计算机网站建设与开发,html代码大全网站推荐,wordpress主页文章页,织梦网站内部优化我在寻找Foggy Cityscapes数据集的时候花了一番功夫#xff0c;因为官网下载需要用公司或学校邮箱邮箱注册账号#xff0c;等待审核通过后才能进行下载数据集。并且一开始我也并不了解Foggy Cityscapes的格式和内容是什么样的#xff0c;现在我弄明白后写下这篇文章#xf…我在寻找Foggy Cityscapes数据集的时候花了一番功夫因为官网下载需要用公司或学校邮箱邮箱注册账号等待审核通过后才能进行下载数据集。并且一开始我也并不了解Foggy Cityscapes的格式和内容是什么样的现在我弄明白后写下这篇文章用于记录和分享。后续我还会在这个专栏发布如何使用YOLOv5\v9\v10\v11系列进行自己数据集的训练可以订阅一波专栏。
1、Foggy Cityscapes介绍
大雾城市景观Foggy Cityscapes (F)Foggy Cityscapes是由 Cityscapes 生成的合成数据集它旨在模拟和研究自动驾驶车辆在雾天条件下的性能有三个级别的大雾天气(0.005,0.01,0.02)从轻微的雾到浓厚的雾分别对应于600,300和150米的能见度范围。并且Foggy Cityscapes 保留了 Cityscapes 数据集的详细标注信息同样的数据集中的图像分辨率为1024x2048涵盖了30多个类别包括车辆、行人、建筑物、道路等城市街景中常见的物体和场景但常用8个类别
classes [car, person, rider, truck, bus, train, motorcycle, bicycle]。
Cityscapes 的一张原图对应到foggy_cityscapes中有3张图β[0.005,0.01,0.02]分别进行转换可以得到3个foggy_cityscapes数据集。 由于雾天条件下的能见度降低图像中的许多目标会变得模糊不清这对计算机视觉检测来说是一个挑战。Foggy Cityscapes 为研究人员提供了一个测试和改进他们算法的机会以提高在恶劣条件下算法的鲁棒性和准确性。
2、下载
官网下载地址Cityscapes Dataset – Semantic Understanding of Urban Street Scenes
从官网下载这个压缩包文件leftImg8bit_trainvaltest_foggy.zip
Foggy Cityscapes数据集只有图像没有标注信息因为和Cityscapes的标注是一模一样的。
由于在官网下载数据集需要公司或者学校邮箱申请注册等待审核通过后才可以下载所以我在结尾提供了网盘数据下载方式已经全部处理好了可以直接用于YOLO格式的目标检测。
3、划分数据集用于YOLO目标检测
经过我的处理将三种可见度的图片beta(0.005,0.01,0.02)分为了三个文件夹 以最常用的beta0.02为例子打开后长这样 4、图像标签命名统一化
和Cityscapes数据集一样图像和标签的名称是不一样的在使用YOLO检测的时候如果两者名称不一样那么读取图片后就找不到对应的labels。下载数据后重命名并将路径改为如下格式 由于原数据集三个可见度的图片都是在一个文件夹中比如在路径为
D:/Deep_Learning_DataSet/Object_Detection_DataSet/Foggy_Cityscapes/leftImg8bit_trainvaltest_foggy/test
的test文件夹下berlin_000000_000019_leftImg8bit_foggy_beta_0.02.png、berlin_000000_000019_leftImg8bit_foggy_beta_0.01.png、berlin_000000_000019_leftImg8bit_foggy_beta_0.005.png都在一起那么在读取数据的时候不太方便所以将这三种不同可见度的图片分别转移到三个对应的文件夹下。
使用以下这段代码将数据集划分为三个可见度的文件夹下记得修改自己的数据集路径然后依次修改train、val、test就可以将原数据集中的图片转移到新文件夹下。
import os
import shutil# 定义源目录和目标目录
src_dir D:/Deep_Learning_DataSet/Object_Detection_DataSet/Foggy_Cityscapes/leftImg8bit_trainvaltest_foggy/test
dest_dir_01 D:/Deep_Learning_DataSet/Object_Detection_DataSet/Foggy_Cityscapes/leftImg8bit_trainvaltest_foggy/images_beta_0.01/test
dest_dir_02 D:/Deep_Learning_DataSet/Object_Detection_DataSet/Foggy_Cityscapes/leftImg8bit_trainvaltest_foggy/images_beta_0.02/test
dest_dir_005 D:/Deep_Learning_DataSet/Object_Detection_DataSet/Foggy_Cityscapes/leftImg8bit_trainvaltest_foggy/images_beta_0.005/test# 确保目标目录存在
os.makedirs(dest_dir_01, exist_okTrue)
os.makedirs(dest_dir_02, exist_okTrue)
os.makedirs(dest_dir_005, exist_okTrue)# 遍历源目录中的所有文件
for filename in os.listdir(src_dir):# 检查文件名是否包含beta值if beta_0.01 in filename:shutil.move(os.path.join(src_dir, filename), os.path.join(dest_dir_01, filename))elif beta_0.02 in filename:shutil.move(os.path.join(src_dir, filename), os.path.join(dest_dir_02, filename))elif beta_0.005 in filename:shutil.move(os.path.join(src_dir, filename), os.path.join(dest_dir_005, filename))print(Files have been moved successfully.)
