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

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。

        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.