精华内容
下载资源
问答
  • VOC2012

    2018-10-30 20:17:32
    第一步:将VOC数据集的类别标签放入Label文件夹中,使用以下代码将VOC2012数据集的图片按照类别分组保存新的文件夹 import os import shutil # 文件目录结构: # D:/VOC2012/JPEGImages # D:/VOC2012/Label # D:/...

    第一步:将VOC数据集的类别标签放入Label文件夹中,使用以下代码将VOC2012数据集的图片按照类别分组保存新的文件夹

    import os
    import shutil

    # 文件目录结构:
    # D:/VOC2012/JPEGImages
    # D:/VOC2012/Label
    # D:/VOC2012/SegmentationClass
    # D:/VOC2012/VOC2012-CoSaliency

    Set_Data_Dir = 'D:/VOC2012/Label/'

    for group_file in os.listdir(Set_Data_Dir):

        Group_File_Dir = Set_Data_Dir + group_file
        with open(Group_File_Dir) as f:
            lines = f.read().splitlines()

        for line in lines:

            if line[-2:] != '-1':

                origin_gt = 'D:/VOC2012/SegmentationClass/' + line[:-3] + '.png'

                if os.path.exists(origin_gt):

                    origin_image = 'D:/VOC2012/JPEGImages/' + line[:-3] + '.jpg'

                    new_fold = 'D:/VOC2012/VOC2012-CoSaliency-Origin/' + str(group_file[:-13])
                    if not os.path.exists(new_fold):
                        os.mkdir(new_fold)

                    new_image = 'D:/VOC2012/VOC2012-CoSaliency-Origin/' + str(group_file[:-13]) + '/' + line[:-3] + '.jpg'
                    new_gt = 'D:/VOC2012/VOC2012-CoSaliency-Origin/' + str(group_file[:-13]) + '/' + line[:-3] + '.png'

                    shutil.copyfile(origin_image, new_image)
                    shutil.copyfile(origin_gt, new_gt)

    第二步 转化语义分割真值图为显著性检测真值图

    import os
    import shutil
    import cv2
    from PIL import Image
    import numpy as np


    Set_Data_Dir = 'D:/VOC2012/VOC2012-CoSaliency-Origin/'
    New_Data_Dir = 'D:/VOC2012/VOC2012-CoSaliency/'

    i = 0

    for group_file in os.listdir(Set_Data_Dir):

        i = i + 1

        for imgPath in [imgName for imgName in os.listdir(Set_Data_Dir + group_file + "/") if 'jpg' in imgName]:

            origin_image = Set_Data_Dir + group_file + "/" + imgPath
            new_fold = New_Data_Dir + group_file

            if not os.path.exists(new_fold):
                os.mkdir(new_fold)
            newImg = New_Data_Dir + group_file + "/" + imgPath

            shutil.copyfile(origin_image, newImg)

        for gtPath in [gtName for gtName in os.listdir(Set_Data_Dir + group_file + "/") if 'png' in gtName]:

            origin_gt_path = Set_Data_Dir + group_file + "/" + gtPath

            origin_gt = Image.open(origin_gt_path)
            origin_gt = np.array(origin_gt)


            origin_gt[origin_gt != i] = 0
            origin_gt[origin_gt == i] = 255

            newGt_path = New_Data_Dir + group_file + "/" + gtPath

            cv2.imwrite(newGt_path, origin_gt)

    第三步 每张图片在组中与最相似的一张组成新组

    import cv2
    import os
    import numpy as np
    import shutil
    import random

    def CopyPic(img_path, j, Set_dir_len, group_dir_len, img_dir_len):

        rgbOld = img_path
        rgbFolder = "D:/VOC2012/processed_datasets/" + img_path[Set_dir_len:group_dir_len-1] + '_' + str(j)
        print(rgbFolder)
        if not os.path.exists(rgbFolder):
            os.mkdir(rgbFolder)
        rgbNew = "D:/VOC2012/processed_datasets/" + img_path[Set_dir_len:group_dir_len-1] + '_' + str(j) + "/" + img_path[group_dir_len:-4] + ".jpg"
        print(rgbNew)
        gtOld = img_path[:-4] + ".png"
        print(gtOld)
        gtNew = "D:/VOC2012/processed_datasets/" + img_path[Set_dir_len:group_dir_len-1] + '_' + str(j) + "/" + img_path[group_dir_len:-4] + ".png"
        print(gtNew)

        print()

        shutil.copyfile(rgbOld, rgbNew)
        shutil.copyfile(gtOld, gtNew)
        return

