Semantic Drone Dataset(语义无人机数据集)使用方法「建议收藏」

Semantic Drone Dataset(语义无人机数据集)使用方法「建议收藏」数据集介绍SemanticDroneDataset数据集下载地址该语义无人机数据集专注于城市场景的语义理解,以提高无人机自主飞行和着陆程序的安全性。该图像描绘了在距地面5至30米的高度从最低点(鸟瞰)视角拍摄的20多座房屋。高分辨率相机用于获取尺寸为6000x4000px(24Mpx)的图像。训练集包含400张公开可用的图像,测试集包含200张私有图像。该语义分割数据集包括20个种类:树、草、其他植被、污垢、碎石岩石、水、铺砌面积、水池、人狗、车、自行车、屋顶、墙

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺

数据集介绍

Semantic Drone Dataset数据集下载地址
该语义无人机数据集专注于城市场景的语义理解,以提高无人机自主飞行和着陆程序的安全性。该图像描绘了在距地面 5 至 30 米的高度从最低点(鸟瞰)视角拍摄的 20 多座房屋。高分辨率相机用于获取尺寸为 6000x4000px (24Mpx) 的图像。训练集包含 400 张公开可用的图像,测试集包含 200 张私有图像。

该语义分割数据集包括20个种类:

  • 树、草、其他植被、污垢、碎石
  • 岩石、水、铺砌面积、水池、人
  • 狗、车、自行车、屋顶、墙
  • 栅栏、栅栏杆、窗户、门、障碍

数据集样本示例

在这里插入图片描述

数据集使用

生成掩模图

由于该数据集未提供训练集使用的掩模图,因此需要自己根据RGB值去还原掩膜图。可以通过以下代码转换成掩膜图或者给掩模图上色。

''' colorTransformer.py '''
import numpy as np
class ColorTransformer:
def __init__(self):
# color table.
self.clr_tab = self.createColorTable()
print(self.clr_tab)
print(self.clr_tab.keys())
# id table.
id_tab = { 
}
for k, v in self.clr_tab.items():
id_tab[k] = self.clr2id(v)
self.id_tab = id_tab
print(self.id_tab)
def createColorTable(self):
clr_tab = { 
}
clr_tab['unlabeled'] = [0, 0, 0]
clr_tab['paved-area'] = [128, 64, 128]
clr_tab['dirt'] = [130, 76, 0]
clr_tab['grass'] = [0, 102, 0]
clr_tab['gravel'] = [112, 103, 87]
clr_tab['water'] = [28, 42, 168]
clr_tab['rocks'] = [48, 41, 30]
clr_tab['pool'] = [0, 50, 89]
clr_tab['vegetation'] = [107, 142, 35]
clr_tab['roof'] = [70, 70, 70]
clr_tab['wall'] = [102, 102, 156]
clr_tab['window'] = [254, 228, 12]
clr_tab['door'] = [254, 148, 12]
clr_tab['fence'] = [190, 153, 153]
clr_tab['fence-pole'] = [153, 153, 153]
clr_tab['person'] = [255, 22, 96]
clr_tab['dog'] = [102, 51, 0]
clr_tab['car'] = [9, 143, 150]
clr_tab['bicycle'] = [119, 11, 32]
clr_tab['tree'] = [51, 51, 0]
clr_tab['bald-tree'] = [190, 250, 190]
clr_tab['ar-marker'] = [112, 150, 146]
clr_tab['obstacle'] = [2, 135, 115]
clr_tab['conflicting'] = [255, 0, 0]
return clr_tab
def colorTable(self):
return self.clr_tab
def clr2id(self, clr):
return clr[0]+clr[1]*255+clr[2]*255*255
#transform to uint8 integer label
def transform(self,label, dtype=np.int32):
height,width = label.shape[:2]
# default value is index of clutter.
newLabel = np.zeros((height, width), dtype=dtype)
id_label = label.astype(np.uint64)
id_label = id_label[:,:,0]+id_label[:,:,1]*255+id_label[:,:,2]*255*255
for tid,key in enumerate(self.clr_tab.keys()):
val = self.id_tab[key]
mask = (id_label == val)
newLabel[mask] = tid
return newLabel
#transform back to 3 channels uint8 label
def inverse_transform(self, label):
label_img = np.zeros(shape=(label.shape[0], label.shape[1],3),dtype=np.uint8)
values = list(self.clr_tab.values())
for tid,val in enumerate(values):
mask = (label==tid)
label_img[mask] = val
return label_img
''' prepareTrainIdFiles.py '''
import os
import os.path as osp
import numpy as np
from colorTransformer import ColorTransformer
from PIL import Image
clrEnc = ColorTransformer()
def prepareTrainIDForDir():
lbl_paths = "training_set/gt/semantic/label_images/"
saveDirPath = "training_set/gt/semantic/label_TrainId/"
for lbl_p in os.listdir(lbl_paths):
print(lbl_p)
lbl_path = lbl_paths + lbl_p
trainId_path = saveDirPath + lbl_p
gt = np.array(Image.open(lbl_path))
trainId = clrEnc.transform(gt, dtype=np.uint8)
Image.fromarray(trainId).save(trainId_path)
if __name__=='__main__':
prepareTrainIDForDir()

需要根据自己存放的路径调整lbl_paths,并且需要提前建立好掩模图像的保存文件夹,根据路径调整saveDirPath变量。
生成的掩模图如下:
Semantic Drone Dataset(语义无人机数据集)使用方法「建议收藏」
如果想从掩膜图片中恢复出label图,可以通过以下代码:

