使用Brainwash人头数据集训练SSD_MobilenetV1训练自己的模型

2023-11-22 03:18

本文主要是介绍使用Brainwash人头数据集训练SSD_MobilenetV1训练自己的模型,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!

关于Brainwash数据集

        Brainwash数据集是一个密集人头检测数据集,拍摄的是在一个咖啡馆里出现的人群,然后对这群人进行标注而得到的数据集。包含三个部分,训练集:10769张图像81975个人头,验证集:500张图像3318个人头。测试集:500张图像5007个人头。
在这里插入图片描述
        对于此数据集,其中brainwash_test.idl、brainwash_train.idl和brainwash_val.idl分别是对应的测试集、训练集和验证集的坐标文本。
在这里插入图片描述
        通过上图可以发现该数据集以及把人头信息标注的很明显,但是在其中不乏有一些没有人头信息的图片 ,所以在尽心数据集操作时要仔细关注它的影响。

Brainwash人头数据集转VOC格式

        对于voc数据集格式,我们可以很清楚的知道里面的逻辑结构,这里我就不详细介绍了,尚未了解的可以参考:VOC数据集格式详解


       但是有一点需要注意的是在进行数据集转换的时候图片谨记需要6位的命名方式
下面进行制作Voc数据集
       首先,进行图片的提取。因为brainwash数据集已将有文本将图片相关坐标信息保存了,而且划分好训练、测试和验证,但是因为在其中有图片没有人头,这里我没有考虑该负样本对最终模型的影响,分别读取brainwash_test.idl、brainwash_train.idl和brainwash_val.idl三个文档,获得有人头坐标信息的图片名字,保存到列表,然后根据列表中的名字信息,经图片分别提取到指定的文件夹。

import os
from PIL import Imageidl_file_dir = "/home/lf/桌面/brainwash/brainwash_val.idl"
imgFile="/home/lf/桌面/train/train3"if not os.path.exists(imgFile):os.mkdir(imgFile)f1=open(idl_file_dir,'r+')
lines=f1.readlines()lst1=[]
lst2=[]
lst3=[]
for i in range(len(lines)):line=lines[i]line = line.replace(":", ";")if line.split(";")[1]!="\n":img_dir=line.split(";")[0]img_dir=img_dir.replace('"',"")dirs=img_dir.split("/")[0]img_name=img_dir.split("/")[1]if dirs=="brainwash_10_27_2014_images":lst1.append(img_name)print(lst1)elif dirs=="brainwash_11_13_2014_images":lst2.append(img_name)else:lst3.append(img_name)
img_dir1="/home/lf/桌面/brainwash/brainwash_10_27_2014_images"
img_dir2="/home/lf/桌面/brainwash/brainwash_11_13_2014_images"
img_dir3="/home/lf/桌面/brainwash/brainwash_11_24_2014_images"# print(lst1)
# for i in lst1:
#     print(i[:-1])
#     im=Image.open("/home/lf/桌面/brainwash/brainwash_10_27_2014_images/{}".format(i))
#     im.save(imgFile+"/{}".format(i))
#     im.close()# for i in lst2:
#     print(i[:-1])
#     im=Image.open("/home/lf/桌面/brainwash/brainwash_11_13_2014_images/{}".format(i))
#     im.save(imgFile+"/{}".format(i))
#     im.close()for i in lst3:print(i[:-1])im=Image.open("/home/lf/桌面/brainwash/brainwash_11_24_2014_images/{}".format(i))im.save(imgFile+"/{}".format(i))im.close()

       然后经获得的图片名分别转成6位的VOC格式,这里因为训练、测试和验证我保存的不是一个文件夹(因为可能有图片名字重复的),所以我先将图片给转成对于格式后,在全部转到一个JPEGImages文件夹下

#将图片转成jpg格式,这里没必要写的,因为在后面改名的时候就直接改成jpg格式了
import glob
import os
import cv2
from PIL import Imageurl = '/home/lf/桌面/img/JPEGImages2'
img_list=os.listdir(url)
print(sorted(img_list))#进行排序好,为后面更改名字作准备#将png格式的图片转换成jpg格式
for name in img_list:prename=name.split(".")[0]src=cv2.imread("/home/lf/桌面/img/JPEGImages2/"+name)cv2.imwrite("/home/lf/桌面/img/jnwe2/"+prename+'.jpg',src)
cv2.waitKey(0)# url2 = '/home/lf/桌面/JPEGImages2'
# img_list2=os.listdir(url2)
# for name in img_list2:
#     print(name)
#     prename=name.split(".")[0]
#     src=cv2.imread("/home/lf/桌面/JPEGImages2/"+name)
#
#     cv2.imwrite("/home/lf/桌面/jnwe2/"+prename+'.jpg',src)
# cv2.waitKey(0)

       因为训练集中的图片都是png格式,所以后续的我都将其转成了jpg格式,但是在测试集中的图片转成jpg格式会无法显示加载,因此数据集总体我就使用了训练集和验证集的图图片。

#将图片转成6位的对应格式
import glob
import os
import cv2
from PIL import Imageurl = '/home/lf/桌面/train/train2'
img_list=os.listdir(url)
img_list=sorted(img_list)#将图片的名字转成符合voc格式的图片
for i in range(len(img_list)):src=os.path.join(os.path.abspath(url),img_list[i])dst=os.path.join(os.path.abspath(url),(str(i+10462).zfill(6)+'.jpg'))os.rename(src,dst)# url2 = '/home/lf/桌面/img/jnwe2'
# img_list2=os.listdir(url2)
# img_list2=sorted(img_list2)
#
# # 将图片的名字转成符合voc格式的图片
# for i in range(len(img_list2)):
#     src=os.path.join(os.path.abspath(url2),img_list2[i])
#     dst=os.path.

这篇关于使用Brainwash人头数据集训练SSD_MobilenetV1训练自己的模型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/407086

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

Hadoop数据压缩使用介绍

一、压缩原则 (1)运算密集型的Job,少用压缩 (2)IO密集型的Job,多用压缩 二、压缩算法比较 三、压缩位置选择 四、压缩参数配置 1)为了支持多种压缩/解压缩算法,Hadoop引入了编码/解码器 2)要在Hadoop中启用压缩,可以配置如下参数

Makefile简明使用教程

文章目录 规则makefile文件的基本语法:加在命令前的特殊符号:.PHONY伪目标: Makefilev1 直观写法v2 加上中间过程v3 伪目标v4 变量 make 选项-f-n-C Make 是一种流行的构建工具,常用于将源代码转换成可执行文件或者其他形式的输出文件(如库文件、文档等)。Make 可以自动化地执行编译、链接等一系列操作。 规则 makefile文件

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传