三、计算机视觉_10经典的数据集与目标检测数据标注格式

1、三大经典的数据集

在计算机视觉领域中，有三个非常著名且常用的数据集，分别是ImageNet、MS COCO和PASCAL VOC

1.1 ImageNet

• 来源：由斯坦福大学的研究者李飞飞等人领导的团队创建
• 分类数量：包含1000个类别，每个类别大约有1000张图像，总共超过100万张经过标注的图像
• 用途：主要用于图像分类任务，但也被用于其他任务，如目标检测和深度学习模型的预训练
• 特点：ImageNet数据集的规模和多样性使其成为计算机视觉领域，尤其是深度学习领域中最重要的数据集之一，它推动了图像识别技术的发展，并被用于一年一度的ImageNet大规模视觉识别挑战（ILSVRC）

1.2 MS COCO

• 来源： 微软于2014年出资标注的Microsoft COCO数据集（Microsoft Common Objects in Context）
• 分类数量：包含80个类别，超过33万张图片，其中20万张有标注，整个数据集中个体的数目超过150万个，覆盖了日常生活中的常见物体
• 用途：支持多种视觉任务，包括目标检测、实例分割、语义分割和关键点检测
• 特点：MS COCO数据集以其复杂的日常场景和详尽的标注而闻名。它不仅提供了目标的边界框，还包括了目标的分割掩码和关键点标注，适合进行更高级的计算机视觉任务。

1.3 PASCAL VOC

• 来源： 由欧盟资助的PASCAL2 Network of Excellence on Pattern Analysis, Statistical Modelling and Computational Learning项目
• 分类数量：包含20个类别，11530张图片，总共27450个ROI标注对象和6929个分割标注
• 用途：最初是为了图像分类任务而创建的，后来扩展到目标检测、实例分割和语义分割任务
• 特点：PASCAL VOC数据集是计算机视觉领域较早的数据集之一，对目标检测技术的发展有重要影响，它包含的图像数量相对较少，但每个图像都经过了精心的标注，适合用于算法的验证和测试

2、三种经典的目标检测数据标注格式

目标检测的数据标注格式对于训练和评估目标检测模型至关重要，它提供了一种标准化的方式来定义图像中目标对象的位置，从而帮助模型更好地学习和识别目标物体，以此提高算法的准确性和泛化能力‌

常见的数据标注格式有yolo（.txt）、coco（.json）、voc（.xml）这三种，三种格式之间也可以通过一定的代码进行互相转换

2.1 YOLO格式

• 文件类型：使用.txt文件存储标注信息
• 坐标表示：使用相对坐标，通过cls_id, x_center, y_center, w, h表示，其中： - cls_id是类别ID- x_center, y_center是框中心点的坐标（这个坐标是一个相对坐标，即：相对于图像宽度和高度的百分比）- w, h是框的宽度和高度
• 特点：YOLO格式的相对坐标表示使得模型对图像尺寸变化更加鲁棒，适合于YOLO（You Only Look Once）目标检测算法

2.2 COCO格式

• 文件类型：使用.json文件存储标注信息
• 坐标表示：使用原始坐标（像素值），通过x, y, width, height表示，其中： - x, y是框中心点的坐标- width, height是框的宽度和高度
• 特点：COCO格式提供了丰富的信息，包括目标的边界框、分割掩码和关键点等，适合进行多任务学习，如目标检测、实例分割、语义分割和关键点检测

2.3 VOC格式

• 文件类型：使用.xml文件存储标注信息
• 坐标表示：使用绝对坐标（像素值），通过xmin, ymin, xmax, ymax表示，其中： - xmin, ymin表示左上角的坐标- xmax, ymax表示右下角的坐标
• 特点：这种格式简单直观，易于理解和使用，是PASCAL VOC挑战赛中使用的标准格式

3、数据标注工具

尽管有上面这些标准的数据标注格式，但在标注数据时，我们通常并不是直接在标注文件中手写内容，而是通过一些可视化的工具来进行标注，让工具帮我们生成对应的标注文件内容

数据标注的可视化工具有很多，比如： labelimg、makesense、x-anylabeling等等，下面将以labelimg为例，对其安装和使用的方法进行介绍