    Set_Data_Dir = "D:/VOC2012/VOC2012-CoSaliency-Delete/"
    Set_dir_len = len(Set_Data_Dir)

    #[p for p in os.listdir(Group_Data_Dir) if 'jpg' in p]

    for group_name in os.listdir(Set_Data_Dir):
        i = 1
        Group_Data_Dir = Set_Data_Dir + group_name + "/"
        group_dir_len = len(Group_Data_Dir)
        for img_name in [p for p in os.listdir(Group_Data_Dir) if 'jpg' in p]:

            img_path = Group_Data_Dir + img_name
            img_dir_len = len(img_path)

            img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
            hist = cv2.calcHist(img, [0], None, [256], [0, 256])

            list_loss = []
            list_path = []
            for o_img_name in [p for p in os.listdir(Group_Data_Dir) if 'jpg' in p]:
                o_img_path = Group_Data_Dir + o_img_name

                if img_path != o_img_path:

                    o_img = cv2.imread(o_img_path, cv2.IMREAD_GRAYSCALE)
                    o_hist = cv2.calcHist(o_img, [0], None, [256], [0, 256])
                    o_loss = cv2.compareHist(hist, o_hist, cv2.HISTCMP_BHATTACHARYYA)

                    list_loss.append(o_loss)
                    list_path.append(o_img_path)

            loss_sort_index = np.argsort(list_loss)

            CopyPic(img_path, i, Set_dir_len, group_dir_len, img_dir_len)
            CopyPic(list_path[loss_sort_index[0]], i, Set_dir_len, group_dir_len, img_dir_len)

            i = i + 1

    展开全文
  • VOC2012.txt

    2021-06-15 22:06:29
    PASCAL VOC2012数据集的下载
  • Pascal VOC2012

    2021-01-03 15:19:13
    PascalVOC2012Pascal VOC2012PascalVOC2012

    P a s c a l V O C 2012 Pascal VOC2012 PascalVOC2012


    链接:https://pan.baidu.com/s/1gvs2uI8NDCzhovs4GbTd6A
    提取码:1234


    VOC2012数据集分为20类,包括背景为21类:

    superclassclasses
    Personperson
    Animalbird, cat, cow, dog, horse, sheep
    Vehicleaeroplane, bicycle, boat, bus, car, motorbike, train
    Indoorbottle, chair, dining table, potted plant, sofa, tv/monitor
    .
    └── VOCdevkit     #根目录
        └── VOC2012   #不同年份的数据集,这里只下载了2012的,还有2007等其它年份的
            ├── Annotations        #存放xml文件,与JPEGImages中的图片一一对应,解释图片的内容等等
            ├── ImageSets          #该目录下存放的都是txt文件,txt文件中每一行包含一个图片的名称,末尾会加上±1表示正负样本
            │   ├── Action
            │   ├── Layout
            │   ├── Main
            │   └── Segmentation
            ├── JPEGImages         #存放源图片
            ├── SegmentationClass  #存放的是图像分类分割后的效果图片
            └── SegmentationObject #存放的是图像物体分割后的效果图片
    

    图像分类分割和图像物体分割两种png图。

    图像分类分割是在20种物体中,ground-turth图片上每个物体的轮廓填充都有一个特定的颜色,一共20种颜色,比如摩托车用红色表示,人用绿色表示。

    图像物体分割则仅仅在一副图中生成不同物体的轮廓颜色即可,颜色自己随便填充。

    图像分类分割

    牛是一个类别,颜色相同
    在这里插入图片描述

    图像物体分割

    猫和鸭不同的物体,颜色相同
    在这里插入图片描述

    这里我们用的图像分类来进行语义分割


    分割划分

    在这里插入图片描述

    train.txt  1464
    
    val.txt 1449
    
    train.txt + val.txt = trainval.txt
    
    trainval.txt 2913
    

    从这里的图片名进行数据集的划分,原图和对应mask的查找。

    展开全文
  • voc2012数据集下载

    2018-05-09 11:45:38
    voc2012数据集资源下载,为了方便大家使用,上传到csdn
  • VOC2012训练数据集下载.txt
  • VOC2012完整数据集

