在MSCOCO的test-dev数据集上测试过程（如何在MSCOCO服务器上提交测试结果）

最新推荐文章于 2023-08-17 10:53:02 发布
最新推荐文章于 2023-08-17 10:53:02 发布
阅读量8.2k 收藏 31
点赞数 12
分类专栏： 目标检测 文章标签： 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_41375609/article/details/108394066
版权
本文详细介绍了如何在MSCOCO的test-dev数据集上进行目标检测测试，并提交结果。首先，从官网下载test-dev数据集和标注文件，然后修改配置文件，确保图片路径和标注文件路径正确。最后，根据配置文件的版本使用相应命令进行测试。通过这一过程，可以在MSCOCO服务器上验证和提交实验结果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

前言

如果科研工作做的是MSCOCO数据集，有实验效果了，一般都需要在test-dev数据集上进行测试，这样才能说明问题（val有标注数据，万一有人投机取巧在val验证集上效果贼高，然后就说明他的是SOTA，这显然是说服不了的）。最近在搞论文的时候，才发现自己跑的SOTA实验都是在val验证集上跑的，所以后面就改在test-dev上跑了。

如何在MSCOCO服务器上提交自己的测试结果呢？？？以test-dev2017为例，我来手把手走一遍，做个记录。

step1 下载数据集test-dev和标注文件

  1. 官网下载页面
  2. 下载下面的两个文件
    在这里插入图片描述
  3. 上传到自己的服务器上，解压缩，然后进行测试

step2 修改配置文件

在配置文件的test dict中，修改图片的路径和标注文件的路径，比如下图我的配置文件修改的例子。官网下下

最低0.47元/天 解锁文章
数据集说明：COCO的两个数据集COCO-stuff和COCO-Caption
计算机视觉
12-27 4620
的379249个字幕，包括MS COCO c5的179189个字幕和MS COCO c40的200060个字幕。语义类可以是事物（具有明确定义的形状的对象，例如汽车、人）或事物（无定形背景区域，例如草地、天空）。对于每个测试图像，我们收集了一个额外的字幕来计算人类表现的分数，以比较机器生成的字幕的分数。（a） 物质和事物类在其表面覆盖方面的重要性，以及它们在图像字幕中被提及的频率；（b） 东西之间的空间关系，突出丰富的上下文关系，使我们的数据集独一无二；对于培训和验证图像，将提供五个独立的人工生成字幕。
人体姿态估计数据集整理（Pose Estimation/Keypoint）：MSCOCO（逐年）、LSP、FLIC、MPII、AI Challenge及打分标准
m0_37644085的博客
09-30 1万+
姿态估计等数据集收集整理； LSP: 样本数：2K 关节点个数：14 全身，单人 Leeds Sports Dataset [12]及其扩展[13]，我们将通过LSP共同表示。它们包含11000个训练和1000个测试图像。这些是来自体育活动的图像，因此在外观和特别是关节方面非常具有挑战性。 FLIC 样本数：2W. 关节点个数：9 全身，...
mmdetection COCO test-dev测试
深度检测的博客
01-13 4439
MMdetection COCO test-dev测试步骤总结 1、修改config文件 data = dict( samples_per_gpu=1, workers_per_gpu=0, train=dict( type=dataset_type, ann_file=data_root + 'annotations/instances_train2017.json', img_prefix=data_root + 'train201
COCO数据集test-dev2017测试结果提交官网
hdyan1118的博客
11-18 2689
提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 前言 COCO test-dev2017数据集下载： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一、pand
MSCOCO online test servier for Image Captioning
pandeng123_的博客
08-15 1383
参考博客：在MSCOCO的test-dev数据集上测试过程（如何在MSCOCO服务器上提交测试结果） 链接：https://blog.youkuaiyun.com/qq_41375609/article/details/108394066 https://competitions.codalab.org/ COCO在线测试平台网址。 https://cocodataset.org/#download COCO数据集下载网址 作为一名科研小白的Me，科研方向是imagecaptioning（俗称看图说...
