图像分类学的差不多了，最近开始学一下目标检测，记录一下学习的过程。首先打算复现一下YOLO系列的算法，先从简单的yolo v1开始。
yolov1论文地址：https://arxiv.org/pdf/1506.02640.pdf
网络结构：
yolo是一个一阶段的端到端的算法，检测速度会比RCNN系列快很多，网络是一个24层的卷积层，最后的输出是一个7 _7_30的tensor，这是原文中作者设定的，讲一张图片划分为7 _7的grid，也就是待检测目标的中心点，也就是锚框。每个锚框预测两个bounding box。所以输出是7_7 _30的tensor，7_7就是锚框数量，30是20+5+5，其中20维是object的类别对应的概率，因为是用的是VOC2012数据集，5是每一个Bounding box的输出，包含（class，centre x，centre y，height，width）。yolo中作者是把目标检测当做一个多维度输出的回归问题。
; VOC 2012
这个数据集基本上是目标检测，语义分割学习和研究绕不开的数据集。下载地址：https://pjreddie.com/projects/pascal-voc-dataset-mirror/
下载解压后数据集长这样：
其中labels是我后面生成的，实际上并没有，其中目标检测对应的标注存在Annotations下面，以半结构化的XML格式存放的，长这样：
<annotation>
<folder>VOC2012folder>
<filename>2007_000027.jpgfilename>
<source>
<database>The VOC2007 Databasedatabase>
<annotation>PASCAL VOC2007annotation>
<image>flickrimage>
source>
<size>
<width>486width>
<height>500height>
<depth>3depth>
size>
<segmented>0segmented>
<object>
<name>personname>
<pose>Unspecifiedpose>
<truncated>0truncated>
<difficult>0difficult>
<bndbox>
<xmin>174xmin>
<ymin>101ymin>
<xmax>349xmax>
<ymax>351ymax>
bndbox>
<part>
<name>headname>
<bndbox>
<xmin>169xmin>
<ymin>104ymin>
<xmax>209xmax>
<ymax>146ymax>
bndbox>
part>
<part>
<name>handname>
<bndbox>
<xmin>278xmin>
<ymin>210ymin>
<xmax>297xmax>
<ymax>233ymax>
bndbox>
part>
<part>
<name>footname>
<bndbox>
<xmin>273xmin>
<ymin>333ymin>
<xmax>297xmax>
<ymax>354ymax>
bndbox>
part>
<part>
<name>footname>
<bndbox>
<xmin>319xmin>
<ymin>307ymin>
<xmax>340xmax>
<ymax>326ymax>
bndbox>
part>
object>
annotation>
标注是相当精细的，把人的手脚头等位置都标注了出来，使用的是左上坐标以及右下坐标的方式来表达bounding box，在预处理中，我们先将图片对应的标注读取出来放到txt文件中，也就是上面的labels文件夹下，方便训练的时候读取。
代码
坐标转换
我们需要将Bounding box的表示从左上右下坐标的表示法转换成中心坐标和高宽的方式。
python
def corner_to_centre(size, box):
"""将bbox的表示形式从左上右下的点转换为中心点以及宽高的方式"""
dw = 1.0 / size[0]
dh = 1.0 / size[1]
x = (box[0] + box[1]) / 2.0
y = (box[2] + box[3]) / 2.0
h = box[3] - box[2]
w = box[1] - box[0]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return (x, y, w, h)
将label从xml文件转到txt文件中
def convert_annotation_to_txt(image_id):
"""把图像image_id的xml标注文件转换为目标检测需要的label文件（txt）
其中包含有多行，每行表示一个object，包含类别信息，以及bbox的中心坐标以及
宽和高，并将四个物理量归一化
"""
inflie = open(dataset_path + "/%s" % (image_id))
image_id = image_id.split('.')[0]
out_file = open('VOC2012/labels/%s.txt' % image_id, 'w')
tree = ET.parse(inflie)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in CLASSES or int(difficult) == 1:
continue
cls_id = CLASSES.index(cls)
xmlbox = obj.find('bndbox')
points = (float(xmlbox.find('xmin').text),
float(xmlbox.find('xmax').text),
float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text),
)
res = corner_to_centre((w, h), points)
print(res)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in res]) + '\n')
遍历文件
def make_label_txt():
"""在 labels文件夹下创建image_id.txt，对应每个image_id.xml提取出的bbox信息"""
filenames = os.listdir(dataset_path)
print(filenames)
for filename in filenames:
print(filename)
convert_annotation_to_txt(filename)
make_label_txt()
经过上面的处理之后，就把图像的标注写到对应的txt文件中了，文件可能有多行，因为没张图片包含的object数目不固定。
7 0.508 0.505464480874317 0.98 0.4262295081967213
7 0.903 0.5819672131147541 0.122 0.07103825136612021
7 0.736 0.5614754098360656 0.17200000000000001 0.09562841530054644
每行的第一个数目表示物体类别的索引，2，3表示中心坐标，4，5表示高宽值，四个值一起表示bounding box的位置，值都做了归一化处理。
可视化显示label的转换看是否能还原回去。
import os
import shlex
import cv2
CLASSES = ['person', 'bird', 'cat', 'cow', 'dog', 'horse', 'sheep',
'aeroplane', 'bicycle', 'boat', 'bus', 'car', 'motorbike', 'train',
'bottle', 'chair', 'dining table', 'potted plant', 'sofa', 'tvmonitor']
data_path = r'VOC2012/JPEGImages'
def show_labels_img(imgname):
"""imgname是图象下标"""
img = cv2.imread(data_path + '/' + imgname + '.jpg')
h, w = img.shape[:2]
print(w,h)
print(w,h)
label = []
with open('VOC2012/labels/' + imgname + '.txt','r') as f:
for label in f:
label = label.split(' ')
label = [float(x.strip()) for x in label]
pt1 = (int(label[1] * w - label[3] * w / 2), int(label[2] * h - label[4] * h / 2))
pt2 = (int(label[1] * w + label[3] * w / 2), int(label[2] * h + label[4] * h / 2))
cv2.putText(img, CLASSES[int(label[0])], pt1, cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255))
cv2.rectangle(img, pt1, pt2, (0, 0, 255, 2))
cv2.imshow('img', img)
cv2.waitKey(0)
show_labels_img('2007_000033')
Original: https://blog.csdn.net/lwf1881/article/details/121597330
Author: spectrelwf
Title: Pytorch：yolov1系列（1）读取VOC2012数据集的目标检测标注
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/686322/
转载文章受原作者版权保护。转载请注明原作者出处！