3.2 目標檢測數(shù)據(jù)集VOC

本文來自開源組織 DataWhale 🐳 CV小組創(chuàng)作的目標檢測入門教程。

對應開源項目 《動手學CV-Pytorch》 的第3章的內(nèi)容，教程中涉及的代碼也可以在項目中找到，后續(xù)會持續(xù)更新更多的優(yōu)質(zhì)內(nèi)容，歡迎??。

如果使用我們教程的內(nèi)容或圖片，請在文章醒目位置注明我們的github主頁鏈接：https://github.com/datawhalechina/dive-into-cv-pytorch

3.2.1 VOC數(shù)據(jù)集簡介

VOC數(shù)據(jù)集是目標檢測領(lǐng)域最常用的標準數(shù)據(jù)集之一，幾乎所有檢測方向的論文，如faster_rcnn、yolo、SSD等都會給出其在VOC數(shù)據(jù)集上訓練并評測的效果。因此我們我們的教程也基于VOC來開展實驗，具體地，我們使用VOC2007和VOC2012這兩個最流行的版本作為訓練和測試的數(shù)據(jù)。

數(shù)據(jù)集類別

VOC數(shù)據(jù)集在類別上可以分為4大類，20小類，其類別信息如圖3-5所示。

圖3-5 VOC數(shù)據(jù)集目標類別劃分

數(shù)據(jù)集量級

VOC數(shù)量集圖像和目標數(shù)量的基本信息如下圖3-6所示:

圖3-6 VOC數(shù)據(jù)集數(shù)據(jù)量級對比

其中，Images表示圖片數(shù)量，Objects表示目標數(shù)量

數(shù)據(jù)集下載

VOC官網(wǎng)經(jīng)常上不去，為確保后續(xù)實驗準確且順利的進行，大家可以點擊這里的百度云鏈接進行下載：

🐳 VOC百度云下載鏈接 解壓碼(7aek)

下載后放到dataset目錄下解壓即可

下面是通過官網(wǎng)下載的步驟：

進入VOC官網(wǎng)鏈接：http://host.robots.ox.ac.uk/pascal/VOC/

在圖3-7所示區(qū)域找到歷年VOC挑戰(zhàn)賽鏈接，比如選擇VOC2012.

圖3-7 VOC官網(wǎng)頁面

在VOC2012頁面，找到圖3-8所示區(qū)域，點擊下載即可。

圖3-8 VOC2012數(shù)據(jù)集下載頁面

VOC2007同理進行下載即可

數(shù)據(jù)集說明

將下載得到的壓縮包解壓，可以得到如圖3-9所示的一系列文件夾，由于VOC數(shù)據(jù)集不僅被拿來做目標檢測，也可以拿來做分割等任務，因此除了目標檢測所需的文件之外，還包含分割任務所需的文件，比如SegmentationClass,SegmentationObject，這里，我們主要對目標檢測任務涉及到的文件進行介紹。

圖3-9 VOC壓縮包解壓所得文件夾示例

1.JPEGImages

這個文件夾中存放所有的圖片，包括訓練驗證測試用到的所有圖片。

2.ImageSets

這個文件夾中包含三個子文件夾，Layout、Main、Segmentation

• Layout文件夾中存放的是train，valid，test和train+valid數(shù)據(jù)集的文件名

• Segmentation文件夾中存放的是分割所用train，valid，test和train+valid數(shù)據(jù)集的文件名

• Main文件夾中存放的是各個類別所在圖片的文件名，比如cow_val，表示valid數(shù)據(jù)集中，包含有cow類別目標的圖片名稱。

3.Annotations

Annotation文件夾中存放著每張圖片相關(guān)的標注信息，以xml格式的文件存儲，可以通過記事本或者瀏覽器打開，我們以000001.jpg這張圖片為例說明標注文件中各個屬性的含義，見圖3-10。

圖3-10 VOC數(shù)據(jù)集000001.jpg圖片（左）和標注信息（右）

猛一看去，內(nèi)容又多又復雜，其實仔細研究一下，只有紅框區(qū)域內(nèi)的內(nèi)容是我們真正需要關(guān)注的。

filename：圖片名稱

size：圖片寬高，

depth表示圖片通道數(shù)

object：表示目標，包含下面兩部分內(nèi)容。

• 首先是目標類別name為dog。pose表示目標姿勢為left，truncated表示是否是一個被截斷的目標，1表示是，0表示不是，在這個例子中，只露出狗頭部分，所以truncated為1。difficult為0表示此目標不是一個難以識別的目標。

• 然后就是目標的bbox信息，可以看到，這里是以[xmin,ymin,xmax,ymax]格式進行標注的，分別表示dog目標的左上角和右下角坐標。

一張圖片中有多少需要識別的目標，其xml文件中就有多少個object。上面的例子中有兩個object，分別對應人和狗。

3.2.2 VOC數(shù)據(jù)集的dataloader的構(gòu)建

1. 數(shù)據(jù)集準備

根據(jù)上面的介紹可以看出，VOC數(shù)據(jù)集的存儲格式還是比較復雜的，為了后面訓練中的讀取代碼更加簡潔，這里我們準備了一個預處理腳本create_data_lists.py。

該腳本的作用是進行一系列的數(shù)據(jù)準備工作，主要是提前將記錄標注信息的xml文件(Annotations)進行解析，并將信息整理到json文件之中，這樣在運行訓練腳本時，只需簡單的從json文件中讀取已經(jīng)按想要的格式存儲好的標簽信息即可。

注: 這樣的預處理并不是必須的，和算法或數(shù)據(jù)集本身均無關(guān)系，只是取決于開發(fā)者的代碼習慣，不同檢測框架的處理方法也是不一致的。

可以看到，create_data_lists.py腳本僅有幾行代碼，其內(nèi)部調(diào)用了utils.py中的create_data_lists方法：

"""pythoncreate_data_lists """ from utils import create_data_listsif __name__ == '__main__':# voc07_path，voc12_path為我們訓練測試所需要用到的數(shù)據(jù)集，output_folder為我們生成構(gòu)建dataloader所需文件的路徑# 參數(shù)中涉及的路徑以個人實際路徑為準，建議將數(shù)據(jù)集放到dataset目錄下，和教程保持一致create_data_lists(voc07_path='../../../dataset/VOCdevkit/VOC2007',voc12_path='../../../dataset/VOCdevkit/VOC2012',output_folder='../../../dataset/VOCdevkit')

設置好對應路徑后，我們運行數(shù)據(jù)集準備腳本:

tiny_detector_demo$ python create_data_lists.py

很快啊！dataset/VOCdevkit目錄下就生成了若干json文件，這些文件會在后面訓練中真正被用到。

不妨手動打開這些json文件，看下都記錄了哪些信息。

下面來介紹一下parse_annotation函數(shù)內(nèi)部都做了什么，json中又記錄了哪些信息。這部分作為選學，不感興趣可以跳過，只要你已經(jīng)明確了json中記錄的信息的含義。

代碼閱讀可以參照注釋，建議配圖3-11一起食用：

"""pythonxml文件解析 """import json import os import torch import random import xml.etree.ElementTree as ET #解析xml文件所用工具 import torchvision.transforms.functional as FT#GPU設置 device = torch.device("cuda" if torch.cuda.is_available() else "cpu")# Label map #voc_labels為VOC數(shù)據(jù)集中20類目標的類別名稱 voc_labels = ('aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus', 'car', 'cat', 'chair', 'cow', 'diningtable','dog', 'horse', 'motorbike', 'person', 'pottedplant', 'sheep', 'sofa', 'train', 'tvmonitor')#創(chuàng)建label_map字典，用于存儲類別和類別索引之間的映射關(guān)系。比如：{1：'aeroplane'， 2：'bicycle'，......} label_map = {k: v + 1 for v, k in enumerate(voc_labels)} #VOC數(shù)據(jù)集默認不含有20類目標中的其中一類的圖片的類別為background，類別索引設置為0 label_map['background'] = 0#將映射關(guān)系倒過來，{類別名稱：類別索引} rev_label_map = {v: k for k, v in label_map.items()} # Inverse mapping#解析xml文件，最終返回這張圖片中所有目標的標注框及其類別信息，以及這個目標是否是一個difficult目標 def parse_annotation(annotation_path):#解析xmltree = ET.parse(annotation_path)root = tree.getroot()boxes = list() #存儲bboxlabels = list() #存儲bbox對應的labeldifficulties = list() #存儲bbox對應的difficult信息#遍歷xml文件中所有的object，前面說了，有多少個object就有多少個目標for object in root.iter('object'):#提取每個object的difficult、label、bbox信息difficult = int(object.find('difficult').text == '1')label = object.find('name').text.lower().strip()if label not in label_map:continuebbox = object.find('bndbox')xmin = int(bbox.find('xmin').text) - 1ymin = int(bbox.find('ymin').text) - 1xmax = int(bbox.find('xmax').text) - 1ymax = int(bbox.find('ymax').text) - 1#存儲boxes.append([xmin, ymin, xmax, ymax])labels.append(label_map[label])difficulties.append(difficult)#返回包含圖片標注信息的字典return {'boxes': boxes, 'labels': labels, 'difficulties': difficulties}

看了上面的代碼如果還不太明白，試試結(jié)合這張圖理解下:

圖3-11 xml解析流程圖

接下來看一下create_data_lists函數(shù)在做什么，建議配圖3-12一起食用：

"""python分別讀取train和valid的圖片和xml信息，創(chuàng)建用于訓練和測試的json文件 """ def create_data_lists(voc07_path, voc12_path, output_folder):"""Create lists of images, the bounding boxes and labels of the objects in these images, and save these to file.:param voc07_path: path to the 'VOC2007' folder:param voc12_path: path to the 'VOC2012' folder:param output_folder: folder where the JSONs must be saved"""#獲取voc2007和voc2012數(shù)據(jù)集的絕對路徑voc07_path = os.path.abspath(voc07_path)voc12_path = os.path.abspath(voc12_path)train_images = list()train_objects = list()n_objects = 0# Training datafor path in [voc07_path, voc12_path]:# Find IDs of images in training data#獲取訓練所用的train和val數(shù)據(jù)的圖片idwith open(os.path.join(path, 'ImageSets/Main/trainval.txt')) as f:ids = f.read().splitlines()#根據(jù)圖片id，解析圖片的xml文件，獲取標注信息for id in ids:# Parse annotation's XML fileobjects = parse_annotation(os.path.join(path, 'Annotations', id + '.xml'))if len(objects['boxes']) == 0: #如果沒有目標則跳過continuen_objects += len(objects) #統(tǒng)計目標總數(shù)train_objects.append(objects) #存儲每張圖片的標注信息到列表train_objectstrain_images.append(os.path.join(path, 'JPEGImages', id + '.jpg')) #存儲每張圖片的路徑到列表train_images，用于讀取圖片assert len(train_objects) == len(train_images) #檢查圖片數(shù)量和標注信息量是否相等，相等才繼續(xù)執(zhí)行程序# Save to file#將訓練數(shù)據(jù)的圖片路徑，標注信息，類別映射信息，分別保存為json文件with open(os.path.join(output_folder, 'TRAIN_images.json'), 'w') as j:json.dump(train_images, j)with open(os.path.join(output_folder, 'TRAIN_objects.json'), 'w') as j:json.dump(train_objects, j)with open(os.path.join(output_folder, 'label_map.json'), 'w') as j:json.dump(label_map, j) # save label map tooprint('\nThere are %d training images containing a total of %d objects. Files have been saved to %s.' % (len(train_images), n_objects, os.path.abspath(output_folder)))#與Train data一樣，目的是將測試數(shù)據(jù)的圖片路徑，標注信息，類別映射信息，分別保存為json文件，參考上面的注釋理解# Test datatest_images = list()test_objects = list()n_objects = 0# Find IDs of images in the test datawith open(os.path.join(voc07_path, 'ImageSets/Main/test.txt')) as f:ids = f.read().splitlines()for id in ids:# Parse annotation's XML fileobjects = parse_annotation(os.path.join(voc07_path, 'Annotations', id + '.xml'))if len(objects) == 0:continuetest_objects.append(objects)n_objects += len(objects)test_images.append(os.path.join(voc07_path, 'JPEGImages', id + '.jpg'))assert len(test_objects) == len(test_images)# Save to filewith open(os.path.join(output_folder, 'TEST_images.json'), 'w') as j:json.dump(test_images, j)with open(os.path.join(output_folder, 'TEST_objects.json'), 'w') as j:json.dump(test_objects, j)print('\nThere are %d test images containing a total of %d objects. Files have been saved to %s.' % (len(test_images), n_objects, os.path.abspath(output_folder)))

