目标检测数据集 家具类 目标检测数据集制作

文章目录

• 制作自己的目标检测数据集
• 一、下载Voc数据集
• 二、安装标注工具labelimg
• 三、制作图像标签

• 1.创建一个文件夹
• 2.在当前文件夹下打开命令提示符
• 3.打开标注软件

制作自己的目标检测数据集

一、下载Voc数据集

在官网下载Voc2012数据集：

http://host.robots.ox.ac.uk/pascal/VOC/voc2012/index.html#devkit 找到–>Development Kit–>Download the training/validation data (2GB tar file)点击下载。

下载好的文件目录如下，目标检测主要用到的数据包括：

• Annotations（用来存放图像的标注信息）
• ImageSetes->Main文件夹下的
  train.txt（训练集）
  val.txt（验证集）
  traincal.txt（训练+验证集）
  txt文件中存放的是图像名称，其中train和val中的数据是互斥的。
• JPEGImages（存放所有的图像信息）

二、安装标注工具labelimg

• 图像标注的软件很多，在Github上有很多开源的项目：https://github.com/tzutalin/labelImg 官方文档有安装和使用的教程。
• Win+R打开命令提示符输入cmd，在命令窗口输入pip install labelImg进行安装
  
  安装完成后直接输入labelimg就可以了
  

三、制作图像标签

下面是一个制作图像标注的一个实例：

1.创建一个文件夹

vocdata

• Annotations（存放生成的标注文件xml）
• image（存放自己的数据集图像）
• classes.txt（写入自己要检测的目标类别）

2.在当前文件夹下打开命令提示符

1.Shift+鼠标右键，选择在此处打开Powershell(S)

2.点击左上角的文件选择打开Windows PowerShell®

打开的命令提示符窗口是蓝色的

3.打开标注软件

在命令窗口输入：

labelimg ./image ./classes.txt

./image图像路径（表示对当前文件夹下的图像进行标注）

./classes.txt类别标签路径

这样在对图像进行标注时，类别是固定的，是提前写在classes.txt文件中的类别。

• Open Dir添加要标注的存放图像的文件夹
• Change Save Dir将标注信息存放的问价夹，选择自己创建的Annotations文件夹
• Create RectBox对图像中的目标进行框选
• 右上角的difficult表示检测目标的困难程度，如果目标比较难检测就勾选上，如果目标检测比较容易就不勾选

使用下面的代码，将数据集分成训练集，验证集，训练+验证集和测试集。

import os
import random 
 
xmlfilepath=r'Annotations'
saveBasePath=r"ImageSets/Main/"
 
trainval_percent=1  # 训练+验证集的比例
train_percent=1     # 训练集的比例

temp_xml = os.listdir(xmlfilepath)
total_xml = []
for xml in temp_xml:
    if xml.endswith(".xml"):
        total_xml.append(xml)

num=len(total_xml)  
list=range(num)  
tv=int(num*trainval_percent)  
tr=int(tv*train_percent)  
trainval= random.sample(list,tv)  
train=random.sample(trainval,tr)  
 
print("train and val size",tv)
print("traub suze",tr)
ftrainval = open(os.path.join(saveBasePath,'trainval.txt'), 'w')  
ftest = open(os.path.join(saveBasePath,'test.txt'), 'w')  
ftrain = open(os.path.join(saveBasePath,'train.txt'), 'w')  
fval = open(os.path.join(saveBasePath,'val.txt'), 'w')  
 
for i  in list:  
    name=total_xml[i][:-4]+'\n'  
    if i in trainval:  
        ftrainval.write(name)  
        if i in train:  
            ftrain.write(name)  
        else:  
            fval.write(name)  
    else:  
        ftest.write(name)  
  
ftrainval.close()  
ftrain.close()  
fval.close()  
ftest .close()