''' transformertest.py '''
import os
import os.path as osp
import numpy as np
from colorTransformer import ColorTransformer
from PIL import Image
clrEnc = ColorTransformer()
def prepareTrainIDForDir():
lbl_paths = "598.png"
saveDirPath = "training_set/gt/semantic/label_TrainId/598.png"
gt = np.array(Image.open(saveDirPath))
trainId = clrEnc.inverse_transform(gt)
Image.fromarray(trainId).save(lbl_paths)
if __name__=='__main__':
prepareTrainIDForDir()

使用前需要修改路径,此代码只实现了单张图上色,可以根据需要改成批量处理的代码。如根据上述掩码图重新生成标签图,得到如下图像,与ground truth 没有差别。
在这里插入图片描述

数据集加载 dataloader写法(基于pytorch)

''' dataset.py '''
# camera-ready
import torch
import torch.utils.data
import numpy as np
import cv2
import os
class DatasetTrain(torch.utils.data.Dataset):
def __init__(self, base_dir):
self.base_dir = base_dir
self.img_dir = base_dir + "images/"
self.label_dir = base_dir + "gt/semantic/label_TrainId/"
self.new_img_h = 512
self.new_img_w = 1024
self.examples = []
train_img_dir_path = self.img_dir
label_img__dir_path = self.label_dir
file_names = os.listdir(train_img_dir_path)
for file_name in file_names:
img_path = train_img_dir_path + file_name
label_img_path = label_img__dir_path + file_name.split(".jpg")[0] + ".png"
example = { 
}
example["img_path"] = img_path
example["label_img_path"] = label_img_path
self.examples.append(example)
self.num_examples = len(self.examples)
def __getitem__(self, index):
example = self.examples[index]
img_path = example["img_path"]
# print(img_path)
img = cv2.imread(img_path, -1) 
img = cv2.resize(img, (self.new_img_w, self.new_img_h),
interpolation=cv2.INTER_NEAREST) 
label_img_path = example["label_img_path"]
# print(label_img_path)
label_img = cv2.imread(label_img_path, cv2.IMREAD_GRAYSCALE) 
label_img = cv2.resize(label_img, (self.new_img_w, self.new_img_h),
interpolation=cv2.INTER_NEAREST) 
# normalize the img (with the mean and std for the pretrained ResNet):
img = img/255.0
img = img - np.array([0.485, 0.456, 0.406])
img = img/np.array([0.229, 0.224, 0.225]) 
img = np.transpose(img, (2, 0, 1)) 
img = img.astype(np.float32)
# convert numpy -> torch:
img = torch.from_numpy(img) 
label_img = torch.from_numpy(label_img) 
return (img, label_img)
def __len__(self):
return self.num_examples
if __name__ == "__main__":
base_dir = "training_set/"
train_dataset = DatasetTrain(base_dir = base_dir)
train_loader = torch.utils.data.DataLoader(dataset=train_dataset,
batch_size=32, shuffle=True,
num_workers=1,drop_last=True)
from torch.autograd import Variable
for step, (imgs, label_imgs) in enumerate(train_loader):
imgs = Variable(imgs).cuda() # (shape: (batch_size, 3, img_h, img_w))
# print(imgs.shape)
label_imgs = Variable(label_imgs.type(torch.LongTensor)).cuda() # (shape: (batch_size, img_h, img_w))
# print(label_imgs.shape)

需要根据自己的路径设置base_dir变量。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/170566.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)
blank

相关推荐

  • python 爬取图集谷妹子图片,按自己喜好抓取一页图片,有兴趣二次开发 抓全站

    python 爬取图集谷妹子图片,按自己喜好抓取一页图片,有兴趣二次开发 抓全站#-*-coding:utf-8-*-importrequests,time,osfromlxmlimportetreefromurllibimportrequest

  • 2018年小米高级 PHP 工程师面试题(模拟考试卷)

    2018年小米高级 PHP 工程师面试题(模拟考试卷)

  • webstorm 使用git_idea使用maven创建web项目

    webstorm 使用git_idea使用maven创建web项目JS开发神器WebStorm的使用,包括Git的配置、文件提交至Git、文件名详解等。

  • Hystrix:服务熔断

    Hystrix:服务熔断文章目录服务雪崩服务雪崩​多个微服务之间调用的时候,假设微服务A调用微服务B和微服务C,微服务B和微服务C又调用其他的微服务,这就是所谓的“扇出”,如果扇出的链路上某个微服务的调用响应时间过长,或者不可用,对微服务A的调用就会占用越来越多的系统资源,进而引起系统崩溃,所谓的“雪崩效应”。​对于高流量的应用来说,单一的后端依赖可能会导致所有服务器上的所有资源都在几十秒内饱和。比失败更糟糕的是,这些应用程序还可能导致服务之间的延迟增加,备份队列,线程和其他系统资源紧张,导致整个系统发生更多的级联故障,

    2022年10月21日
  • 矩阵范数与矩阵的模

    矩阵范数与矩阵的模我的机器学习教程「美团」算法工程师带你入门机器学习已经开始更新了,欢迎大家订阅~任何关于算法、编程、AI行业知识或博客内容的问题,可以随时扫码关注公众号「图灵的猫」,加入”学习小组“,沙雕博主在线答疑~此外,公众号内还有更多AI、算法、编程和大数据知识分享,以及免费的SSR节点和学习资料。其他平台(知乎/B站)也是同名「图灵的猫」,不要迷路哦~矩…

  • 用js如何实现省市联动_django跨域问题

    用js如何实现省市联动_django跨域问题1、Control层///<summary>///action方法根据省份编号返回json形式的城市信息///</summary>///<paramname="p">省份编号</param>///<returns></r..

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号