三、mmdetection 2D:数据集制作

半边楼

已于 2025-02-03 11:48:05 修改

阅读量288

点赞数 7

CC 4.0 BY-SA版权

分类专栏： mmdetection学习笔记教程文章标签：深度学习笔记

于 2025-02-02 11:24:44 首次发布

本文链接：https://blog.youkuaiyun.com/qq_73860694/article/details/145418619

每个人的数据集格式不尽相同，可以根据自己喜好修改！

1.影像数据分类

使用creat.py程序生成val2019.txt，train2019.txt，test2019.txt和trainval2019.txt文件。运行完成后会在data文件夹下生成如下四个文件：

可以点开确认是否名称以及序号对应，防止后续数据出现问题。

其中可以通过test.py程序里的trainval_percent和train_percent的参数设置对应改变“验证集+训练集占总比例多少”和“训练数据集占验证集+训练集比例多少“，如图所示：

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

半边楼

关注关注

7
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

mmdetection3d kitti （持续更新）

叶子的博客

06-15

6812

mmdetection3d kitti （持续更新） Mmdetection3d集成了大量3D深度学习算法，其中很大一部分可以在智能驾驶KITTI数据集上运行。在算法应用KITTI数据之前，mmdetection3d提供了相应的预处理程序。关于kitti的详细介绍请参考本博客之前的文章，例如：【Mini KITTI】KITTI数据集简介 — Mini KITTI_Coding的叶子的博客-优快云博客。部分介绍内容会持续更新和补充。 mmdetection3d环境详细安装和调试请参考...

YOLO工业数据集终极制作法：小目标增强+缺陷生成实战

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域，希望和大家共同进步！

06-13

314

摘要：在工业视觉领域，构建高质量数据集是实现精准目标检测的关键前提。本文围绕YOLO模型在工业场景中的应用，详细阐述工业数据采集规范，给出不同缺陷类型对应的硬件配置方案。深入探讨小目标增强技术，通过代码实战展示Mosaic等增强手段对提升小目标检出率的效果。介绍缺陷生成算法，包含物理仿真法等，提供完整代码示例并展示执行结果。同时，梳理从原始素材到数据集验证的全流程，为工业级YOLO数据集制作提供实操性强的指南，助力工业视觉项目的高效落地。

参与评论您还未登录，请先登录后发表或查看评论

mmdetection的生物图像实例分割一：自定义数据集制作

qq_43264202的博客

06-04

1395

最近尝试做一些细胞器，细胞结构的重建任务，需要验证一些实例分割模型，例如MRCNN，和生物医学图像中常用的nnUNet等语义分割模型的优劣。而在mmdetection 3.3.0中，一些常用的接口进行了较大的改变，这里索性记录步骤，方便后续的分享与学习。本次的数据集选择了AC3AC4电镜数据集，分辨率为29nm×6nm×6nm29nm×6nm×6nm，成像方式是SBEM，样本取自小鼠大脑皮层，是哈佛大学Kasthuri15数据的子集。其中AC3体块大小为256×。

【mmdetection3d】——3D 目标检测 KITTI 数据集

m0_45388819的博客

11-08

5701

3D 目标检测 KITTI 数据集 本页提供了有关在 MMDetection3D 中使用 KITTI 数据集的具体教程。注意：此教程目前仅适用于基于雷达和多模态的 3D 目标检测的相关方法，与基于单目图像的 3D 目标检测相关的内容会在之后进行补充。数据准备您可以在这里下载 KITTI 3D 检测数据并解压缩所有 zip 文件。像准备数据集的一般方法一样，建议将数据集根目录链接到 $MMDETECTION3D/data。在我们处理之前，文件夹结构应按如下方式组织： mmdetection3d ├─

nuScenes数据集及mmdetection3d中的相关处理

weixin_68094467的博客

08-05

1556

nuScence数据集共有5类坐标系，定义分别如下：注：全局坐标系的原点位于该场景地图左上角（该信息对可视化有帮助）。nuScenes同时也提供了各传感器与自车坐标系、自车坐标系与全局坐标系之间的坐标平移矩阵与旋转矩阵（四元数表达），以及各相机的内参矩阵。

mmdetection3D---(1)