CodaLab测试MS-COCO2017训练的结果，即MS-COCO2017 test-dev步骤
Java小白的博客
08-17 865
CodaLab测试MS-COCO2017训练的结果，即MS-COCO2017 test-dev步骤。
MS COCO 目标检测 、人体关键点检测评价指标
bryant_meng
09-01 7638
文章目录1 MS COCO 目标检测评价指标2 MS COCO 人体关键点检测评价指标 1 MS COCO 目标检测评价指标 COCO 目标检测评价指标（官网） The evaluation metrics for detection with bounding boxes and segmentation masks are identical in all respects except for the IoU computation (which is performed over boxes..
COCO2017 test-dev评估
weixin_42035080的博客
12-24 1万+
1.下载COCO2017test-dev数据集 要下载图片test2017/和图片信息文件image_info_test-dev2017.json。 COCO官网： COCO - Common Objects in Contexthttps://cocodataset.org点进去之后，选择Dataset菜单下的Download 下载链接：2017 Test images [41K/6GB]http://images.cocodataset.org/zips/test2017.zip2017 .
MSCOCO test2017数据集的信息文件 image_info_test2017
01-28
MSCOCO test2017数据集的信息文件 image_info_test2017
MS COCO数据集目标检测评估（Detection Evaluation）（来自官网）
热门推荐
南国那片枫叶的博客
12-18 7万+
COCO系列文章： MS COCO数据集目标检测评估（Detection Evaluation）（来自官网） MS COCO数据集人体关键点评估（Keypoint Evaluation）（来自官网） MS COCO数据集输出数据的结果格式（result format）和如何参加比赛（participate）（来自官网） MS COCO官网数据集(百度云）下载，COCO API、MASK A......
17. 将开发数据集分成人工观测数据集和模型调参数据集 翻译自 吴恩达新书-Machine Learning Yearning
maerdym的专栏
09-30 543
更多好玩的机器学习教程: 进入袋马学院领一份 ，全部免费
训练集、验证集(dev)和测试集
小红鱼的博客
12-31 4510
在模型训练的时候通常将我们所得的数据分成3部分：训练集、dev验证集和测试集 dev用来统计的那一评估指标、调节参数，选择算法；而test用来在最后整体评估模型性能 dev和训练集一起被输入到模型算法中，但又不参与模型训练，可以一边训练一边根据dev查看指标 dev和测试集都是用来评估模型好坏，但dev只能用来统计单一评估指标；而测试集能够提供更多的评估模型指标，如混淆矩阵、roc、召回率、F1...
dev、test和prod是什么意思？
心似烟火
08-12 1629
开发环境（dev)：开发环境是程序猿们专门用于开发的服务器，配置可以比较随意，为了开发调试方便，一般打开全部错误报告。 测试环境 ( test )：一般是克隆一份生产环境的配置，一个程序在测试环境工作不正常，那么肯定不能把它发布到生产机上。 生产环境（prod）：是值正式提供对外服务的，一般会关掉错误报告，打开错误日志。 三个环境也可以说是系统开发的三个阶段：开发->测试->上线...
【数据集处理二】Anti_UAV_test_dev数据集处理
weixin_49626999的博客
10-22 1893
Anti_UAV_test_dev数据集中标注为json格式，有1500帧标注（60s）和1000帧标注（50s），用于检测任务时，不需要每一帧（相似度过高）。因此，分别采取每5帧取1帧、每4帧取1帧的策略，提取300帧和250帧。 一、FFmpeg视频转帧 均匀间隔抽取 ffmpeg -i "D:\Research direction\data set\train data\Anti_UAV_test_dev\data31\IR.mp4" -vf fps=fps=5 -s 256...
根据图片名生成COCO格式json文件，train_val_test数据集的划分
