【VisDrone|目标检测】保姆级教程：MMDetection数据集格式及其准备（三）

最新推荐文章于 2024-09-15 10:42:12 发布
最新推荐文章于 2024-09-15 10:42:12 发布
阅读量945 收藏 8
点赞数 11
CC 4.0 BY-SA版权
分类专栏： VisDrone数据集各种检测算法实验（写论文） 文章标签： 目标检测 人工智能 计算机视觉 VisDrone 小目标检测
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/wzk4869/article/details/134597504
本文是关于VisDrone数据集在MMDetection框架下的保姆级教程，详细介绍了如何按照COCO格式配置数据集，包括创建data/coco文件夹，放置标签文件和图片，并提供了相关操作步骤。

文章目录

一、格式配置

在mmdetection代码的根目录下，创建 data/coco 文件夹，按照coco的格式排放好数据集。annotations下面是标签文件，train2017、val2017、test2017是图片。

在这里插入图片描述

mmdetection
├── data
│   ├── coco
│   │   ├── annotations
│   │   ├── train2017
│   │   ├── val2017
│   │   ├── test2017

首先看一下annotations文件夹：

在这里插入图片描述
把之前配置的数据集移动到对应的文件夹下面：

import shutil
import os

source_folder_path =
了解本专栏 订阅专栏 解锁全文 超级会员免费看
【VisDrone | 目标检测】保姆级教程：Gold-YOLO模型训练VisDrone数据集（含代码修改+训练启动）（十二）
wzk4869的博客
11-29 2722
【VisDrone | 目标检测】保姆级教程：Gold-YOLO模型训练VisDrone数据集（含代码修改+训练启动）（十二）
【VisDrone|目标检测】保姆级教程：Defortable-DETR模型训练VisDrone数据集（含代码修改+训练启动+评估指标）（八）
wzk4869的博客
11-28 2102
【VisDrone|目标检测】保姆级教程：Defortable-DETR模型训练VisDrone数据集（含代码修改+训练启动+评估指标）（七）
MMDetection训练自己的数据集coco格式
Xiao_Ya__的博客
06-26 1124
MMDetection训练自己的数据集coco格式
使用mmdetection（backbone为HRNet、VOC数据集格式）
孟孟单单的博客
05-31 887
目录参考链接安装mmdetectionVOC数据集准备修改相关文件重新编译开始训练 参考链接 MMDetection目标检测工具使用指南及问题总结 使用mmdetection训练自己的数据集（VOC格式） 安装mmdetection 查看另一篇博客：安装mmdetection（Windows环境下） VOC数据集准备 mmdetection ├── mmdet ├── tools ├── configs ├── data #手动创建data、VOCdevkit、VOC2007、Annota
MMDetection，训练VOC格式数据集
阿基美德的博客
06-27 3417
一、数据集准备 数据集目录格式要求： ├── VOCdevkit(数据集名称) │ ├── VOC2007 │ │ ├── Annotations │ │ ├── JPEGImages │ │ ├── ImageSets │ │ │ ├── Main │ │ │ │ ├── val.txt │ │ │ │ ├── train.txt PS： 1. 所有图片末尾统一为.jpg（注意小写） 数据集保存（创建软连接，方便数据
visdrone-coco格式json文件
05-19
这是使用官方visdrone转换的coco格式，注意由于转换时候发现有10个训练集图片标注存在错误，因此删除错误标注。大家只需要去官方下载图片放进对应目录即可。coco格式数据集已经用yolox训练过并得到模型测试过，所以转换数据集不存在问题。这里coco格式就官方标准格式，如果你觉得有问题可以导入百度easydl进行验证。
将VISDRONE标签数据集转换成COCO格式+在MMdetection上训练
zj_xd的博客
07-14 984
然后参考的使用指南的 训练&测试中将 balloon dataset 转化为 COCO 格式的代码，可以将自己的代码转换成COCO格式。
MMDetection训练自定义COCO格式数据集
珺毅同学的博客
03-18 3409
MMDetection训练自定义COCO格式数据集操作指南
【VisDrone|目标检测】保姆级教程：MMDetection的安装以及验证是否成功（二）
wzk4869的博客
11-24 921
【VisDrone|目标检测】保姆级教程：MMDetection的安装以及验证是否成功（二）
【VisDrone|目标检测】保姆级教程：Cornernet模型训练VisDrone数据集（含代码修改+训练启动）（九）
wzk4869的博客
11-29 1162
【VisDrone|目标检测】保姆级教程：Cornernet模型训练VisDrone数据集（含代码修改+训练启动）（九）
【VisDrone|目标检测】保姆级教程：FSAF模型训练VisDrone数据集（含代码修改+训练启动）（十）
wzk4869的博客
11-29 1207
【VisDrone|目标检测】保姆级教程：FSAF模型训练VisDrone数据集（含代码修改+训练启动）（十）
visdrone MOT数据集格式
LiYinggang1997的博客
12-13 1580
给出的annotation的格式： <frame_index>,<target_id>,<bbox_left>,<bbox_top>,<bbox_width>,<bbox_height>,<score>,<object_category>,<truncation>,<occlusion> 详细见http://aiskyeye.com/evaluate/results-format_202
VisDrone数据集转COCO格式（json）踩坑记录
weixin_44940947的博客
07-20 2561