然后将文件夹images_beta_0.01、images_beta_0.02、images_beta_0.005都重命名为
beta_0.01、beta_0.02、beta_0.005这三个文件夹分别放的是图像和标签如下图所示 5、YOLO数据配置文件
如图记得修改自己的数据集路径数据路径不能有中文否则就会报以下错误。
Dataset not found , missing paths [D:\\\\\\\\YOLO\\images\\val] Traceback (most recent call last): File E:\pythonCode\ObjectDetection\yolov9-main\train_dual.py, line 644, in module main(opt) File E:\pythonCode\ObjectDetection\yolov9-main\train_dual.py, line 538, in main train(opt.hyp, opt, device, callbacks) File E:\pythonCode\ObjectDetection\yolov9-main\train_dual.py, line 97, in train data_dict data_dict or check_dataset(data) # check if None File E:\pythonCode\ObjectDetection\yolov9-main\utils\general.py, line 537, in check_dataset raise Exception(Dataset not found ❌) Exception: Dataset not found ❌ path: D:/Deep_Learning_DataSet/Object_Detection_DataSet/Foggy_Cityscapes/beta_0.02
train: D:/Deep_Learning_DataSet/Object_Detection_DataSet/Foggy_Cityscapes/beta_0.02/images/train
val: D:/Deep_Learning_DataSet/Object_Detection_DataSet/Foggy_Cityscapes/beta_0.02/images/val
#test: test-dev2017.txt
# Classes
names:0: car1: person2: rider3: truck4: bus5: train6: motorcycle7: bicycle
6、结果可视化
运行以下代码将图片与对应的标注信息结合得到带有目标边界框的图像不要忘记修改地址
import cv2
import os# 图片路径
image_path ../beta_0.02/images/train/aachen_000010_000019_leftImg8bit_foggy_beta_0.02.png
# YOLO注释文件路径
annotation_path ../beta_0.02/labels/train/aachen_000010_000019_leftImg8bit_foggy_beta_0.02.txt# 读取YOLO注释文件
with open(annotation_path, r) as file:lines file.readlines()# 读取图片
image cv2.imread(image_path)
# 禁用窗口缩放
cv2.namedWindow(Image with Bounding Boxes, cv2.WINDOW_NORMAL)# 类别名称列表
# class_names [car, person, rider, truck, bus, train, motorcycle, bicycle]
# 类别名称与ID的映射字典
class_dict {0: car, 1: person, 2: rider, 3: truck, 4: bus, 5: train, 6: motorcycle, 7: bicycle}
# 绘制边界框和类别标签
for line in lines:parts line.strip().split()class_id int(parts[0])print(fclass_id:{class_id})x_center float(parts[1])y_center float(parts[2])width float(parts[3])height float(parts[4])# 将归一化的坐标转换为像素坐标x_min int((x_center - width / 2) * image.shape[1])y_min int((y_center - height / 2) * image.shape[0])x_max int((x_center width / 2) * image.shape[1])y_max int((y_center height / 2) * image.shape[0])# 获取类别名称class_name class_dict[class_id]# 绘制边界框cv2.rectangle(image, (x_min, y_min), (x_max, y_max), (0, 255, 0), 2)# 绘制类别标签cv2.putText(image, class_name, (x_min, y_min - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)print(image.shape)
# 显示图片
cv2.imshow(Image with Bounding Boxes, image)
cv2.waitKey(0)
cv2.destroyAllWindows()
效果如下所示
7、使用YOLOv9-m进行训练
我的GPU是4060Laptop8GB显存使用YOLOv9-mbatchsize4,刚好可以训练再多就爆显存了。2975训练集、500验证集。 8、个人下载方式
通过百度网盘分享的文件Foggy_Cityscapes 链接https://pan.baidu.com/s/1NgOw9MjW3pMwEO7WAowP8Q?pwd4ekd 提取码4ekd
如果链接失效了评论区告诉我一声哈。
