【语义分割】——语义分割数据集总结 ADE20K/cityScapes/VOC12_AUG

2024-06-13 08:58

本文主要是介绍【语义分割】——语义分割数据集总结 ADE20K/cityScapes/VOC12_AUG,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在这里插入图片描述

1. ADE20K

链接: ADE20K/

简介: 图片包含室内和室外数据集,上图是一些例图

场景:
场景比较丰富:室内,室外,自然场景等。单张场景的类别也较多。

特点:

  • 训练集:20210张图片
  • 验证集:200张
  • 共150个类别(但是语义标注的时候,像素点不能全面覆盖,存在偶尔有点漏掉的现象,于是标注的时候会多一个 “0” 类别,不计入loss的计算,但是网络的输出只有150个类别)
  • 语义信息的标注是在一张灰度图像上的,只是各个点的取值范围是(0-150, 0表示背景类,不计入loss计算)
  • 类别文件就不全贴出来了。
background	背景
wall	墙
building	建筑
sky	天空
floor	地板
tree	树
ceiling	天花板
road	路
bed 	床
windowpane	窗玻璃
grass	草地
cabinet	柜子
sidewalk	人行道
person	人
earth	地
door	门
table	桌子
...

2. cityScapes

简介: Cityscapes数据集中于城市街道场景的语义理解

特点:

  • 5000张像素级标注图片,20000张弱标注图片
  • 数据集共有30个类别
  • 采集自50个不同的城市
  • 不同的月份(春夏秋)
  • 白天
  • 好、中好天气
  • 单张图片中有多个物体,不同的场景布局,不同的背景

标注原则
有标记的前景对象绝对不能有洞,也就是说,如果有一些通过前景对象可见的背景,它就被认为是前景的一部分。这也适用于与两个或更多类高度混合的区域:它们被标记为前景类。例如:房子前面的树叶或天空(everything tree),透明的车窗(everything car)。

类别定义

GroupClasses
flatroad · sidewalk · parking+ · rail track+
humanperson* · rider*
vehiclecar* · truck* · bus* · on rails* · motorcycle* · bicycle* · caravan*+ · trailer*+
constructionbuilding · wall · fence · guard rail+ · bridge+ · tunnel+
objectpole · pole group+ · traffic sign · traffic light
naturevegetation · terrain
skysky
voidground+ · dynamic+ · static+

粗糙标注
为20000张图片提供了粗糙的多边形标注。同样,重叠的颜色对语义类进行编码(参见类定义)。注意,我们的目标不是注释单个实例,但是,我们标记了覆盖单个对象的多边形。
在这里插入图片描述

cityscape标签与label的对应关系

/home/zzp/SSD_ping/anaconda3/envs/z1/bin/python /home/zzp/SSD_ping/my-root-path/My-core-python/pytorch-deeplabV3+/cityscapesScripts-master/cityscapesscripts/helpers/labels.py
List of cityscapes labels:
# Please adapt the train IDs as appropriate for your approach.
# Note that you might want to ignore labels with ID 255 during training.
# Further note that the current train IDs are only a suggestion. You can use whatever you like.
# Make sure to provide your results using the original IDs and not the training IDs.
# Note that many IDs are ignored in evaluation and thus you never need to predict these!name |  id | trainId |       category | categoryId | hasInstances | ignoreInEval|        color--------------------------------------------------------------------------------------------------unlabeled |   0 |     255 |           void |          0 |            0 |            1 |         (0, 0, 0)ego vehicle |   1 |     255 |           void |          0 |            0 |            1 |         (0, 0, 0)rectification border |   2 |     255 |           void |          0 |            0 |            1 |         (0, 0, 0)out of roi |   3 |     255 |           void |          0 |            0 |            1 |         (0, 0, 0)static |   4 |     255 |           void |          0 |            0 |            1 |         (0, 0, 0)dynamic |   5 |     255 |           void |          0 |            0 |            1 |      (111, 74, 0)ground |   6 |     255 |           void |          0 |            0 |            1 |       (81, 0, 81)road |   7 |       0 |           flat |          1 |            0 |            0 |    (128, 64, 128)sidewalk |   8 |       1 |           flat |          1 |            0 |            0 |    (244, 35, 232)parking |   9 |     255 |           flat |          1 |            0 |            1 |   (250, 170, 160)rail track |  10 |     255 |           flat |          1 |            0 |            1 |   (230, 150, 140)building |  11 |       2 |   construction |          2 |            0 |            0 |      (70, 70, 70)wall |  12 |       3 |   construction |          2 |            0 |            0 |   (102, 102, 156)fence |  13 |       4 |   construction |          2 |            0 |            0 |   (190, 153, 153)guard rail |  14 |     255 |   construction |          2 |            0 |            1 |   (180, 165, 180)bridge |  15 |     255 |   construction |          2 |            0 |            1 |   (150, 100, 100)tunnel |  16 |     255 |   construction |          2 |            0 |            1 |    (150, 120, 90)pole |  17 |       5 |         object |          3 |            0 |            0 |   (153, 153, 153)polegroup |  18 |     255 |         object |          3 |            0 |            1 |   (153, 153, 153)traffic light |  19 |       6 |         object |          3 |            0 |            0 |    (250, 170, 30)traffic sign |  20 |       7 |         object |          3 |            0 |            0 |     (220, 220, 0)vegetation |  21 |       8 |         nature |          4 |            0 |            0 |    (107, 142, 35)terrain |  22 |       9 |         nature |          4 |            0 |            0 |   (152, 251, 152)sky |  23 |      10 |            sky |          5 |            0 |            0 |    (70, 130, 180)person |  24 |      11 |          human |          6 |            1 |            0 |     (220, 20, 60)rider |  25 |      12 |          human |          6 |            1 |            0 |       (255, 0, 0)car |  26 |      13 |        vehicle |          7 |            1 |            0 |       (0, 0, 142)truck |  27 |      14 |        vehicle |          7 |            1 |            0 |        (0, 0, 70)bus |  28 |      15 |        vehicle |          7 |            1 |            0 |      (0, 60, 100)caravan |  29 |     255 |        vehicle |          7 |            1 |            1 |        (0, 0, 90)trailer |  30 |     255 |        vehicle |          7 |            1 |            1 |       (0, 0, 110)train |  31 |      16 |        vehicle |          7 |            1 |            0 |      (0, 80, 100)motorcycle |  32 |      17 |        vehicle |          7 |            1 |            0 |       (0, 0, 230)bicycle |  33 |      18 |        vehicle |          7 |            1 |            0 |     (119, 11, 32)license plate |  -1 |      -1 |        vehicle |          7 |            0 |            1 |       (0, 0, 142)Example usages:
ID of label 'car': 26
Category of label with ID '26': vehicle
Name of label with trainID '0': road