    2019-03-27 20:41:26
    VOC2012完整数据集,放心下载,可以用于图像分类目标检测、语义分割等,百度云下载链接,很好的分类数据集
  • 目前广大研究者们普遍使用的是 VOC2007和VOC2012数据集,因为二者是互斥的,不相容的。 论文中针对 VOC2007和VOC2012 的具体用法有以下几种: 只用VOC2007的trainval 训练,使用VOC2007的test测试。 只用VOC2012的...

    目前广大研究者们普遍使用的是 VOC2007和VOC2012数据集,因为二者是互斥的,不相容的。

    论文中针对 VOC2007和VOC2012 的具体用法有以下几种:

    只用VOC2007的trainval 训练,使用VOC2007的test测试。
    只用VOC2012的trainval 训练,使用VOC2012的test测试,这种用法很少使用,因为大家都会结合VOC2007使用。
    使用 VOC2007 的 train+val 和 VOC2012的 train+val 训练,然后使用 VOC2007的test测试,这个用法是论文中经常看到的 07+12 ,研究者可以自己测试在VOC2007上的结果,因为VOC2007的test是公开的。
    使用 VOC2007 的 train+val+test 和 VOC2012的 train+val训练,然后使用 VOC2012的test测试,这个用法是论文中经常看到的 07++12 ,这种方法需提交到VOC官方服务器上评估结果,因为VOC2012 test没有公布。
    先在 MS COCO 的 trainval 上预训练,再使用 VOC2007 的 train+val、 VOC2012的 train+val 微调训练,然后使用 VOC2007的test测试,这个用法是论文中经常看到的 07+12+COCO 。
    先在 MS COCO 的 trainval 上预训练,再使用 VOC2007 的 train+val+test 、 VOC2012的 train+val 微调训练,然后使用 VOC2012的test测试 ,这个用法是论文中经常看到的 07++12+COCO,这种方法需提交到VOC官方服务器上评估结果,因为VOC2012 test没有公布。

    展开全文
  • PASCAL VOC2012数据集介绍

    千次阅读 多人点赞 2021-04-17 09:15:31
    之前有在Bilibili上简单介绍过这个数据集,...Pascal VOC2012官网地址:http://host.robots.ox.ac.uk/pascal/VOC/voc2012/ 官方发表关于介绍数据集的文章 《The PASCALVisual Object Classes Challenge: A Retrospecti

    之前有在Bilibili上简单介绍过这个数据集,但一直没有写博文,今天抽空总结下,如果不想看文章的,可以看下我在Bilibili上的讲解视频。

    Pascal VOC2012数据集详解视频: https://b23.tv/F1kSCK
    Pascal VOC2012官网地址:http://host.robots.ox.ac.uk/pascal/VOC/voc2012/
    官方发表关于介绍数据集的文章 《The PASCALVisual Object Classes Challenge: A Retrospective》:http://host.robots.ox.ac.uk/pascal/VOC/pubs/everingham15.pdf

    pascal voc2012


    1 简介

    PASCAL VOC挑战赛 (The PASCAL Visual Object Classes )是一个世界级的计算机视觉挑战赛,PASCAL全称:Pattern Analysis, Statical Modeling and Computational Learning,是一个由欧盟资助的网络组织。PASCAL VOC挑战赛主要包括以下几类:图像分类(Object Classification)目标检测(Object Detection)目标分割(Object Segmentation)行为识别(Action Classification) 等。

    • 图像分类与目标检测任务
      分类与检测
    • 分割任务,注意,图像分割一般包括实例分割和语义分割,实例分割是要把每个单独的目标用一种颜色表示(下图中间的图像),而语义分割只是把同一类别的所有目标用同一颜色表示(下图右侧的图片)。
      分割
    • 行为识别任务
      行为分类
    • 人体布局检测任务
      人体布局检测

    2 Pascal VOC数据集目标类别

    在Pascal VOC数据集中主要包含20个目标类别,下图展示了所有类别的名称以及所属超类。
    vocclasses


    3 数据集下载与目录结构

    下载地址: http://host.robots.ox.ac.uk/pascal/VOC/voc2012/index.html#devkit

    打开链接后如下图所示,只用下载training/validation data (2GB tar file)文件即可。
    download
    下载后将文件进行解压,解压后的文件目录结构如下所示:

    VOCdevkit
        └── VOC2012
             ├── Annotations               所有的图像标注信息(XML文件)
             ├── ImageSets    
             │   ├── Action                人的行为动作图像信息
             │   ├── Layout                人的各个部位图像信息
             │   │
             │   ├── Main                  目标检测分类图像信息
             │   │     ├── train.txt       训练集(5717)
             │   │     ├── val.txt         验证集(5823)
             │   │     └── trainval.txt    训练集+验证集(11540)
             │   │
             │   └── Segmentation          目标分割图像信息
             │         ├── train.txt       训练集(1464)
             │         ├── val.txt         验证集(1449)
             │         └── trainval.txt    训练集+验证集(2913)
             │ 
             ├── JPEGImages                所有图像文件
             ├── SegmentationClass         语义分割png图(基于类别)
             └── SegmentationObject        实例分割png图(基于目标)
    

    注意,train.txtval.txttrainval.txt文件里记录的是对应标注文件的索引,每一行对应一个索引信息。如下图所示:

    txtfile


    4 目标检测任务

    接下来简单介绍下如何使用该数据集中目标检测的数据。

    • 首先在Main文件中,读取对应的txt文件(注意,在Main文件夹里除了train.txtval.txttrainval.txt文件外,还有针对每个类别的文件,例如bus_train.txtbus_val.txtbus_trainval.txt)。比如使用train.txt中的数据进行训练,那么读取该txt文件,解析每一行。上面说了每一行对应一个标签文件的索引。
       ├── Main                  目标检测分类图像信息
       │     ├── train.txt       训练集(5717)
       │     ├── val.txt         验证集(5823)
       │     └── trainval.txt    训练集+验证集(11540)
    
    • 接着通过索引在Annotations文件夹下找到对应的标注文件(.xml)。比如索引为2007_000323,那么在Annotations文件夹中能够找到2007_000323.xml文件。如下图所示,在标注文件中包含了所有需要的信息,比如filename,通过在字段能够在JPEGImages文件夹中能够找到对应的图片。size记录了对应图像的宽、高以及channel信息。每一个object代表一个目标,其中的name记录了该目标的名称,pose表示目标的姿势(朝向),truncated表示目标是否被截断(目标是否完整),difficult表示该目标的检测难易程度(0代表简单,1表示困难),bndbox记录了该目标的边界框信息。

    2007_000323

    • 接着通过在标注文件中的filename字段在JPEGImages文件夹中找到对应的图片。比如在2007_000323.xml文件中的filename字段为2007_000323.jpg,那么在JPEGImages文件夹中能够找到2007_000323.jpg文件。

    2007_000323.jpg


    5 图像分割任务

    接下来简单介绍下如何使用该数据集中图像分割的数据。

    • 首先在Segmentarion文件中,读取对应的txt文件。比如使用train.txt中的数据进行训练,那么读取该txt文件,解析每一行,每一行对应一个图像的索引。
      └── Segmentation          目标分割图像信息
            ├── train.txt       训练集(1464)
            ├── val.txt         验证集(1449)
            └── trainval.txt    训练集+验证集(2913)
    
    • 根据索引在JPEGImages文件夹中找到对应的图片。还是以2007_000323为例,可以找到2007_000323.jpg文件。

    2007_000323.jpg

    • 根据索引在SegmentationClass文件中找到相应的标注图像(.png)。还是以2007_000323为例,可以找到2007_000323.png文件。
      20017_000323.png
      注意,在图像分割中对应的标注图像(.png)用PIL的Image.open()函数读取时,默认是P模式,即一个单通道的图像。在背景处的像素值为0,目标边缘处用的像素值为255,目标区域内根据目标的类别索引信息进行填充,例如人对应的目标索引是15,所以目标区域的像素值用15填充。
      segmentation下面给出在Pascal VOC数据集中各目标类别名称与类别索引对应关系:
    {
    	"background": 0,
        "aeroplane": 1,
        "bicycle": 2,
        "bird": 3,
        "boat": 4,
        "bottle": 5,
        "bus": 6,
        "car": 7,
        "cat": 8,
        "chair": 9,
        "cow": 10,
        "diningtable": 11,
        "dog": 12,
        "horse": 13,
        "motorbike": 14,
        "person": 15,
        "pottedplant": 16,
        "sheep": 17,
        "sofa": 18,
        "train": 19,
        "tvmonitor": 20
    }
    