张飞飞的博客

06-04

1942

字典dic() 字典创建：冒号隔开key:value,逗号隔开几对元素 dict = {'Name': 'Zara', 'Age': 7, 'Class': 'First'} print ("dict['Name']: ", dict['Name']) print ("dict['Age']: ", dict['Age'] ) #以上实例输出结果： #dict['Name']: Zara #dict['Age']: 7 报错输出： dict = {'Name': 'Zara', 'Age':

【MMDetection3D实战(3)】: KITTI 数据集介绍

@bangbang的博客

03-13

2174

KITTI数据集是3D目标检测中比较基础和常用的数据集，本文以KITTI数据集为例，简单的介绍下数据的标注的格式以及3D坐标系相关知识。KITTI发布于2012年，距今也有10多年的历史了。它是针对无人驾驶任务构建的一套数据集和评价体系，其中包括2D和3D检测等一系列具体任务。1个激光雷达，一系列相机，GPS去采集位置信息等。KITTI针对检测任务一共提供了14999张图像及对应的点云，其中7481组用于训练，7518组用于测试。KITTI标注的数据只有3个类别，分别是汽车、行人、自行车。

KITTI数据集（概念版）

IT菜鸟

08-22

5524

一、参考资料 KITTI 官网 kitti数据集各个榜单介绍自动驾驶KITTI数据集详解二、Benchmark基准介绍 Our tasks of interest are: stereo, optical flow, visual odometry, 3D object detection and 3D tracking. 1. Stereo Stereo Evaluation（立体评估）基于图像的立体视觉和3维重建，从一个图像中恢复结构本质上是模糊的，一般是从不同角度的多张图片来恢复3维结构。 1.

mmdetection读取多波段遥感影像

始于足下

07-17

805

mmdetection读取tif遥感影像，遥感影像数据处理的注意事项

使用yolo11训练饮料瓶盖缺陷检测质量检测数据集VOC+YOLO格式1432张5类别步骤和流程

FL1623863129的博客

08-03

737

训练完成后，最佳权重保存路径为：runs/detect/train/weights/best.pt，如果多次运行命令runs/detect/train2,runs/detect/train3文件夹生成只需要到数字最大文件夹查看就可以找到模型。经过上面训练可以使用模型做一步部署，比如使用onnx模型在嵌入式部署，使用engine模型在jetson上deepstream部署，使用torchscript模型可以在C++上部署等等。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。

CS231n2017 Lecture10 RNN笔记

Se_ren_di_pity的博客

08-02

725

循环神经网络(Recurrent Neural Networks)，可以实现不同类型的输入/输出如：1 to 1：固定输入得到固定输出1 to many: 比如输入固定size的图片，输出的是可变长度的序列，比如一段描述文本，长度随着单词数而变many to 1: 比如输入一段可变长度的文本，输出其情感分类向量many to many: 比如翻译任务。

深度学习（鱼书）day08--误差反向传播（后三节）

weixin_66162442的博客

08-01

920

本文介绍了深度学习中的误差反向传播算法，重点讲解了激活函数层和Affine层的实现。在激活函数层部分，详细分析了ReLU层和Sigmoid层的前向传播和反向传播过程，包括数学表达式和Python实现代码。ReLU层通过mask机制实现开关功能，Sigmoid层则通过计算图分解步骤进行求导。在Affine层部分，解释了矩阵乘积运算的仿射变换性质，展示了单个数据和批处理数据的实现方式，并给出了相应的类实现代码。文章通过计算图直观地展示了各层的运算过程，并强调了矩阵运算中形状匹配的重要性。

CS231n2017-Lecture9经典CNN架构笔记

Se_ren_di_pity的博客

08-01

893

首先回顾一下LeNet-5，该网络结构为[CONV-POOL-CONV-POOL-FC-FC]，卷积层使用的的卷积核，步长为1,；池化层使用的size，步长为2。

