USB迷 | 专注于互联网分享

    最新消息： USBMI致力于为网友们分享Windows、安卓、IOS等主流手机系统相关的资讯以及评测、同时提供相关教程、应用、软件下载等服务。
    你的位置： 首页 > 互联网 > UA

    UA

    互联网 admin 10浏览 0评论

    UA

    UA-DETRAC BITVehicle车辆检测数据集(含下载地址)

    目录

    UA-DETRAC BITVehicle车辆检测数据集使用说明和下载

    一、车辆检测数据集介绍

    1. UA-DETRAC车辆检测数据集 

    2. Vehicle-Dataset车辆检测数据集  

    3.BIT-Vehicle车辆检测数据集  

    二.车辆检测数据集下载地址

    1. UA-DETRAC车辆检测数据集

    2.  Vehicle-Dataset车辆检测数据集

    3.  BITVehicle车辆检测数据集

    三.基于YOLOv5的车辆检测(Python)

    四.手机实现车辆检测(Android)

    考虑到自动驾驶算法开发，经常要用到车辆检测数据集；这里分享鄙人整合的三个车辆检测数据集：UA-DETRAC，Vehicle-Dataset和BIT-Vehicle车辆检测数据集

    【尊重原则，转载请注明出处】：

    更多项目《智能驾驶 车牌检测和识别》系列文章请参考：

    1. 智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》：
    2. 智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》：
    3. 智能驾驶 车牌检测和识别（三）《CRNN和LPRNet实现车牌识别（含车牌识别数据集和训练代码）》：
    4. 智能驾驶 车牌检测和识别（四）《Android实现车牌检测和识别（可实时车牌识别）》：
    5. 智能驾驶 车牌检测和识别（五）《C++实现车牌检测和识别（可实时车牌识别）》：
    6. 智能驾驶 红绿灯检测（一）《红绿灯(交通信号灯)数据集》：
    7. 智能驾驶 红绿灯检测（二）《YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码)》：
    8. 智能驾驶 红绿灯检测（三）《Android实现红绿灯检测(含Android源码 可实时运行)》：

    9. 智能驾驶 车辆检测（一）《UA-DETRAC BITVehicle车辆检测数据集》：

    10. 智能驾驶 车辆检测（二）《YOLOv5实现车辆检测(含车辆检测数据集+训练代码)》：

    11. 智能驾驶 车辆检测（三）《Android实现车辆检测(含Android源码 可实时运行)》：

    一、车辆检测数据集介绍

    1. UA-DETRAC车辆检测数据集 

    UA-DETRAC 是一个具有挑战性的现实世界多目标检测和多目标跟踪基准。该数据集包含使用佳能 EOS 550D 相机在中国北京和天津的 24 个不同地点拍摄的 10 小时视频。视频以每秒 25 帧 (fps) 的速度录制，分辨率为 960×540 像素。UA-DETRAC 数据集中有超过 14 万帧和 8250 辆手动标注的车辆，总共有 121 万个标记的对象边界框，其中训练集约82085张图片，测试集约56167张图片。该数据集可用于多目标检测和多目标跟踪算法开发。

     官方网站：The UA-DETRAC Benchmark Suite

    下图展示了 DETRAC 数据集中带注释的帧。边界框的颜色反映遮挡状态，包括完全可见（红色）、部分被其他车辆遮挡（蓝色）或部分被背景遮挡（粉红色）。车辆 ID、方向、车辆类型和截断率显示在边界框中。其中浅灰色区域代表被忽略区域，这在基准测试中会被忽略。另外在每帧的左下角还显示了天气状况、摄像头状态和车辆密度。

    • 车辆类别   我们将车辆分为四类，即小汽车（car）、公共汽车（bus）、货车（van）和其他（others）。
    • 天气   我们考虑四类天气条件，即多云、夜晚、晴天和下雨。
    • 比例   我们将带注释的车辆的比例定义为其面积的平方根（以像素为单位）。我们将车辆分为三个等级：小型（0-50 像素）、中型（50-150 像素）和大型（超过 150 像素）。
    • 遮挡率   我们使用被遮挡的车辆边界框的分数来定义遮挡程度。我们将遮挡程度分为三类：无遮挡、部分遮挡和严重遮挡。具体来说，我们定义部分遮挡，如果车辆的遮挡率在 1%-50% 之间，如果遮挡率大于 50%，则定义为重度遮挡。
    • 截断率   截断率表示车辆部件超出框架的程度，用于训练样本选择。

