DB1 数据集转换成 MMSegmentation 的格式,您需要运行如下命令: python tools/convert_datasets/chase_db1.py /path/to/CHASEDB1.zip这个脚本将自动生成正确的文件夹结构。 DRIVEDRIVE 的训练集和验证集可以在 这里 下载。 在此之前,您需要注册一个账号,当前 '1st_manual' 并未被官方提供,因此需要您从其他地方获取。 为了将 DRIVE 数据集转换成 MMSegmentation 格式,您需要运行如下命令: python tools/convert_datasets/drive.py /path/to/training.zip /path/to/test.zip这个脚本将自动生成正确的文件夹结构。 HRF首先,下载 healthy.zip glaucoma.zip, diabetic_retinopathy.zip, healthy_manualsegm.zip, glaucoma_manualsegm.zip 以及 diabetic_retinopathy_manualsegm.zip 。 为了将 HRF 数据集转换成 MMSegmentation 格式,您需要运行如下命令: python tools/convert_datasets/hrf.py /path/to/healthy.zip /path/to/healthy_manualsegm.zip /path/to/glaucoma.zip /path/to/glaucoma_manualsegm.zip /path/to/diabetic_retinopathy.zip /path/to/diabetic_retinopathy_manualsegm.zip这个脚本将自动生成正确的文件夹结构。 STARE首先,下载 stare-images.tar, labels-ah.tar 和 labels-vk.tar 。 为了将 STARE 数据集转换成 MMSegmentation 格式,您需要运行如下命令: python tools/convert_datasets/stare.py /path/to/stare-images.tar /path/to/labels-ah.tar /path/to/labels-vk.tar这个脚本将自动生成正确的文件夹结构。 Dark Zurich因为我们只支持在此数据集上测试模型,所以您只需下载验证集 。 Nighttime Driving因为我们只支持在此数据集上测试模型,所以您只需下载测试集 。 LoveDA可以从 Google Drive 里下载 LoveDA数据集 。 或者它还可以从 zenodo 下载, 您需要运行如下命令: # Download Train.zip wget https://zenodo.org/record/5706578/files/Train.zip # Download Val.zip wget https://zenodo.org/record/5706578/files/Val.zip # Download Test.zip wget https://zenodo.org/record/5706578/files/Test.zip对于 LoveDA 数据集,请运行以下命令下载并重新组织数据集 python tools/convert_datasets/loveda.py /path/to/loveDA请参照 这里 来使用训练好的模型去预测 LoveDA 测试集并且提交到官网。 关于 LoveDA 的更多细节可以在这里 找到。 ISPRS PotsdamPotsdam 数据集是一个有着2D 语义分割内容标注的城市遥感数据集。 数据集可以从挑战主页 获得。 需要其中的 '2_Ortho_RGB.zip' 和 '5_Labels_all_noBoundary.zip'。 对于 Potsdam 数据集,请运行以下命令下载并重新组织数据集 python tools/convert_datasets/potsdam.py /path/to/potsdam使用我们默认的配置, 将生成 3456 张图片的训练集和 2016 张图片的验证集。 ISPRS VaihingenVaihingen 数据集是一个有着2D 语义分割内容标注的城市遥感数据集。 数据集可以从挑战 主页. 需要其中的 'ISPRS_semantic_labeling_Vaihingen.zip' 和 'ISPRS_semantic_labeling_Vaihingen_ground_truth_eroded_COMPLETE.zip'。 对于 Vaihingen 数据集,请运行以下命令下载并重新组织数据集 python tools/convert_datasets/vaihingen.py /path/to/vaihingen使用我们默认的配置 (clip_size=512, stride_size=256), 将生成 344 张图片的训练集和 398 张图片的验证集。 iSAIDiSAID 数据集(训练集/验证集/测试集)的图像可以从 DOTA-v1.0 下载. iSAID 数据集(训练集/验证集)的注释可以从 iSAID 下载. 该数据集是一个大规模的实例分割(也可以用于语义分割)的遥感数据集. 下载后,在数据集转换前,您需要将数据集文件夹调整成如下格式. │ ├── iSAID │ │ ├── train │ │ │ ├── images │ │ │ │ ├── part1.zip │ │ │ │ ├── part2.zip │ │ │ │ ├── part3.zip │ │ │ ├── Semantic_masks │ │ │ │ ├── images.zip │ │ ├── val │ │ │ ├── images │ │ │ │ ├── part1.zip │ │ │ ├── Semantic_masks │ │ │ │ ├── images.zip │ │ ├── test │ │ │ ├── images │ │ │ │ ├── part1.zip │ │ │ │ ├── part2.zip python tools/convert_datasets/isaid.py /path/to/iSAID使用我们默认的配置 (patch_width=896, patch_height=896, overlap_area=384), 将生成 33978 张图片的训练集和 11644 张图片的验证集。 ImageNetSImageNet-S是用于大规模无监督/半监督语义分割任务的数据集。 ImageNet-S数据集可在ImageNet-S获取。 │ ├── ImageNetS │ │ ├── ImageNetS919 │ │ │ ├── train-semi │ │ │ ├── train-semi-segmentation │ │ │ ├── validation │ │ │ ├── validation-segmentation │ │ │ ├── test │ │ ├── ImageNetS300 │ │ │ ├── train-semi │ │ │ ├── train-semi-segmentation │ │ │ ├── validation │ │ │ ├── validation-segmentation │ │ │ ├── test │ │ ├── ImageNetS50 │ │ │ ├── train-semi │ │ │ ├── train-semi-segmentation │ │ │ ├── validation │ │ │ ├── validation-segmentation │ │ │ ├── test |
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |