📦数据准备

使用公共数据集

PASCAL VOC格式

PASCAL VOC格式的目标检测任务标注文件采用XML格式，其中包含了每个目标的位置、类别、难度等信息。具体来说，标注文件中每个目标的信息包括以下几个部分：

1. 目标类别：标注文件中，每个目标都会被赋予一个类别，例如人、狗、汽车等。在XML文件中，类别信息通常保存在<name>标签中。

2. 目标边界框：对于目标检测任务，每个目标都会被框定一个边界框，用于表示目标在图像中的位置和大小。边界框通常由四个坐标值表示，即左上角和右下角的(x,y)坐标值。在XML文件中，边界框信息通常保存在<bndbox>标签中，其中包括<xmin>、<ymin>、<xmax>、<ymax>四个子标签，分别表示边界框的左上角和右下角的x、y坐标值。

3. 目标难度：对于目标检测任务，标注文件中还可能包含目标的难度信息，用于表示该目标在图像中的难易程度。通常，难度信息包括三个等级：easy、medium、hard，分别表示目标在图像中的大小、遮挡程度和视角变化程度等因素的影响程度。

YOLO格式

YOLO格式的数据集特点是将图像和标注信息保存在一个文本文件中，方便数据的读取和处理。具体来说，YOLO格式数据集中的每个图像对应一个文本文件，文件名与图像文件名相同，只是后缀名为.txt。文本文件中包含了每个目标的类别、边界框位置和大小等信息。具体格式如下：

<object-class> <x> <y> <width> <height>

其中，<object-class>表示目标的类别，是一个整数值，对应于数据集中的类别标签；<x>和<y>表示目标边界框的中心点在图像中的相对位置，是一个0到1之间的浮点数；<width>和<height>表示目标边界框的宽度和高度在图像中的相对大小，也是0到1之间的浮点数。这些信息以空格分隔，每行表示一个目标。

与其他数据集格式相比，YOLO格式的数据集具有以下优点：

1. 方便读取和处理：YOLO格式的数据集将图像和标注信息保存在同一个文本文件中，方便研究者和开发者进行数据读取和处理。

2. 易于扩展：YOLO格式的数据集可以很容易地扩展到新的类别和数据集，只需添加新的类别标签和对应的标注信息即可。

3. 适用于实时检测：YOLO算法本身就是一种实时目标检测算法，采用YOLO格式的数据集可以更好地适应实时检测的需求。

MS COCO格式

COCO格式的数据集主要包括以下几个文件：

1. train2017/和val2017/文件夹：包含训练集和验证集的图像文件，每个文件名对应一个唯一的图像ID。

2. annotations/instances_train2017.json和annotations/instances_val2017.json文件：包含训练集和验证集的目标实例标注信息，以JSON格式保存。

3. annotations/instances_train2017.json和annotations/instances_val2017.json文件：包含训练集和验证集的图像信息，以JSON格式保存。

COCO格式的数据集中的每个目标实例都包含以下信息：

1. id：目标实例的唯一标识符。

2. image_id：目标实例所属的图像ID。

3. category_id：目标实例的类别ID。

4. bbox：目标实例的边界框信息，包括左上角的坐标和宽度、高度。

5. area：目标实例的面积。

6. iscrowd：目标实例是否是一组对象。

制作自己的数据集

安装标注工具

可以使用labelimg标注数据

pip install labelimg

建议“拥抱”Segment Anything，高效依托SAM实现半自动标注

GitHub - zhouayi/SAM-Tool: 利用Segment Anything(SAM)模型进行快速标注GitHub

数据标注方法

LabelImg是一个用于图像标注的开源工具，可以用于创建图像分类、检测和分割等任务的标注数据。以下是LabelImg的使用方法：

1. 下载并安装LabelImg软件。

2. 打开LabelImg软件，点击“Open Dir”按钮选择要标注的图像文件夹。

3. 在左侧的列表中选择要标注的图像，然后点击“Create RectBox”按钮开始标注。

4. 在图像上用鼠标拖拽创建矩形框来标注物体，可以使用“Create Circle”、“Create Line”等按钮创建其他形状的标注。

5. 在标注框上方的“Label”下拉菜单中选择物体类别，并可以在“Annotations”列表中查看已标注的物体。

6. 可以使用“Next Image”、“Prev Image”等按钮切换到下一张或上一张图像进行标注。

7. 完成标注后，点击“Save”按钮保存标注结果，标注结果将保存为XML或YAML格式的文件。

8. 可以使用“View”菜单中的“Auto Save Mode”选项开启自动保存模式，以便在标注过程中自动保存标注结果。

9. 可以使用“View”菜单中的“Change Save Dir”选项更改标注结果保存的文件夹。

10. 可以使用“View”菜单中的“Zoom In”、“Zoom Out”等选项调整图像的缩放比例，以便更好地标注物体。

数据集准备

本文使用VOC格式进行训练，训练前需要自己制作好数据集。

coco、yolo等格式数据可使用data_process文件夹下的代码做格式转换。 建议将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中；将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。