    为了方便可视化DETRAC数据集的目标检测框的效果，这里提供一个可视化Python脚本

    需要用的几个python依赖包，pip安装即可:

        pip install pybaseutilspip install xmltodict

    • 这里没有区分可见和被遮挡的车辆，统一用蓝色框表示
    • 黑色框表示被忽略的区域（ignored_region）
    • 共有四个类别：['car', 'bus', 'others', 'van']
    # -*-coding: utf-8 -*-
"""@Author : panjq@E-mail : pan_jinquan@163@Date   : 2022-10-12 16:21:55@Brief  :
"""
import os
import cv2
import xmltodict
from tqdm import tqdm
from pybaseutils.maker import maker_voc
from pybaseutils import file_utils, image_utilsdef read_xml2json(xml_file):"""import xmltodict:param xml_file::return:"""with open(xml_file, encoding='utf-8') as fd:  # 将XML文件装载到dict里面content = xmltodict.parse(fd.read())return contentdef get_objects_info(objects):"""解析标注信息"""rects = []labels = []targets = objects['target_list']['target']  # collections.OrderedDictif not isinstance(targets, list): targets = [targets]for data in targets:box = data['box']attribute = data['attribute']label = attribute['@vehicle_type']rect = [box['@left'], box['@top'], box['@width'], box['@height']]rect = [float(r) for r in rect]rects.append(rect)labels.append(label)bboxes = image_utils.rects2bboxes(rects)num = objects['@num']image_id = "img{:0=5d}.jpg".format(int(num))  # img00002.jpgreturn image_id, bboxes, labelsdef get_ignored_region(objects):"""获得ignored区域"""rects = []labels = []if not "box" in objects: return rects, labelsfor data in objects["box"]:label = "ignored_region"rect = [data['@left'], data['@top'], data['@width'], data['@height']]rect = [float(r) for r in rect]rects.append(rect)labels.append(label)bboxes = image_utils.rects2bboxes(rects)return bboxes, labelsdef show_ua_detrac_dataset(image_dir, annot_dir, out_draw="", vis=False):"""可视化车辆检测数据集class_set:['car', 'bus', 'others', 'van']:param image_dir: UA-DETRAC数据集图片(*.jpg)根目录:param annot_dir:  UA-DETRAC数据集标注文件(*.xml)根目录:param vis: 是否可视化效果"""print("image_dir:{}".format(image_dir))print("annot_dir:{}".format(annot_dir))xml_list = file_utils.get_files_list(annot_dir, postfix=["*.xml"])class_set = []for annot_file in tqdm(xml_list):print(annot_file)# 将xml转换为OrderedDict格式，方便解析annotations = read_xml2json(annot_file)subname = annotations['sequence']['@name']  # UA-DETRAC子目录# 被忽略的区域ignore_bboxes, ignore_labels = get_ignored_region(annotations['sequence']['ignored_region'])# 遍一帧图像，获得车辆目标框frame_info = annotations['sequence']['frame']for i in range(len(frame_info)):image_name, bboxes, labels = get_objects_info(frame_info[i])image_id = image_name.split(".")[0]image_file = os.path.join(image_dir, subname, image_name)class_set = labels + class_setclass_set = list(set(class_set))if not os.path.exists(image_file):print("not exist:{}".format(image_file))continueimage = cv2.imread(image_file)image = image_utils.draw_image_bboxes_text(image, ignore_bboxes, ignore_labels,color=(10, 10, 10), thickness=2, fontScale=1.0)image = image_utils.draw_image_bboxes_text(image, bboxes, labels,color=(255, 0, 0), thickness=2, fontScale=1.0)if out_draw:dst_file = file_utils.create_dir(out_draw, None, "{}_{}.jpg".format(subname, image_id))cv2.imwrite(dst_file, image)if vis:image_utils.cv_show_image("det", image, use_rgb=False)print("class_set:{}".format(class_set))if __name__ == "__main__":"""pip install pybaseutilspip install xmltodict"""image_dir = "UA-DETRAC/DETRAC-train-data/Insight-MVT_Annotation_Train"annot_dir = "UA-DETRAC/DETRAC-Train-Annotations-XML"out_draw = os.path.join(os.path.dirname(image_dir), "result")show_ua_detrac_dataset(image_dir, annot_dir, out_draw=out_draw, vis=True)