同樣，建議配圖食用：

圖3-12 數(shù)據(jù)準備流程圖（以train_dataset為例）

到這里，我們的訓練數(shù)據(jù)就準備好了，接下來開始一步步構(gòu)建訓練所需的dataloader吧！

2.構(gòu)建dataloader

在這里，我們假設你對Pytorch的 Dataset 和 DataLoader 兩個概念有最基本的了解。

如果沒有，也不必擔心，你可以先閱讀一下第2-1節(jié)數(shù)據(jù)讀取與數(shù)據(jù)擴增，進行簡單的了解。

下面開始介紹構(gòu)建dataloader的相關(guān)代碼:

1.首先了解一下訓練的時候在哪里定義了dataloader以及是如何定義的。

以下是train.py中的部分代碼段：

#train_dataset和train_loader的實例化train_dataset = PascalVOCDataset(data_folder,split='train',keep_difficult=keep_difficult)train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True,collate_fn=train_dataset.collate_fn, num_workers=workers,pin_memory=True) # note that we're passing the collate function here

可以看到，首先需要實例化PascalVOCDataset類得到train_dataset，然后將train_dataset傳入torch.utils.data.DataLoader，進而得到train_loader。

2.接下來看一下PascalVOCDataset是如何定義的。

代碼位于 datasets.py 腳本中，可以看到，PascalVOCDataset繼承了torch.utils.data.Dataset，然后重寫了__init__ , __getitem__, __len__ 和 collate_fn 四個方法，這也是我們在構(gòu)建自己的dataset的時候需要經(jīng)常做的工作，配合下面注釋理解代碼：

"""pythonPascalVOCDataset具體實現(xiàn)過程 """ import torch from torch.utils.data import Dataset import json import os from PIL import Image from utils import transformclass PascalVOCDataset(Dataset):"""A PyTorch Dataset class to be used in a PyTorch DataLoader to create batches."""#初始化相關(guān)變量#讀取images和objects標注信息def __init__(self, data_folder, split, keep_difficult=False):""":param data_folder: folder where data files are stored:param split: split, one of 'TRAIN' or 'TEST':param keep_difficult: keep or discard objects that are considered difficult to detect?"""self.split = split.upper() #保證輸入為純大寫字母，便于匹配{'TRAIN', 'TEST'}assert self.split in {'TRAIN', 'TEST'}self.data_folder = data_folderself.keep_difficult = keep_difficult# Read data fileswith open(os.path.join(data_folder, self.split + '_images.json'), 'r') as j:self.images = json.load(j)with open(os.path.join(data_folder, self.split + '_objects.json'), 'r') as j:self.objects = json.load(j)assert len(self.images) == len(self.objects)#循環(huán)讀取image及對應objects#對讀取的image及objects進行tranform操作（數(shù)據(jù)增廣）#返回PIL格式圖像，標注框，標注框?qū)念悇e索引，對應的difficult標志(True or False)def __getitem__(self, i):# Read image#*需要注意，在pytorch中，圖像的讀取要使用Image.open()讀取成PIL格式，不能使用opencv#*由于Image.open()讀取的圖片是四通道的(RGBA)，因此需要.convert('RGB')轉(zhuǎn)換為RGB通道image = Image.open(self.images[i], mode='r')image = image.convert('RGB')# Read objects in this image (bounding boxes, labels, difficulties)objects = self.objects[i]boxes = torch.FloatTensor(objects['boxes']) # (n_objects, 4)labels = torch.LongTensor(objects['labels']) # (n_objects)difficulties = torch.ByteTensor(objects['difficulties']) # (n_objects)# Discard difficult objects, if desired#如果self.keep_difficult為False,即不保留difficult標志為True的目標#那么這里將對應的目標刪去if not self.keep_difficult:boxes = boxes[1 - difficulties]labels = labels[1 - difficulties]difficulties = difficulties[1 - difficulties]# Apply transformations#對讀取的圖片應用transformimage, boxes, labels, difficulties = transform(image, boxes, labels, difficulties, split=self.split)return image, boxes, labels, difficulties#獲取圖片的總數(shù)，用于計算batch數(shù)def __len__(self):return len(self.images)#我們知道，我們輸入到網(wǎng)絡中訓練的數(shù)據(jù)通常是一個batch一起輸入，而通過__getitem__我們只讀取了一張圖片及其objects信息#如何將讀取的一張張圖片及其object信息整合成batch的形式呢？#collate_fn就是做這個事情，#對于一個batch的images，collate_fn通過torch.stack()將其整合成4維tensor，對應的objects信息分別用一個list存儲def collate_fn(self, batch):"""Since each image may have a different number of objects, we need a collate function (to be passed to the DataLoader).This describes how to combine these tensors of different sizes. We use lists.Note: this need not be defined in this Class, can be standalone.:param batch: an iterable of N sets from __getitem__():return: a tensor of images, lists of varying-size tensors of bounding boxes, labels, and difficulties"""images = list()boxes = list()labels = list()difficulties = list()for b in batch:images.append(b[0])boxes.append(b[1])labels.append(b[2])difficulties.append(b[3])#(3,224,224) -> (N,3,224,224)images = torch.stack(images, dim=0)return images, boxes, labels, difficulties # tensor (N, 3, 224, 224), 3 lists of N tensors each