注意VisDrone类别中【i.e.,ignoredregions(0),pedestrian(1),people(2),bicycle(3),car(4),van(5),truck(6),tricycle(7),awning-tricycle(8),bus(9),motor(10),others(11)】ignoredregions(0)、others(11)的score=0，代码中可通过score=0过滤掉(再具体详见上述链接)原因发现bboxheight为0；...
VisDrone数据集转化为VOC格式（去除标签ignored regions和others）
weixin_47972041的博客
09-15 526
【代码】VisDrone数据集转化为VOC格式（去除标签ignored regions和others）
mmdetection--自定义数据集
weixin_46365033的博客
08-23 1449
文章目录PASCAL VOC数据集格式组织结构AnnotationImageSetsJPEGImagesCOCO数据集格式组织结构annotations（注释）json格式instances自定义数据集（coco类型）修改config文件dataset模块model模块检查注释文件 mmdetection主要支持COCO，次要支持PASCAL VOC（提供了转化为COCO的脚本），因此我们首先介绍COCO和VOC数据集。 PASCAL VOC数据集格式 PASCAL VOC2007和2012总共分为了四个大
＜数据集＞Visdrone数据集＜目标检测＞
qq_53332949的博客
08-24 1153
YOLO与VOC格式的Visdrone数据集，由官方数据集转换格式，适用于YOLO系列、Faster Rcnn、SSD等模型训练，共10个类别，类别：cheating、good，8629张图片
visdrone2019转化为coco格式数据集（包含DET和VID）
零碎@流年絮语 的博客
10-24 6089
计算机视觉——数据格式转换，将Visdrone2019中的DET(可用来做目标检测)和VID(用来做视频目标检测和跟踪)。
MMdetection v2.4.0之（支持的数据集目录结构、转化标准数据集和定制自定义数据集）
qq_41627642的博客
05-13 2904
要支持新的数据格式，可以将它们转换为现有格式(COCO格式或PASCAL格式)，也可以直接将它们转换为中间格式。您还可以选择离线转换(在通过脚本进行训练之前)或在线转换(实现一个新的数据集并在训练时进行转换)。在MMDetection中，我们建议将数据转换为coco格式并离线进行转换，这样你只需要在数据转换后修改配置的数据注释路径和类。 1、将新的数据格式重新组织为现有格式 最简单的方法是将数据集转换为现有的数据集格式(COCO或PASCAL VOC)。 oco格式的注释json文件有以下必要的键: 'im
【记录】VisDrone数据集处理：车辆提取、YOLO格式转化、训练数据裁剪
qq_39910747的博客
07-09 2878
参考ultralytics官方转化代码。
swin transformer object detection目标检测保姆级教程
最新发布
03-10
### Swin Transformer在目标检测中的应用 Swin Transformer作为一种创新性的架构，在多种计算机视觉任务中表现出色，特别是在目标检测方面取得了显著成果[^1]。为了理解如何利用Swin Transformer进行目标检测，可以从以下几个角度深入探讨： #### 架构特点适应于目标检测 Swin Transformer通过引入滑动窗口机制，使得模型能够捕捉到不同尺度下的局部信息，这有助于提高对于各种大小物体的识别能力。这种特性非常适合处理复杂场景下多个尺寸的目标对象。 #### 集成至现有框架 通常情况下，会将Swin Transformer作为骨干网络集成到现有的目标检测框架之中，比如Faster R-CNN或者YOLO等流行算法里。这样做不仅保留了原有系统的高效性和稳定性，同时也赋予其更强的表现力。 ```python import torch from mmdet.models import build_detector from mmcv.runner import load_checkpoint from mmdet.apis import inference_detector, show_result_pyplot config_file = 'configs/swin/mask_rcnn_swin-t-p4-w7_fpn_1x_coco.py' checkpoint_file = 'checkpoints/mask_rcnn_swin-t-p4-w7_fpn_1x.pth' model = build_detector(config_file) load_checkpoint(model, checkpoint_file) img = 'demo/demo.jpg' # or img = mmcv.imread(img), which will only load it once result = inference_detector(model, img) show_result_pyplot(model, img, result) ``` 此代码片段展示了基于MMDetection库实现的一个简单例子，其中`mask_rcnn_swin-t-p4-w7_fpn_1x_coco.py`配置文件定义了一个使用Swin-Tiny作为backbone的目标检测器，并加载预训练权重来进行推理操作。 #### 数据集准备与增强 当应用于特定领域时，可能还需要针对具体应用场景调整数据集以及相应的增广策略。例如增加旋转、缩放变换等方式来提升泛化性能并减少过拟合风险。 #### 调整超参数优化效果 最后一步则是根据实际需求微调一些重要的超参设置，像学习率调度方式、批量大小等因素都会影响最终的效果表现。实验表明适当的选择这些参数可以帮助获得更好的精度和速度之间的平衡。
评论
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

打赏作者

旅途中的宽~

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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