    目标检测中，我们常使用VOC数据格式，这里实现将UA-DETRAC数据集转换为VOC数据格式,

    需要特别注意的是：

    • 这里没有区分可见和被遮挡的车辆，按照原始标注，分为四个类别：['car', 'bus', 'others', 'van']
    • 原始标注文档中的ignored_region表示被忽略区域，即使有车辆，也没有检测框，因此转换VOC格式时，这部分也被忽略了（由于ignored_region也可能存在车辆，因此对目标检测会有点影响）
    • 很可惜，UA-DETRAC没有标注非机动车（如摩托车，三轮车，电动车）都没有标注
    # -*-coding: utf-8 -*-
"""@Author : panjq@E-mail : pan_jinquan@163@Date   : 2022-10-12 16:21:55@Brief  :
"""
import os
import cv2
import xmltodict
from tqdm import tqdm
from pybaseutils.maker import maker_voc
from pybaseutils import file_utils, image_utilsdef read_xml2json(xml_file):"""import xmltodict:param xml_file::return:"""with open(xml_file, encoding='utf-8') as fd:  # 将XML文件装载到dict里面content = xmltodict.parse(fd.read())return contentdef get_objects_info(objects):"""解析标注信息"""rects = []labels = []targets = objects['target_list']['target']  # collections.OrderedDictif not isinstance(targets, list): targets = [targets]for data in targets:box = data['box']attribute = data['attribute']label = attribute['@vehicle_type']rect = [box['@left'], box['@top'], box['@width'], box['@height']]rect = [float(r) for r in rect]rects.append(rect)labels.append(label)bboxes = image_utils.rects2bboxes(rects)num = objects['@num']image_id = "img{:0=5d}.jpg".format(int(num))  # img00002.jpgreturn image_id, bboxes, labelsdef get_ignored_region(objects):"""获得ignored区域"""rects = []labels = []if not "box" in objects: return rects, labelsfor data in objects["box"]:label = "ignored_region"rect = [data['@left'], data['@top'], data['@width'], data['@height']]rect = [float(r) for r in rect]rects.append(rect)labels.append(label)bboxes = image_utils.rects2bboxes(rects)return bboxes, labelsdef converter_ua_detrac2voc(image_dir, annot_dir, out_voc, vis=True):"""将车辆检测数据集UA-DETRAC转换为VOC数据格式(xmin,ymin,xmax,ymax)class_set:['car', 'bus', 'others', 'van']:param image_dir: UA-DETRAC数据集图片(*.jpg)根目录:param annot_dir:  UA-DETRAC数据集标注文件(*.xml)根目录:param out_voc: 输出VOC格式数据集目录:param vis: 是否可视化效果"""print("image_dir:{}".format(image_dir))print("annot_dir:{}".format(annot_dir))print("out_voc  :{}".format(out_voc))xml_list = file_utils.get_files_list(annot_dir, postfix=["*.xml"])out_image_dir = file_utils.create_dir(out_voc, None, "JPEGImages")out_xml_dir = file_utils.create_dir(out_voc, None, "Annotations")class_set = []for annot_file in tqdm(xml_list):print(annot_file)# 将xml转换为OrderedDict格式，方便解析annotations = read_xml2json(annot_file)subname = annotations['sequence']['@name']  # UA-DETRAC子目录# 被忽略的区域ignore_bboxes, ignore_labels = get_ignored_region(annotations['sequence']['ignored_region'])# 遍一帧图像，获得车辆目标框frame_info = annotations['sequence']['frame']for i in range(len(frame_info)):image_name, bboxes, labels = get_objects_info(frame_info[i])image_id = image_name.split(".")[0]image_file = os.path.join(image_dir, subname, image_name)class_set = labels + class_setclass_set = list(set(class_set))if not os.path.exists(image_file):print("not exist:{}".format(image_file))continueimage = cv2.imread(image_file)image_shape = image.shapenew_image_id = "{}_{}".format(subname, image_id)new_name = "{}.jpg".format(new_image_id)xml_path = file_utils.create_dir(out_xml_dir, None, "{}.xml".format(new_image_id))objects = maker_voc.create_objects(bboxes, labels)maker_voc.write_voc_xml_objects(new_name, image_shape, objects, xml_path)dst_file = file_utils.create_dir(out_image_dir, None, new_name)file_utils.copy_file(image_file, dst_file)# cv2.imwrite(dst_file, image)if vis:image = image_utils.draw_image_bboxes_text(image, ignore_bboxes, ignore_labels,color=(10, 10, 10), thickness=2, fontScale=1.0)image = image_utils.draw_image_bboxes_text(image, bboxes, labels,color=(255, 0, 0), thickness=2, fontScale=1.0)image_utils.cv_show_image("det", image, use_rgb=False)print("class_set:{}".format(class_set))if __name__ == "__main__":"""pip install pybaseutilspip install xmltodict"""image_dir = "UA-DETRAC/DETRAC-train-data/Insight-MVT_Annotation_Train"annot_dir = "UA-DETRAC/DETRAC-Train-Annotations-XML"# 将车辆检测数据集UA - DETRAC转换为VOC数据格式out_voc = os.path.join(os.path.dirname(image_dir), "VOC")converter_ua_detrac2voc(image_dir, annot_dir, out_voc, vis=True)

    运行完成后，会生成 Annotations和JPEGImages两个文件夹，后面就可以用于目标检测

      