Totie的博客
12-09 6045
图像数据集划分训练集测试集，并生成对应的coco格式json文件
MS COCO数据集的下载、介绍与使用（目标检测）（一）
“知识最大的敌人不是无知，而是错觉”
03-02 1万+
MS COCO1.IntroductionReferences 博主最近一直都在潜心研究YOLOv5，先用的VOC数据集做了训练，发现性能还不错，现在打算利用MS COCO对于模型进行复现。 博主看的第一篇论文所用的数据集就是有20个类别的Pascal VOC数据集和80个物体类别的MS COCO，这些数据集在时间的推移下都变得越来越大（比如Pascal VOC 从2007的400M到后来的VOC2012快2个G） 今天，我们就来学一学MS COCO数据集的使用方法。 1.Introduction 微软
COCO数据集解析
babbycool的博客
02-24 2万+
coco数据集解析
【姿态估计】coco test-dev 测试代码
sazass的博客
07-16 2478
COCO test-dev评估数据代码
train,dev,test数据集划分
sdhdsf132452的博客
02-10 1605
这个dev应该就是验证集
服务器下载coco数据集
最新发布
02-28
### 如何在服务器上下载并配置COCO数据集 #### 准备工作 为了顺利下载和配置MS COCO数据集，需先确认服务器已安装必要的工具如`wget`用于网络资源获取以及`unzip`负责解压操作。如果尚未安装这些工具，可以通过包管理器快速完成安装。 对于基于Debian或Ubuntu系统的Linux发行版，可以执行如下命令来确保所需软件处于最新状态： ```bash sudo apt-get update && sudo apt-get install -y wget unzip ``` #### 数据集下载 针对希望参与评估但不公开提交结果的情况，可选择下载`test-dev2017`作为测试集合的一部分。具体来说，这一步骤涉及从官方提供的链接处拉取目标年份的数据文件及其对应的标签信息。 通过命令行界面可以直接调用`wget`指令实现自动化下载过程： ```bash mkdir ~/datasets/coco/ cd ~/datasets/coco/ # 下载 test-dev2017 图像压缩包 wget http://images.cocodataset.org/zips/test2017.zip -O test2017.zip # 如果还需要验证集，则继续下载 val2017 wget http://images.cocodataset.org/zips/val2017.zip -O val2017.zip ``` 上述脚本创建了一个名为`~/datasets/coco/`的新目录用来存放即将获得的内容，并依次指定了两个不同子集的远程地址进行抓取[^2]。 #### 文件解压缩 一旦所有预期中的ZIP档案被成功传输到了本地磁盘空间内之后，下一步就是利用`unzip`实用程序释放其中所含有的图像素材和其他辅助资料。考虑到某些情况下可能存在的权限问题，在此之前建议赋予当前用户足够的读写许可权以便顺利完成后续动作。 ```bash # 对于每个已经下载下来的 .zip 文件运行以下命令 unzip test2017.zip -d ./test2017/ unzip val2017.zip -d ./val2017/ ``` 以上步骤会分别把对应版本内的图片提取出来放置于各自的同名文件夹之中[^3]。 #### 配置环境变量（可选） 为了让其他应用程序能够方便地找到刚刚准备完毕的数据位置，考虑设置一些全局性的路径参数不失为一种明智的做法。比如可以在个人用户的shell profile里追加几条定义语句指向新建立起来的存储区域。 编辑`.bashrc`或者其他类似的初始化脚本加入类似这样的设定： ```bash export COCO_DATASET_PATH=~/datasets/coco/ export TESTDEV_2017=${COCO_DATASET_PATH}/test2017/ export VAL_2017=${COCO_DATASET_PATH}/val2017/ source ~/.bashrc ``` 这样做的好处在于今后无论何时何处只要涉及到访问该特定批次的数据源时都能保持一致性和便捷性。 #### 修改配置文件适应新的数据路径 最后也是至关重要的一环是要调整模型训练或者推理过程中需要用到的各种超参设定项使之匹配实际状况下的输入输出模式。通常这意味着要更新那些预先编写好的JSON/YAML格式化文档里的字段值以反映最新的文件系统布局情况[^1]。
评论 28
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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