    展开全文
  • VOC2007数据集 VOC2012数据集下载 百度云-附件资源
  • VOC2012完整数据集,放心下载,可以用于图像分类目标检测、语义分割等,百度云下载链接,很好的分类数据集
  • PASCAL VOC 2012 语义分割标注数据彩色转灰度图像工具
  • 生成VOC2012数据集

    千次阅读 2019-08-03 15:37:23
    1、创建目录如下所示: ...2、标定图片放到文件夹VOC2012/JPEGImages,使用labelImg工具进行标定,将标定后的xml文件剪切到文件夹VOC2012/Annotations 3、脚本修改xml文件中红色方框内容 4、脚本在...
  • build_voc2012_data.py

    2021-05-18 21:00:53
    build_voc2012_data.py
  • Dataset之Pascal VOC:Pascal VOC(VOC 2012、VOC 2007) 数据集的简介、下载、使用方法详细攻略 目录 Pascal 竞赛 1、PASCAL VOC竞赛任务 2、Pascal 竞赛的历史 ...1、VOC2007和VOC2012数据集 P...
  • Pascal voc 2012 数据集简介

    万次阅读 多人点赞 2019-01-03 16:56:01
    1. 简介 Pascal VOC网址:... VOC2012数据集下载地址:http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar 参考链接:https://blog.csdn.net/zz2230633069/article/...
  • pascal voc2012 train 和test 官网数据集下载真的很慢。这里提供百度网盘下载链接,保证可用!
  • 介绍Visual Object Classes Challenge 2012 (VOC2012) 的整体情况。
  • 最近在做语义分割,需要用到VOC2012 数据库进行处理。发现网上的教程很多也很杂。我在这里按自己的理解把过程写出来。 首先是原始的VOC 2012 数据集。大家在网上下载下来解压以后可以看到几个文件夹。如下 ...
  • VOC数据集镜像
  • PASCAL VOC 2012

    2017-09-12 14:42:02
    在看目前检测、识别方面的论文时,经常遇到VOC 2007 或者 VOC 2012数据集。为了对这个数据集有一个详细的了解,专门读了相关文档并将一些要点概括如下:   The PASCAL Visual Object Classes Challenge (2012) ...
  • Pascal voc2012数据集的info.json文件,用于对各类别的mIoU的计算
  • VOC2012数据集的调用

    千次阅读 2019-05-11 18:43:49
    PASCAL-VOC2012数据集介绍官网:http://host.robots.ox.ac.uk/pascal/VOC/voc2012/index.html 写一下图片的调用程序: from __future__ import division import os from PIL import Image import xml.dom.minidom...
  • VOC2012转换为tfrecord

    2020-01-08 11:13:25
    PASCAL-VOC2012简介 PASCAL-VOC2012数据集介绍官网:http://host.robots.ox.ac.uk/pascal/VOC/voc2012/index.html,数据集下载地址:benchmark_RELEASE:下载地址voc2012:下载地址 VOC2012数据集分为20类,包括...
  • FileNotFoundError: [Errno 2] No such file or directory: "'./data/voc2012_raw/VOCdevkit/VOC2012'\\ImageSets\\Main\\train.txt"报错如下解决方法 报错如下 (tensorflow) E:\YOLOv3\yolov3-tf2>python tools...
  • voc 2012中挑选出自己想要的类比如牛,马等,里面有注释说明。
  • PASCAL VOC 2012数据集及其增强版介绍

    千次阅读 2019-02-15 14:26:07
    PASCAL VOC 2012数据集及其增强版介绍 Pascal voc 2012数据集可以用于分类、检测和分割。这篇文章主要介绍其在语义分割任务上的使用。原始的Pascal voc 2012数据集仅仅包含1464个训练数据集,然而在很多paper上,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 9,996
精华内容 3,998
关键字:

voc2012