    2. Vehicle-Dataset车辆检测数据集  

    这是来自美丽印度的车辆检测数据集，共3000张，共标注了21个类别，包含自行车(bicycle),公共汽车(bus),汽车(car),摩托车(motorbike)等常见的车辆类别；已经将标注格式转换其VOC数据格式了，可以直接用于深度学习目标检测模型训练
    21个车辆类别如下：

    human hauler         # 人力搬运工
bicycle              # 自行车
bus 公               # 共汽车
suv                  # 越野车
policecar            # 警车
ambulance            # 救护车
truck                # 卡车
auto rickshaw        # 自动人力车
three wheelers (CNG) # 三轮车 (CNG)
van                  # 货车
scooter              # 小型摩托车
minibus              # 小巴
army vehicle         # 军车
taxi                 # 出租车
rickshaw             # 黄包车
garbagevan           # 垃圾车
car                  # 汽车
pickup               # 皮卡
motorbike            # 摩托车
wheelbarrow          # 独轮手推车
minivan              # 小货车

    3.BIT-Vehicle车辆检测数据集  

    BIT-Vehicle数据集是国内车辆检测数据集，包含9850个车辆图像。数据集中有两个摄像头在不同时间和地点拍摄的大小为1600*1200 和1920*1080的图像。 图像包含照明条件、比例、车辆表面颜色和视点的变化。 

    由于捕获延迟和车辆的大小，某些车辆的顶部或底部未包含在图像中。一幅图像中可能有一两辆车，因此每辆车的位置都被预先标注。 该数据集还可用于评估车辆检测的性能。 数据集中的所有车辆分为6类：公共汽车(Bus)、微型客车(Microbus)、小型货车(Minivan)、轿车(Sedan)、SUV(SUV) 和卡车(Truck)。 每种车型的车辆数量分别为558辆、883辆、476辆、5922辆、1392辆和822辆；

    原始标注文档是Matlab数据格式保存（VehicleInfo.mat），现已经将标注格式转换其VOC数据格式了，可以直接用于深度学习目标检测模型训练。

    Bus       # 公共汽车
Microbus  # 微型客车
Minivan   # 小型货车
SUV       # SUV车
Sedan     # 轿车
Truck     # 卡车

    二.车辆检测数据集下载地址

    车辆检测数据集下载资源内容包含：UA-DETRAC车辆检测数据集+Vehicle-Dataset车辆检测数据集+BITVehicle车辆检测数据集：UA-DETRAC BITVehicle车辆检测数据集下载

    1. UA-DETRAC车辆检测数据集

    1. UA-DETRAC车辆检测数据集： 包含原始官网下载的Train和Test数据集，以及标注文档Annotations，训练集约82085张图片，测试集约56167张图片
    2. 共4个类别：小汽车（car）、公共汽车（bus）、货车（van）和其他（others）。
    3. UA-DETRAC车辆检测数据集VOC数据格式（DETRAC-VOC）： 已经将原始官网下载的Train和Test数据集转换为VOC数据格式，可以直接用于深度学习检测模型训练

    2.  Vehicle-Dataset车辆检测数据集

    1. Vehicle-Dataset车辆检测数据集：总共3000张，共标注了21个类别，包含自行车(bicycle),公共汽车(bus),汽车(car),摩托车(motorbike)等常见的车辆类别；
    2. 已经将标注格式转换其VOC数据格式了，可以直接用于深度学习目标检测模型训练

    3.  BITVehicle车辆检测数据集

     

    1. BITVehicle车辆检测数据集：总共9850张图片，标注了6个类别：公共汽车(Bus)、微型客车(Microbus)、小型货车(Minivan)、轿车(Sedan)、SUV(SUV) 和卡车(Truck)
    2. 已经将标注格式转换其VOC数据格式了，可以直接用于深度学习目标检测模型训练

    三.基于YOLOv5的车辆检测(Python)

    《YOLOv5实现车辆检测(含车辆检测数据集+训练代码)》
    Python版本车辆检测Demo效果：

    四.手机实现车辆检测(Android)

     Android APP体验 : Android实现车辆检测(可实时运行)APPDemo-Android文档类资源-CSDN下载

    APP在普通Android手机上可以达到实时的车辆检测效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。

    更多项目《智能驾驶 车牌检测和识别》系列文章请参考：

    1. 智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》：
    2. 智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》：
    3. 智能驾驶 车牌检测和识别（三）《CRNN和LPRNet实现车牌识别（含车牌识别数据集和训练代码）》：
    4. 智能驾驶 车牌检测和识别（四）《Android实现车牌检测和识别（可实时车牌识别）》：
    5. 智能驾驶 车牌检测和识别（五）《C++实现车牌检测和识别（可实时车牌识别）》：
    6. 智能驾驶 红绿灯检测（一）《红绿灯(交通信号灯)数据集》：
    7. 智能驾驶 红绿灯检测（二）《YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码)》：
    8. 智能驾驶 红绿灯检测（三）《Android实现红绿灯检测(含Android源码 可实时运行)》：

    9. 智能驾驶 车辆检测（一）《UA-DETRAC BITVehicle车辆检测数据集》：

    10. 智能驾驶 车辆检测（二）《YOLOv5实现车辆检测(含车辆检测数据集+训练代码)》：

    11. 智能驾驶 车辆检测（三）《Android实现车辆检测(含Android源码 可实时运行)》：

    UA

    UA-DETRAC BITVehicle车辆检测数据集(含下载地址)

