zxs0222的博客

torch bug 实验记录

Crowd counting Test get density map and counting number.

Crowd Counting 利用train好的model进行测试

Crowd Counting 加载数据集图像及标注

我在使用不限速「阿里云盘」，赠送你 500GB 快来试试吧 ------------点此链接领取福利：https://pages.aliyundrive.com/mobile-page/web/beinvited.html?code=82530df点上面这个链接注册阿里网盘（网速很快哦），可以直接得500G（我也可以得500G）之后私聊我分享《深度学习与Pytorch视频教程》全套...

Crowd counting的数据集包括两部分：图像部分和标签部分标签部分主要包括每个人头的坐标点：（x, y）；常见的标签格式例如：ShanghaiTech数据集中的格式，用mat文件存储每个人头的坐标点，一张图像对应一个mat文件；当我们自己制作数据集时，需要经历以下几个步骤：1）拍摄图像或者视频；视频需要切分成帧；2）在图像上进行标点，标点的同时会记录下坐标点；3）根据这些坐标点生成每张图像对应的.mat文件；4）在训练时，将mat文件中的坐标转换为density .

import torch.nn as nnimport torchfrom torch.nn import functional as Ffrom torchvision import modelsclass VGGModel(nn.Module): def __init__(self): super(VGGModel, self).__init__() self.VGG_feat = [64, 64, 'M', 128, 128, 'M', 256, 2.

在进行训练前，会根据.mat标注文件形成h5文件，在此对于h5文件进行可视化；代码比较简单，仅供学习~import numpy as npimport matplotlib.pyplot as pltfrom matplotlib import cm as CMimport h5pyf = h5py.File('IMG_77.h5', 'r')groundtruth = np.asarray(f['density'])plt.imshow(groundtruth,cmap=CM.je

现有的Crowding Counter任务数据集大小均不大，例如ShanghaiTech数据集的大小就几百张，因此为了增强训练的效果，通常会将数据集进行扩充，较为简单的方法就是将原始的图像进行局部裁剪，从而达到扩充的目的。以下代码以ShanghaiTech的数据集为示例（不同示例数据集的.mat文件读取方法不同）文件说明：原始.mat文件放在groundPath/下；原始图像放在imagePath/下；因为将一张图像裁剪为9份，因此用for循环控制每一次的图像存储到单独的一个文件夹中；

密集人群计数，现在大家都使用密度图（density map）来进行预测人数；发现这篇简书文章对于密度图的原理讲解的比较详细，故搬来学习：https://www.jianshu.com/p/a1006c4b6fdc假设图像中的人头大小是固定的，例如MCNN中使用几何自适应高斯核来估计图像中每个人头的大小并转换为密度图；密度图中各个人头区域的概率之和为1，得到完整的人群图像密度图后，对其进行积分则是人群数目；经典文章：《Single-Image Crowd Counting via Mu

ShanghaiTech数据集是适用于密集人群计数领域的经典公开数据集，其分为A\B两部分，原始数据集的图像尺寸各不相同，且标注文件和图像尺寸相对应，在使用过程中，可能需要对于图像的尺寸进行调整，同时也需要修改标注文件；文件结构：文件夹：afterProcess（带标注示意图），ground_truch（原始数据集mat文件），img（原始数据集图像文件），new_ground_truth（新生成的mat文件），new_image（新生成的图像文件），均在同一个文件夹下；为了方便，.py文件也在