深度学习-梯度爆炸与梯度消失

weixin_74126320的博客

08-01

877

深度学习训练中常遇到梯度消失和梯度爆炸问题。梯度消失导致深层网络参数难以更新，表现为训练停滞；梯度爆炸则使参数剧烈波动，导致训练失控。解决方案包括使用ReLU激活函数、梯度裁剪等技术。此外，模型推理时需调用model.eval()切换Dropout和BatchNorm层至推理模式，常与torch.no_grad()配合使用以保证稳定性和效率。这些方法对CV、NLP等任务至关重要。

CIFAR10实战

zj_203240104的博客

08-01

430

本文展示了使用PyTorch对CIFAR10数据集进行分类任务的完整流程。首先通过torchvision下载并预处理数据，构建数据加载器。初始模型采用简单的卷积神经网络结构，包含三个卷积层和两个全连接层，训练10个周期后准确率仅为73%。为提高性能，作者对模型进行了优化，在卷积层后添加批归一化(BatchNorm)和ReLU激活函数，以加速训练并提高模型泛化能力。实验使用TensorBoard可视化训练过程和结果，包括损失和准确率曲线。代码展示了完整的深度学习流程，从数据加载、模型构建、训练到优化改进。

基于深度学习的医学图像分析：使用变分自编码器（VAE）实现医学图像生成

最新发布

qq_74383080的博客

08-03

543

本文介绍了基于变分自编码器（VAE）的医学图像生成技术。首先概述了医学图像分析的定义及其在疾病模拟、图像增强和数据增强中的应用场景。然后详细讲解了VAE的理论基础，包括其编码器-解码器架构和生成多样性优势。文章提供了完整的代码实现流程：从环境准备、数据加载预处理，到VAE模型定义、训练和评估方法，最后展示了生成图像的可视化效果。该技术能够生成多样化的医学图像，支持医学研究和临床应用。读者可通过调整模型结构和参数进一步优化生成效果。

深度学习·mmsegmentation基础教程

2301_80132162的博客

08-02

1016

继承类别和RGB标签的映射关系指定图像扩展名、标注扩展名seg_map_suffix='.png', # 标注mask图像的格式reduce_zero_label=False, # 类别ID为0的类别是否需要除去**kwargs)# 类别和对应的 RGB配色# 指定图像扩展名、标注扩展名seg_map_suffix='.png', # 标注mask图像的格式reduce_zero_label=False, # 类别ID为0的类别是否需要除去**kwargs)

【深度学习新浪潮】什么是专业科研智能体？

智能守恒_HengAI

08-02

274

专业科研智能体是一类基于人工智能技术、专为科学研究场景设计的智能系统，其核心目标是通过自动化和智能化手段辅助科研人员完成从文献调研、实验设计到数据分析的全流程任务。多模态数据理解：能够解析科学文献中的公式、图表、实验数据等复杂内容，并整合跨学科知识（如分子结构、基因序列、物理模型等）。自主任务规划：通过自然语言交互接收科研需求，动态拆解任务并调用外部工具（如计算模拟软件、数据库、实验室设备），形成可执行的研究路径。科学推理与创新。

基于深度学习的医学图像分析：使用MobileNet实现医学图像分类

qq_74383080的博客

08-02

870

本文介绍了基于MobileNet的医学图像分类技术。首先概述了医学图像分析的重要性及其在疾病诊断等场景的应用。然后重点讲解了MobileNet的轻量化架构优势，包括深度可分离卷积的原理及其计算效率高的特点。文章提供了完整的代码实现流程，涵盖数据预处理、模型加载与微调、训练评估等关键步骤。实验结果表明，MobileNet在保持较高分类精度的同时显著降低了计算资源需求。该研究为医学图像分析提供了一种高效的深度学习解决方案，并建议读者可尝试改进模型以提升性能。