    目录

    UA-DETRAC BITVehicle车辆检测数据集使用说明和下载

    一、车辆检测数据集介绍

    1. UA-DETRAC车辆检测数据集 

    2. Vehicle-Dataset车辆检测数据集  

    3.BIT-Vehicle车辆检测数据集  

    二.车辆检测数据集下载地址

    1. UA-DETRAC车辆检测数据集

    2.  Vehicle-Dataset车辆检测数据集

    3.  BITVehicle车辆检测数据集

    三.基于YOLOv5的车辆检测(Python)

    四.手机实现车辆检测(Android)

    考虑到自动驾驶算法开发，经常要用到车辆检测数据集；这里分享鄙人整合的三个车辆检测数据集：UA-DETRAC，Vehicle-Dataset和BIT-Vehicle车辆检测数据集

    【尊重原则，转载请注明出处】：

    更多项目《智能驾驶 车牌检测和识别》系列文章请参考：

    1. 智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》：
    2. 智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》：
    3. 智能驾驶 车牌检测和识别（三）《CRNN和LPRNet实现车牌识别（含车牌识别数据集和训练代码）》：
    4. 智能驾驶 车牌检测和识别（四）《Android实现车牌检测和识别（可实时车牌识别）》：
    5. 智能驾驶 车牌检测和识别（五）《C++实现车牌检测和识别（可实时车牌识别）》：
    6. 智能驾驶 红绿灯检测（一）《红绿灯(交通信号灯)数据集》：
    7. 智能驾驶 红绿灯检测（二）《YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码)》：
    8. 智能驾驶 红绿灯检测（三）《Android实现红绿灯检测(含Android源码 可实时运行)》：

    9. 智能驾驶 车辆检测（一）《UA-DETRAC BITVehicle车辆检测数据集》：

    10. 智能驾驶 车辆检测（二）《YOLOv5实现车辆检测(含车辆检测数据集+训练代码)》：

    11. 智能驾驶 车辆检测（三）《Android实现车辆检测(含Android源码 可实时运行)》：

    一、车辆检测数据集介绍

    1. UA-DETRAC车辆检测数据集 

    UA-DETRAC 是一个具有挑战性的现实世界多目标检测和多目标跟踪基准。该数据集包含使用佳能 EOS 550D 相机在中国北京和天津的 24 个不同地点拍摄的 10 小时视频。视频以每秒 25 帧 (fps) 的速度录制，分辨率为 960×540 像素。UA-DETRAC 数据集中有超过 14 万帧和 8250 辆手动标注的车辆，总共有 121 万个标记的对象边界框，其中训练集约82085张图片，测试集约56167张图片。该数据集可用于多目标检测和多目标跟踪算法开发。

     官方网站：The UA-DETRAC Benchmark Suite

    下图展示了 DETRAC 数据集中带注释的帧。边界框的颜色反映遮挡状态，包括完全可见（红色）、部分被其他车辆遮挡（蓝色）或部分被背景遮挡（粉红色）。车辆 ID、方向、车辆类型和截断率显示在边界框中。其中浅灰色区域代表被忽略区域，这在基准测试中会被忽略。另外在每帧的左下角还显示了天气状况、摄像头状态和车辆密度。

    • 车辆类别   我们将车辆分为四类，即小汽车（car）、公共汽车（bus）、货车（van）和其他（others）。
    • 天气   我们考虑四类天气条件，即多云、夜晚、晴天和下雨。
    • 比例   我们将带注释的车辆的比例定义为其面积的平方根（以像素为单位）。我们将车辆分为三个等级：小型（0-50 像素）、中型（50-150 像素）和大型（超过 150 像素）。
    • 遮挡率   我们使用被遮挡的车辆边界框的分数来定义遮挡程度。我们将遮挡程度分为三类：无遮挡、部分遮挡和严重遮挡。具体来说，我们定义部分遮挡，如果车辆的遮挡率在 1%-50% 之间，如果遮挡率大于 50%，则定义为重度遮挡。
    • 截断率   截断率表示车辆部件超出框架的程度，用于训练样本选择。

