MMTracking项目数据集准备完全指南

MMTracking项目数据集准备完全指南

mmtracking OpenMMLab Video Perception Toolbox. It supports Video Object Detection (VID), Multiple Object Tracking (MOT), Single Object Tracking (SOT), Video Instance Segmentation (VIS) with a unified framework. 项目地址: https://gitcode.com/gh_mirrors/mm/mmtracking

前言

MMTracking作为一款优秀的视频目标跟踪与检测工具箱，支持多种主流数据集。本文将详细介绍如何为MMTracking准备各类数据集，包括视频目标检测、多目标跟踪、单目标跟踪以及视频实例分割等任务所需的数据集。

数据集概览

MMTracking支持以下主要任务类型的数据集：

1. 视频目标检测(Video Object Detection)

   • ILSVRC数据集

2. 多目标跟踪(Multiple Object Tracking)

   • MOT Challenge系列
   • CrowdHuman
   • LVIS
   • TAO
   • DanceTrack

3. 单目标跟踪(Single Object Tracking)

   • LaSOT
   • UAV123
   • TrackingNet
   • OTB100
   • GOT10k
   • VOT2018

4. 视频实例分割(Video Instance Segmentation)

   • 在线视频平台VIS系列

数据集下载与目录结构

1. 下载数据集

建议将所有数据集统一存放在data目录下，保持以下目录结构：

mmtracking
├── data
│   ├── coco
│   ├── ILSVRC
│   ├── MOT17
│   ├── DanceTrack
│   ├── crowdhuman
│   ├── lvis
│   ├── tao
│   ├── lasot
│   ├── UAV123
│   ├── trackingnet
│   ├── otb100
│   ├── got10k
│   ├── vot2018
│   ├── online_vis_2019
│   ├── online_vis_2021

2. 特殊数据集处理说明

2.1 OTB100数据集

OTB100数据集可以通过提供的脚本自动下载：

python ./tools/convert_datasets/otb100/download_otb100.py -o ./data/otb100/zips -p 8

2.2 VOT2018数据集

使用官方脚本下载VOT2018：

python ./tools/convert_datasets/vot/download_vot.py --dataset vot2018 --save_path ./data/vot2018/data

数据格式转换

MMTracking使用CocoVID格式统一管理所有数据集，因此需要将原始数据集转换为该格式。

1. 转换脚本使用示例

1.1 ImageNet数据集

# DET部分转换
python ./tools/convert_datasets/ilsvrc/imagenet2coco_det.py -i ./data/ILSVRC -o ./data/ILSVRC/annotations

# VID部分转换
python ./tools/convert_datasets/ilsvrc/imagenet2coco_vid.py -i ./data/ILSVRC -o ./data/ILSVRC/annotations

1.2 MOT系列数据集

# MOT17转换
python ./tools/convert_datasets/mot/mot2coco.py -i ./data/MOT17/ -o ./data/MOT17/annotations --split-train --convert-det
python ./tools/convert_datasets/mot/mot2reid.py -i ./data/MOT17/ -o ./data/MOT17/reid --val-split 0.2 --vis-threshold 0.3

1.3 DanceTrack数据集

python ./tools/convert_datasets/dancetrack/dancetrack2coco.py -i ./data/DanceTrack -o ./data/DanceTrack/annotations

1.4 在线视频平台VIS数据集

# 2019版本
python ./tools/convert_datasets/onlinevis/onlinevis2coco.py -i ./data/online_vis_2019 -o ./data/online_vis_2019/annotations --version 2019

# 2021版本
python ./tools/convert_datasets/onlinevis/onlinevis2coco.py -i ./data/online_vis_2021 -o ./data/online_vis_2021/annotations --version 2021

关键文件说明

1. ILSVRC数据集注释文件

转换后在data/ILSVRC/annotations目录下会生成三个关键文件：

• imagenet_det_30plus1cls.json：包含ImageNet DET训练集注释
• imagenet_vid_train.json：包含ImageNet VID训练集注释
• imagenet_vid_val.json：包含ImageNet VID验证集注释

2. MOT数据集注释文件

以MOT17为例，转换后会生成多个关键文件：

• train_cocoformat.json：训练集注释
• train_detections.pkl：训练集公开检测结果
• test_cocoformat.json：测试集注释
• test_detections.pkl：测试集公开检测结果
• 半分割文件：half-train_*和half-val_*

最佳实践建议

1. 数据集管理：建议使用符号链接管理数据集，便于多项目共享
2. 存储空间：视频数据集通常较大，确保有足够的存储空间
3. 下载顺序：优先下载常用数据集如MOT17、DanceTrack等
4. 转换验证：转换完成后检查生成的JSON文件是否完整
5. 版本控制：注意不同年份的数据集版本差异

常见问题解答

Q：为什么需要转换数据集格式？ A：统一使用CocoVID格式可以简化模型训练流程，便于不同数据集间的迁移学习和比较。

Q：转换过程中出现错误怎么办？ A：首先检查原始数据集是否完整下载，路径是否正确；其次查看错误日志，通常是由于文件缺失或权限问题导致。

Q：如何验证数据集转换是否正确？ A：可以使用MMTracking提供的可视化工具检查转换后的标注是否与图像匹配。

结语

正确准备数据集是使用MMTracking进行视频目标跟踪与检测研究的第一步。本文详细介绍了各类数据集的下载、转换和管理方法，希望能帮助研究者快速上手。在实际应用中，可以根据具体任务需求选择合适的数据集组合，发挥MMTracking的最佳性能。

mmtracking OpenMMLab Video Perception Toolbox. It supports Video Object Detection (VID), Multiple Object Tracking (MOT), Single Object Tracking (SOT), Video Instance Segmentation (VIS) with a unified framework. 项目地址: https://gitcode.com/gh_mirrors/mm/mmtracking