制作VOC2007数据集用到的一些代码下载

weixin_39820835 2019-09-21 08:00:58

对图片批量重命名为VOC2007的形式，制作VOC2007数据集的xml文件，制作四个txt文件。（该文件中不包括画目标包围框的代码）
相关下载链接：//download.csdn.net/download/sinat_30071459/9532108?utm_source=bbsseo

...全文

10 回复打赏收藏转发到动态举报

写回复

用AI写文章

切换为时间正序

请发表友善的回复…

发表回复

对图片批量重命名为VOC2007的形式，制作VOC2007数据集的xml文件，制作四个txt文件。（该文件中不包括画目标包围框的代码）

objectDetectionDatasets 目标检测数据集制作:VOC,COCO,YOLO等常用数据集格式的制作和互相转换脚本,demo/目录提供的原始的voc格式的20张原图和对应20个.xml标注。下面的脚本都可以通过这个demo数据跑通。 voc_split_trainVal.py 该脚本用于生成voc/目录下的ImageSets/..目录,分割了训练和验证集 voc_to_coco_V1.py　和　voc_to_coco_V2.py 这两个脚本都是实现从voc的.xml标注格式转换到coco的.json格式,只是有所区别 v1版本实现了转换的同时进行训练／验证的分割 v2版本包含了segemetation字段(当训练htc等需要分割的任务时候网络需要用到) convert_voc_to_yoloV5.py　和 convert_voc_to_yoloV3.py 两个脚本实现的功能几乎相同,灵活取用 V5脚本实现将voc格式的数据转化为yoloV5需要的.txt标注文件,运行该脚本，会在voc/目录下生成 worktxt/目录(yolo需要的格式)。 V3这个脚本除了生成.txt的标注(同上)，还会生成一个trianval.txt的索引,以前的yolov3系列用的多一点 coco_split_trainVal.py 该脚本实现coco格式的数据分割出训练集和验证集,同时里面还实现了一个去除背景图的方法(没有标注框的图)，可以结合上面的 voc_to_coco_v2.py使用。 make_voc.py(其余各种格式转voc) 前面没有写coco转voc格式的脚本,make_voc.py就提供了一个制作voc格式数据的通用套路（核心代码）。

【资源说明】基于KLD损失结合yolov7-tiny的旋转目标检测系统源码+详细使用说明+模型.zip 目标检测模型 | 路径 | ## 性能情况 | 训练数据集 | 权值文件名称 | 测试数据集 | 输入图片大小 | mAP 0.5 | fps | | :-----: | :------: | :------: | :------: | :------: | :------: | | UAV-ROD | [yolov7_tiny_obb_uav]| UAV-ROD-Val | 640x640 | 98.00% | 50 | | UAV-ROD | [yolov7_tiny_trt]| UAV-ROD-Val | 640x640 | 97.75% | 120 | ### 预测结果展示 ![预测结果](img/test.jpg) ## 所需环境 cuda==11.3 torch==1.10.1 torchvision==0.11.2 为了使用amp混合精度，推荐使用torch1.7.1以上的版本。 ## 文件下载 UAV-ROD数据集下载地址如下，里面已经包括了训练集、测试集、验证集（与测试集一样），无需再次划分：链接: https://pan.baidu.com/s/1Ae8AGb2L6zCjCwJFzs2WfA 提取码: ybec ## 训练步骤 ### a、训练VOC07+12数据集 1. 数据集的准备 **本文使用VOC格式进行训练，训练前需要下载好VOC07+12的数据集，解压后放在根目录** 2. 数据集的处理修改voc_annotation.py里面的annotation_mode=2，运行voc_annotation.py生成根目录下的2007_train.txt和2007_val.txt。生成的数据集格式为image_path, x1, y1, x2, y2, x3, y3, x4, y4(polygon), class。 3. 开始网络训练 train.py的默认参数用于训练VOC数据集，直接运行train.py即可开始训练。 4. 训练结果预测训练结果预测需要用到两个文件，分别是yolo.py和predict.py。我们首先需要去yolo.py里面修改model_path以及classes_path，这两个参数必须要修改。 **model_path指向训练好的权值文件，在logs文件夹里。 classes_path指向检测类别所对应的txt。** 完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。 ### b、训练自己的数据集 1. 数据集的准备 **本文使用VOC格式进行训练，训练前需要自己制作好数据集，** 训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。 2. 数据集的处理在完成数据集的摆放之后，我们需要利用voc_annotation.py获得训练用的2007_train.txt和2007_val.txt。修改voc_annotation.py里面的参数。第一次训练可以仅修改classes_path，classes_path用于指向检测类别所对应的txt。训练自己的数据集时，可以自己建立一个cls_classes.txt，里面写自己所需要区分的类别。 model_data/cls_classes.txt文件内容为： ```python cat dog ... ``` 修改voc_annotation.py中的classes_path，使其对应cls_classes.txt，并运行voc_annotation.py。 3. 开始网络训练 **训练的参数较多，均在train.py中，大家可以在下载库后仔细看注释，其中最重要的部分依然是train.py里的classes_path。** **classes_path用于指向检测类别【备注】 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行，也可在此代码基础上进行修改，以实现其他功能，也可直接用于毕设、课设、作业等。欢迎下载，沟通交流，互相学习，共同进步！

此数据集可用于目标检测和图像分割，此次实验案例是讲解Faster-RCNN、YOLOv3等模型的进行目标检测的标准数据集输入，没讲分割，所有用不到上述所有数据集，只讲其中目标检测部分数据集的制作。此次案例是制作VOC2007数据集的制作教程，用于目标检测，此次数据集处理可用于Faster-RCNN、YOLOv3等网络进行目标检测模型的标准输入。至此，VOC2007格式数据集制作完成。

Dataset之Pascal VOC：Pascal VOC(VOC 2012、VOC 2007) 数据集的简介、下载、使用方法详细攻略目录 Pascal 竞赛 1、PASCAL VOC竞赛任务 2、Pascal 竞赛的历史 3、Pascal VOC等类似大型官方数据集的由来 Pascal VOC 数据集的简介 1、VOC2007和VOC2012数据集 P...

下载资源悬赏专区

12,840

社区成员

12,382,036

社区内容

发帖

与我相关

我的任务

其他技术论坛（原bbs）

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章