    为了方便可视化DETRAC数据集的目标检测框的效果，这里提供一个可视化Python脚本

    需要用的几个python依赖包，pip安装即可:

        pip install pybaseutilspip install xmltodict

    • 这里没有区分可见和被遮挡的车辆，统一用蓝色框表示
    • 黑色框表示被忽略的区域（ignored_region）
    • 共有四个类别：['car', 'bus', 'others', 'van']
    # -*-coding: utf-8 -*-
"""@Author : panjq@E-mail : pan_jinquan@163@Date   : 2022-10-12 16:21:55@Brief  :
"""
import os
import cv2
import xmltodict
from tqdm import tqdm
from pybaseutils.maker import maker_voc
from pybaseutils import file_utils, image_utilsdef read_xml2json(xml_file):"""import xmltodict:param xml_file::return:"""with open(xml_file, encoding='utf-8') as fd:  # 将XML文件装载到dict里面content = xmltodict.parse(fd.read())return contentdef get_objects_info(objects):"""解析标注信息"""rects = []labels = []targets = objects['target_list']['target']  # collections.OrderedDictif not isinstance(targets, list): targets = [targets]for data in targets:box = data['box']attribute = data['attribute']label = attribute['@vehicle_type']rect = [box['@left'], box['@top'], box['@width'], box['@height']]rect = [float(r) for r in rect]rects.append(rect)labels.append(label)bboxes = image_utils.rects2bboxes(rects)num = objects['@num']image_id = "img{:0=5d}.jpg".format(int(num))  # img00002.jpgreturn image_id, bboxes, labelsdef get_ignored_region(objects):"""获得ignored区域"""rects = []labels = []if not "box" in objects: return rects, labelsfor data in objects["box"]:label = "ignored_region"rect = [data['@left'], data['@top'], data['@width'], data['@height']]rect = [float(r) for r in rect]rects.append(rect)labels.append(label)bboxes = image_utils.rects2bboxes(rects)return bboxes, labelsdef show_ua_detrac_dataset(image_dir, annot_dir, out_draw="", vis=False):"""可视化车辆检测数据集class_set:['car', 'bus', 'others', 'van']:param image_dir: UA-DETRAC数据集图片(*.jpg)根目录:param annot_dir:  UA-DETRAC数据集标注文件(*.xml)根目录:param vis: 是否可视化效果"""print("image_dir:{}".format(image_dir))print("annot_dir:{}".format(annot_dir))xml_list = file_utils.get_files_list(annot_dir, postfix=["*.xml"])class_set = []for annot_file in tqdm(xml_list):print(annot_file)# 将xml转换为OrderedDict格式，方便解析annotations = read_xml2json(annot_file)subname = annotations['sequence']['@name']  # UA-DETRAC子目录# 被忽略的区域ignore_bboxes, ignore_labels = get_ignored_region(annotations['sequence']['ignored_region'])# 遍一帧图像，获得车辆目标框frame_info = annotations['sequence']['frame']for i in range(len(frame_info)):image_name, bboxes, labels = get_objects_info(frame_info[i])image_id = image_name.split(".")[0]image_file = os.path.join(image_dir, subname, image_name)class_set = labels + class_setclass_set = list(set(class_set))if not os.path.exists(image_file):print("not exist:{}".format(image_file))continueimage = cv2.imread(image_file)image = image_utils.draw_image_bboxes_text(image, ignore_bboxes, ignore_labels,color=(10, 10, 10), thickness=2, fontScale=1.0)image = image_utils.draw_image_bboxes_text(image, bboxes, labels,color=(255, 0, 0), thickness=2, fontScale=1.0)if out_draw:dst_file = file_utils.create_dir(out_draw, None, "{}_{}.jpg".format(subname, image_id))cv2.imwrite(dst_file, image)if vis:image_utils.cv_show_image("det", image, use_rgb=False)print("class_set:{}".format(class_set))if __name__ == "__main__":"""pip install pybaseutilspip install xmltodict"""image_dir = "UA-DETRAC/DETRAC-train-data/Insight-MVT_Annotation_Train"annot_dir = "UA-DETRAC/DETRAC-Train-Annotations-XML"out_draw = os.path.join(os.path.dirname(image_dir), "result")show_ua_detrac_dataset(image_dir, annot_dir, out_draw=out_draw, vis=True)