3.關(guān)于數(shù)據(jù)增強

到這里為止，我們的dataset就算是構(gòu)建好了，已經(jīng)可以傳給torch.utils.data.DataLoader來獲得用于輸入網(wǎng)絡訓練的數(shù)據(jù)了。

但是不急，構(gòu)建dataset中有個很重要的一步我們上面只是提及了一下，那就是transform操作(數(shù)據(jù)增強)。

也就是這一行代碼

image, boxes, labels, difficulties = transform(image, boxes, labels, difficulties, split=self.split)

這部分比較重要，但是涉及代碼稍多，對于基礎較薄弱的伙伴可以作為選學內(nèi)容，后面再認真讀代碼。你只需知道，同分類網(wǎng)絡一樣，訓練目標檢測網(wǎng)絡同樣需要進行數(shù)據(jù)增強，這對提升網(wǎng)絡精度和泛化能力很有幫助。

需要注意的是，涉及位置變化的數(shù)據(jù)增強方法，同樣需要對目標框進行一致的處理，因此目標檢測框架的數(shù)據(jù)處理這部分的代碼量通常都不小，且比較容易出bug。這里為了降低代碼的難度，我們只是使用了幾種比較簡單的數(shù)據(jù)增強。

transform 函數(shù)的具體代碼實現(xiàn)位于 utils.py 中，下面簡單進行講解：

"""pythontransform操作是訓練模型中一項非常重要的工作，其中不僅包含數(shù)據(jù)增強以提升模型性能的相關(guān)操作，也包含如數(shù)據(jù)類型轉(zhuǎn)換(PIL to Tensor)、歸一化(Normalize)這些必要操作。 """ import json import os import torch import random import xml.etree.ElementTree as ET import torchvision.transforms.functional as FT""" 可以看到，transform分為TRAIN和TEST兩種模式，以本實驗為例：在TRAIN時進行的transform有： 1.以隨機順序改變圖片亮度，對比度，飽和度和色相，每種都有50％的概率被執(zhí)行。photometric_distort 2.擴大目標，expand 3.隨機裁剪圖片，random_crop 4.0.5的概率進行圖片翻轉(zhuǎn)，flip *注意：a. 第一種transform屬于像素級別的圖像增強，目標相對于圖片的位置沒有改變，因此bbox坐標不需要變化。但是2，3，4，5都屬于圖片的幾何變化，目標相對于圖片的位置被改變，因此bbox坐標要進行相應變化。在TRAIN和TEST時都要進行的transform有： 1.統(tǒng)一圖像大小到(224,224)，resize 2.PIL to Tensor 3.歸一化，FT.normalize()注1: resize也是一種幾何變化，要知道應用數(shù)據(jù)增強策略時，哪些屬于幾何變化，哪些屬于像素變化 注2: PIL to Tensor操作，normalize操作必須執(zhí)行 """def transform(image, boxes, labels, difficulties, split):"""Apply the transformations above.:param image: image, a PIL Image:param boxes: bounding boxes in boundary coordinates, a tensor of dimensions (n_objects, 4):param labels: labels of objects, a tensor of dimensions (n_objects):param difficulties: difficulties of detection of these objects, a tensor of dimensions (n_objects):param split: one of 'TRAIN' or 'TEST', since different sets of transformations are applied:return: transformed image, transformed bounding box coordinates, transformed labels, transformed difficulties"""#在訓練和測試時使用的transform策略往往不完全相同，所以需要split變量指明是TRAIN還是TEST時的transform方法assert split in {'TRAIN', 'TEST'}# Mean and standard deviation of ImageNet data that our base VGG from torchvision was trained on# see: https://pytorch.org/docs/stable/torchvision/models.html#為了防止由于圖片之間像素差異過大而導致的訓練不穩(wěn)定問題，圖片在送入網(wǎng)絡訓練之間需要進行歸一化#對所有圖片各通道求mean和std來獲得mean = [0.485, 0.456, 0.406]std = [0.229, 0.224, 0.225]new_image = imagenew_boxes = boxesnew_labels = labelsnew_difficulties = difficulties# Skip the following operations for evaluation/testingif split == 'TRAIN':# A series of photometric distortions in random order, each with 50% chance of occurrence, as in Caffe reponew_image = photometric_distort(new_image)# Convert PIL image to Torch tensornew_image = FT.to_tensor(new_image)# Expand image (zoom out) with a 50% chance - helpful for training detection of small objects# Fill surrounding space with the mean of ImageNet data that our base VGG was trained onif random.random() < 0.5:new_image, new_boxes = expand(new_image, boxes, filler=mean)# Randomly crop image (zoom in)new_image, new_boxes, new_labels, new_difficulties = random_crop(new_image, new_boxes, new_labels,new_difficulties)# Convert Torch tensor to PIL imagenew_image = FT.to_pil_image(new_image)# Flip image with a 50% chanceif random.random() < 0.5:new_image, new_boxes = flip(new_image, new_boxes)# Resize image to (224, 224) - this also converts absolute boundary coordinates to their fractional formnew_image, new_boxes = resize(new_image, new_boxes, dims=(224, 224))# Convert PIL image to Torch tensornew_image = FT.to_tensor(new_image)# Normalize by mean and standard deviation of ImageNet data that our base VGG was trained onnew_image = FT.normalize(new_image, mean=mean, std=std)return new_image, new_boxes, new_labels, new_difficulties

4.最后，構(gòu)建DataLoader

至此，我們已經(jīng)將VOC數(shù)據(jù)轉(zhuǎn)換成了dataset，接下來可以用來創(chuàng)建dataloader，這部分pytorch已經(jīng)幫我們實現(xiàn)好了，我們只需將創(chuàng)建好的dataset送入即可，注意理解相關(guān)參數(shù)。

"""pythonDataLoader """ #參數(shù)說明： #在train時一般設置shufle=True打亂數(shù)據(jù)順序，增強模型的魯棒性 #num_worker表示讀取數(shù)據(jù)時的線程數(shù)，一般根據(jù)自己設備配置確定（如果是windows系統(tǒng)，建議設默認值0，防止出錯） #pin_memory，在計算機內(nèi)存充足的時候設置為True可以加快內(nèi)存中的tensor轉(zhuǎn)換到GPU的速度，具體原因可以百度哈~ train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True,collate_fn=train_dataset.collate_fn, num_workers=workers,pin_memory=True) # note that we're passing the collate function here

3.2.3 小結(jié)

到這里，這一小節(jié)的內(nèi)容就介紹完了。

回顧下，本節(jié)中，我們首先介紹了VOC數(shù)據(jù)集的基本信息以及如何下載，隨后我們介紹了和讀取VOC數(shù)據(jù)集的相關(guān)代碼。

萬事俱備，只欠模型～

總結(jié)

以上是生活随笔為你收集整理的动手学CV-目标检测入门教程2：VOC数据集的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。