3.1 LabelImg的安装

由于labelimg是一个很早之前就被研发出来的工具，故其对python解释器的版本有一定的要求，即：最新支持到python3.8版本

所以，我们需要安装python3.8版本的解释器，才能顺畅地进行使用

为了便于管理自己电脑的python解释器，本文将通过anacoda来进行操作演示：

Step1： 以管理员模式打开anaconda prompt

Step2： 执行如下命令，创建python3.8的环境：

conda create --name py38 python=3.8

Step3： 执行如下命令，进入刚创建的python3.8环境：

conda activate py38

Step4： 执行如下命令，安装/升级labelimg：

pip install labelimg -U

Step5： 执行如下命令，退出python3.8环境，返回base环境：

conda deactivate

3.2 LabelImg的使用

3.2.1 准备工作

在自然界中，万事万物都有类别，而我们的数据标注通常是针对具体的业务场景，业务场景中不会包含万事万物的识别

因此，我们需要先定义所需要识别的目标类别，使得我们可以在labelimg标注目标时，选择对应的类别

对于labelimg而言，类别的可选项，通常需要放到一个txt文件中，并将每个类别独占一行

以《猫和老鼠》这个动画片为例，里面经常出现汤姆猫、杰瑞鼠、斯派克狗、啄木鸟、汤姆猫的主人等生物（猫、鼠、狗、鸟、人、其他），我们可以定义一个类别标识文件（classes.txt），并填入这些类别，如下图所示：

3.2.2 开始使用

Step1： 以管理员模式打开anaconda prompt

Step2： 执行如下命令，进入之前创建的python3.8环境：

conda activate py38

Step3： 执行如下命令，进入classes.txt文件对应的目录中：

由于anaconda prompt打开后默认是在C盘，如果我们的文件在D盘（比如我的示例文件在D:\jupyterPythonCodes\CV\day14\lableimg_test），那么就需要先切换盘符，再进入对应的目录中（即：依次执行以下命令）

D:

cd D:\jupyterPythonCodes\CV\day14\lableimg_test

Step4： 执行如下命令，打开labelimg界面：

labelImg images classes.txt

Step5： 通过【Open】按钮，打开需要进行标注的图片

Step6： 通过【Create RectBox】按钮，对图片中的目标物进行边框标注，并选择对应的标签

Step7： 通过【Save】按钮，将标注格式文件保存至所需目录

备注：做目标检测的数据标注，通常产生的是与图片相对应的标注格式文件，而不是产生标注后的图片，一般都是通过【原图】+【与之相对应的标注格式文件】进行项目开发

3.3.3 常用功能

labelimg的常用功能说明如下图所示

4、三种经典的目标检测数据标注格式的内容查看

假设我们已经通过labelimg工具将一张名为《TomAndJerry.png》的图片进行了标注，并生成了TomAndJerry.txt、TomAndJerry.json、TomAndJerry.xml三种数据标注格式文件

4.1 YOLO(.txt)格式的内容查看

代码：

# 1、构建类别id与类别名称的对应关系字典
idx2label = {}
with open("classes.txt", "r", encoding="utf-8") as f1:
    for index, line in enumerate(f1):
        class_name = line.strip()
        idx2label[index] = class_name

# 2、查看YOLO格式的标注文件内容
with open(file="TomAndJerry.txt", mode="r", encoding="utf8") as f:
    lines = f.readlines()

for line in lines:
    # 分割每一行的数据，YOLO格式通常是 "class x_center y_center width height"
    parts = line.strip().split()
    # 检查分割后的数据是否包含足够的部分
    if len(parts) != 5:
        # 如果不包含5个部分，跳过这一行
        continue

    # 获取类别ID和边界框坐标
    class_id, x_center, y_center, width, height = parts

    # 将字符串转换为浮点数
    class_id = int(class_id)
    x_center = float(x_center)
    y_center = float(y_center)
    width = float(width)
    height = float(height)

    # 打印类别ID和边界框坐标
    print(f"Class ID: {class_id}, Class Name: {idx2label[class_id]}")
    print(f"Coordinates (x_center, y_center, width, height): ({x_center}, {y_center}, {width}, {height})")
    print("-" * 80)

输出：

4.2 COCO(.json)格式的内容查看

代码：

import json

with open(file="TomAndJerry.json", mode="r", encoding="utf8") as f:
    data = json.loads(s=f.read())

objs = data[0]

for obj in objs["annotations"]:
    label = obj["label"]
    coordinates = obj["coordinates"]
    print(label)
    print(coordinates)
    print("-" * 80)

输出：

4.3 VOC(.xml)格式的内容查看

代码：

from xml.etree import ElementTree

tree = ElementTree.parse(source="TomAndJerry.xml")
root = tree.getroot()

for obj in root.findall(path="object"):
    print(obj.find("name").text)
    xmin = float(obj.find("bndbox").find("xmin").text)
    ymin = float(obj.find("bndbox").find("ymin").text)
    xmax = float(obj.find("bndbox").find("xmax").text)
    ymax = float(obj.find("bndbox").find("ymax").text)
    print(xmin, ymin, xmax, ymax)
    print("-" * 80)

输出：