    目标检测中，我们常使用VOC数据格式，这里实现将UA-DETRAC数据集转换为VOC数据格式,

    需要特别注意的是：

    • 这里没有区分可见和被遮挡的车辆，按照原始标注，分为四个类别：['car', 'bus', 'others', 'van']
    • 原始标注文档中的ignored_region表示被忽略区域，即使有车辆，也没有检测框，因此转换VOC格式时，这部分也被忽略了（由于ignored_region也可能存在车辆，因此对目标检测会有点影响）
    • 很可惜，UA-DETRAC没有标注非机动车（如摩托车，三轮车，电动车）都没有标注
    # -*-coding: utf-8 -*-
"""@Author : panjq@E-mail : pan_jinquan@163@Date   : 2022-10-12 16:21:55@Brief  :
"""
import os
import cv2
import xmltodict
from tqdm import tqdm
from pybaseutils.maker import maker_voc
from pybaseutils import file_utils, image_utilsdef read_xml2json(xml_file):"""import xmltodict:param xml_file::return:"""with open(xml_file, encoding='utf-8') as fd:  # 将XML文件装载到dict里面content = xmltodict.parse(fd.read())return contentdef get_objects_info(objects):"""解析标注信息"""rects = []labels = []targets = objects['target_list']['target']  # collections.OrderedDictif not isinstance(targets, list): targets = [targets]for data in targets:box = data['box']attribute = data['attribute']label = attribute['@vehicle_type']rect = [box['@left'], box['@top'], box['@width'], box['@height']]rect = [float(r) for r in rect]rects.append(rect)labels.append(label)bboxes = image_utils.rects2bboxes(rects)num = objects['@num']image_id = "img{:0=5d}.jpg".format(int(num))  # img00002.jpgreturn image_id, bboxes, labelsdef get_ignored_region(objects):"""获得ignored区域"""rects = []labels = []if not "box" in objects: return rects, labelsfor data in objects["box"]:label = "ignored_region"rect = [data['@left'], data['@top'], data['@width'], data['@height']]rect = [float(r) for r in rect]rects.append(rect)labels.append(label)bboxes = image_utils.rects2bboxes(rects)return bboxes, labelsdef converter_ua_detrac2voc(image_dir, annot_dir, out_voc, vis=True):"""将车辆检测数据集UA-DETRAC转换为VOC数据格式(xmin,ymin,xmax,ymax)class_set:['car', 'bus', 'others', 'van']:param image_dir: UA-DETRAC数据集图片(*.jpg)根目录:param annot_dir:  UA-DETRAC数据集标注文件(*.xml)根目录:param out_voc: 输出VOC格式数据集目录:param vis: 是否可视化效果"""print("image_dir:{}".format(image_dir))print("annot_dir:{}".format(annot_dir))print("out_voc  :{}".format(out_voc))xml_list = file_utils.get_files_list(annot_dir, postfix=["*.xml"])out_image_dir = file_utils.create_dir(out_voc, None, "JPEGImages")out_xml_dir = file_utils.create_dir(out_voc, None, "Annotations")class_set = []for annot_file in tqdm(xml_list):print(annot_file)# 将xml转换为OrderedDict格式，方便解析annotations = read_xml2json(annot_file)subname = annotations['sequence']['@name']  # UA-DETRAC子目录# 被忽略的区域ignore_bboxes, ignore_labels = get_ignored_region(annotations['sequence']['ignored_region'])# 遍一帧图像，获得车辆目标框frame_info = annotations['sequence']['frame']for i in range(len(frame_info)):image_name, bboxes, labels = get_objects_info(frame_info[i])image_id = image_name.split(".")[0]image_file = os.path.join(image_dir, subname, image_name)class_set = labels + class_setclass_set = list(set(class_set))if not os.path.exists(image_file):print("not exist:{}".format(image_file))continueimage = cv2.imread(image_file)image_shape = image.shapenew_image_id = "{}_{}".format(subname, image_id)new_name = "{}.jpg".format(new_image_id)xml_path = file_utils.create_dir(out_xml_dir, None, "{}.xml".format(new_image_id))objects = maker_voc.create_objects(bboxes, labels)maker_voc.write_voc_xml_objects(new_name, image_shape, objects, xml_path)dst_file = file_utils.create_dir(out_image_dir, None, new_name)file_utils.copy_file(image_file, dst_file)# cv2.imwrite(dst_file, image)if vis:image = image_utils.draw_image_bboxes_text(image, ignore_bboxes, ignore_labels,color=(10, 10, 10), thickness=2, fontScale=1.0)image = image_utils.draw_image_bboxes_text(image, bboxes, labels,color=(255, 0, 0), thickness=2, fontScale=1.0)image_utils.cv_show_image("det", image, use_rgb=False)print("class_set:{}".format(class_set))if __name__ == "__main__":"""pip install pybaseutilspip install xmltodict"""image_dir = "UA-DETRAC/DETRAC-train-data/Insight-MVT_Annotation_Train"annot_dir = "UA-DETRAC/DETRAC-Train-Annotations-XML"# 将车辆检测数据集UA - DETRAC转换为VOC数据格式out_voc = os.path.join(os.path.dirname(image_dir), "VOC")converter_ua_detrac2voc(image_dir, annot_dir, out_voc, vis=True)

    运行完成后，会生成 Annotations和JPEGImages两个文件夹，后面就可以用于目标检测

      

    2. Vehicle-Dataset车辆检测数据集  

    这是来自美丽印度的车辆检测数据集，共3000张，共标注了21个类别，包含自行车(bicycle),公共汽车(bus),汽车(car),摩托车(motorbike)等常见的车辆类别；已经将标注格式转换其VOC数据格式了，可以直接用于深度学习目标检测模型训练
    21个车辆类别如下：

    human hauler         # 人力搬运工
bicycle              # 自行车
bus 公               # 共汽车
suv                  # 越野车
policecar            # 警车
ambulance            # 救护车
truck                # 卡车
auto rickshaw        # 自动人力车
three wheelers (CNG) # 三轮车 (CNG)
van                  # 货车
scooter              # 小型摩托车
minibus              # 小巴
army vehicle         # 军车
taxi                 # 出租车
rickshaw             # 黄包车
garbagevan           # 垃圾车
car                  # 汽车
pickup               # 皮卡
motorbike            # 摩托车
wheelbarrow          # 独轮手推车
minivan              # 小货车