3. VOC12_AUG

简介: 是基于voc扩充的一个语义分割数据集。其组成可参考:PASCAL VOC 2012 and SBD (the augment dataset) 总结

地址: Semantic Boundaries Dataset and Benchmark

特点:

  • 数据集比较大
  • 单张图片中物体数量相对较少
  • 场景和voc数据集的场景很像
  • 训练集10582,val:1449
  • 类别也是继承自voc,共20个类别
    在这里插入图片描述

4. InteriorNet

在这里插入图片描述

来源: 帝国理工和酷家乐

简介: 包含2200万室内场景,涵盖这些场景的3D、全景、灯光、语义、景深等多种不同样式,可用于深度学习训练和SLAM基准测试,无需手动标注。

场景: 真实世界的家具,整体的设计风格也和真实世界中的室内场景相同

需要邮件确认,还无法下载

5. indoor

在这里插入图片描述
简介: 该数据库包含67个室内类别,共计15620张图片。不同类别的图像数量不同,但每个类别至少有100幅图像。所有图片均为jpg格式。

没有总的label,标注格式需要处理

6. other

建筑:
墙,地板,天花板,门,楼梯,自动扶梯

家具:
桌子,椅子/长椅,柜子,盆栽(植物)?

问题:

  1. 前台/服务台?
    没有标签label/数据

  2. 卫生间,××间?
    区别不大,特征不明显,无数据

其他

  • 这个数据集用什么工具标注

这篇关于【语义分割】——语义分割数据集总结 ADE20K/cityScapes/VOC12_AUG的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1056854

相关文章

Pandas统计每行数据中的空值的方法示例

《Pandas统计每行数据中的空值的方法示例》处理缺失数据(NaN值)是一个非常常见的问题,本文主要介绍了Pandas统计每行数据中的空值的方法示例,具有一定的参考价值,感兴趣的可以了解一下... 目录什么是空值?为什么要统计空值?准备工作创建示例数据统计每行空值数量进一步分析www.chinasem.cn处

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

Spring 请求之传递 JSON 数据的操作方法

《Spring请求之传递JSON数据的操作方法》JSON就是一种数据格式,有自己的格式和语法,使用文本表示一个对象或数组的信息,因此JSON本质是字符串,主要负责在不同的语言中数据传递和交换,这... 目录jsON 概念JSON 语法JSON 的语法JSON 的两种结构JSON 字符串和 Java 对象互转

C++如何通过Qt反射机制实现数据类序列化

《C++如何通过Qt反射机制实现数据类序列化》在C++工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作,所以本文就来聊聊C++如何通过Qt反射机制实现数据类序列化吧... 目录设计预期设计思路代码实现使用方法在 C++ 工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作。由于数据类

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

SpringBoot使用GZIP压缩反回数据问题

《SpringBoot使用GZIP压缩反回数据问题》:本文主要介绍SpringBoot使用GZIP压缩反回数据问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录SpringBoot使用GZIP压缩反回数据1、初识gzip2、gzip是什么,可以干什么?3、Spr

Windows Docker端口占用错误及解决方案总结

《WindowsDocker端口占用错误及解决方案总结》在Windows环境下使用Docker容器时,端口占用错误是开发和运维中常见且棘手的问题,本文将深入剖析该问题的成因,介绍如何通过查看端口分配... 目录引言Windows docker 端口占用错误及解决方案汇总端口冲突形成原因解析诊断当前端口情况解

SpringBoot集成Milvus实现数据增删改查功能

《SpringBoot集成Milvus实现数据增删改查功能》milvus支持的语言比较多,支持python,Java,Go,node等开发语言,本文主要介绍如何使用Java语言,采用springboo... 目录1、Milvus基本概念2、添加maven依赖3、配置yml文件4、创建MilvusClient

Python如何将大TXT文件分割成4KB小文件

《Python如何将大TXT文件分割成4KB小文件》处理大文本文件是程序员经常遇到的挑战,特别是当我们需要把一个几百MB甚至几个GB的TXT文件分割成小块时,下面我们来聊聊如何用Python自动完成这... 目录为什么需要分割TXT文件基础版:按行分割进阶版:精确控制文件大小完美解决方案:支持UTF-8编码

SpringValidation数据校验之约束注解与分组校验方式

《SpringValidation数据校验之约束注解与分组校验方式》本文将深入探讨SpringValidation的核心功能,帮助开发者掌握约束注解的使用技巧和分组校验的高级应用,从而构建更加健壮和可... 目录引言一、Spring Validation基础架构1.1 jsR-380标准与Spring整合1