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!
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
Group | Classes |
---|---|
flat | road · sidewalk · parking+ · rail track+ |
human | person* · rider* |
vehicle | car* · truck* · bus* · on rails* · motorcycle* · bicycle* · caravan*+ · trailer*+ |
construction | building · wall · fence · guard rail+ · bridge+ · tunnel+ |
object | pole · pole group+ · traffic sign · traffic light |
nature | vegetation · terrain |
sky | sky |
void | ground+ · 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。
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
4. InteriorNet
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
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)?
人
问题:
-
前台/服务台?
没有标签label/数据 -
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!