    3.BIT-Vehicle车辆检测数据集  

    BIT-Vehicle数据集是国内车辆检测数据集，包含9850个车辆图像。数据集中有两个摄像头在不同时间和地点拍摄的大小为1600*1200 和1920*1080的图像。 图像包含照明条件、比例、车辆表面颜色和视点的变化。 

    由于捕获延迟和车辆的大小，某些车辆的顶部或底部未包含在图像中。一幅图像中可能有一两辆车，因此每辆车的位置都被预先标注。 该数据集还可用于评估车辆检测的性能。 数据集中的所有车辆分为6类：公共汽车(Bus)、微型客车(Microbus)、小型货车(Minivan)、轿车(Sedan)、SUV(SUV) 和卡车(Truck)。 每种车型的车辆数量分别为558辆、883辆、476辆、5922辆、1392辆和822辆；

    原始标注文档是Matlab数据格式保存（VehicleInfo.mat），现已经将标注格式转换其VOC数据格式了，可以直接用于深度学习目标检测模型训练。

    Bus       # 公共汽车
Microbus  # 微型客车
Minivan   # 小型货车
SUV       # SUV车
Sedan     # 轿车
Truck     # 卡车

    二.车辆检测数据集下载地址

    车辆检测数据集下载资源内容包含：UA-DETRAC车辆检测数据集+Vehicle-Dataset车辆检测数据集+BITVehicle车辆检测数据集：UA-DETRAC BITVehicle车辆检测数据集下载

    1. UA-DETRAC车辆检测数据集

    1. UA-DETRAC车辆检测数据集： 包含原始官网下载的Train和Test数据集，以及标注文档Annotations，训练集约82085张图片，测试集约56167张图片
    2. 共4个类别：小汽车（car）、公共汽车（bus）、货车（van）和其他（others）。
    3. UA-DETRAC车辆检测数据集VOC数据格式（DETRAC-VOC）： 已经将原始官网下载的Train和Test数据集转换为VOC数据格式，可以直接用于深度学习检测模型训练

    2.  Vehicle-Dataset车辆检测数据集

    1. Vehicle-Dataset车辆检测数据集：总共3000张，共标注了21个类别，包含自行车(bicycle),公共汽车(bus),汽车(car),摩托车(motorbike)等常见的车辆类别；
    2. 已经将标注格式转换其VOC数据格式了，可以直接用于深度学习目标检测模型训练

    3.  BITVehicle车辆检测数据集

     

    1. BITVehicle车辆检测数据集：总共9850张图片，标注了6个类别：公共汽车(Bus)、微型客车(Microbus)、小型货车(Minivan)、轿车(Sedan)、SUV(SUV) 和卡车(Truck)
    2. 已经将标注格式转换其VOC数据格式了，可以直接用于深度学习目标检测模型训练

    三.基于YOLOv5的车辆检测(Python)

    《YOLOv5实现车辆检测(含车辆检测数据集+训练代码)》
    Python版本车辆检测Demo效果：

    四.手机实现车辆检测(Android)

     Android APP体验 : Android实现车辆检测(可实时运行)APPDemo-Android文档类资源-CSDN下载

    APP在普通Android手机上可以达到实时的车辆检测效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。

    更多项目《智能驾驶 车牌检测和识别》系列文章请参考：

    1. 智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》：
    2. 智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》：
    3. 智能驾驶 车牌检测和识别（三）《CRNN和LPRNet实现车牌识别（含车牌识别数据集和训练代码）》：
    4. 智能驾驶 车牌检测和识别（四）《Android实现车牌检测和识别（可实时车牌识别）》：
    5. 智能驾驶 车牌检测和识别（五）《C++实现车牌检测和识别（可实时车牌识别）》：
    6. 智能驾驶 红绿灯检测（一）《红绿灯(交通信号灯)数据集》：
    7. 智能驾驶 红绿灯检测（二）《YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码)》：
    8. 智能驾驶 红绿灯检测（三）《Android实现红绿灯检测(含Android源码 可实时运行)》：

    9. 智能驾驶 车辆检测（一）《UA-DETRAC BITVehicle车辆检测数据集》：

    10. 智能驾驶 车辆检测（二）《YOLOv5实现车辆检测(含车辆检测数据集+训练代码)》：

    11. 智能驾驶 车辆检测（三）《Android实现车辆检测(含Android源码 可实时运行)》：

    继续浏览有关 的文章

    与本文相关的文章

    发布评论

    评论列表 (0)

    1. 暂无评论