宁夏建设投资集团公司网站,147seo工具,手机软件开发教程视频,短视频公司网站建设方案如#xff1a;天空 coco包含pascal voc 的所有类别#xff0c;并且对每个类别的标注目标个数也比pascal voc的多。 一般使用coco数据集预训练好的权重来迁移学习。 如果仅仅针对目标检测object80类而言#xff0c;有些图片并没有标注信息#xff0c;或者有错误标注信息。… 如天空 coco包含pascal voc 的所有类别并且对每个类别的标注目标个数也比pascal voc的多。 一般使用coco数据集预训练好的权重来迁移学习。 如果仅仅针对目标检测object80类而言有些图片并没有标注信息或者有错误标注信息。所以在实际的训练过程中需要对这些数据进行简单筛选。 为什么之前那些都没在测试集上测试 自己去训练自己数据的话只需要训练集和验证集测试就行并不需要单独划分一个测试集。 因为基本都是在同样的数据分布下进行划分的测试集的数据分布与验证集的数据分布一样。没有必要单独划分测试集。 一般在大型的比赛中会用到测试集。为防止作弊一般不告诉测试集数据分布信息。所以对自己的数据单独划分测试集没有意义。
通过python的json库来看json文件中存储的标注形式 images 可以看到有5000张图片读取的验证集每个元素对应的是一张图片的信息。
annotations 36781个每个元素对应的是一个目标并不是一张图片下所有目标。 也就是说在这5000个图像中共有36781个目标。 对于每个目标 category_id所对应的是在stuff91类的目标中的索引。
categories 总共有80个元素对应object80的80个类别。 对于每个类别 超类 一些类别的统称 idstuff91类中的索引仔细看并不是1 ~ 80。所以如果后面要去训练80个类别的目标检测的话需要做一个映射把这些索引映射到1 ~ 80当中。
使用pycocotools读取标注文件 可对数据进行读取、对预测结果计算mAP 运行得到 验证集所对应图片这个图片对应的标注信息将标注信息绘制在图片上。
验证mAP 给出了每种任务指定的数据保存格式要求。 将每一个预测结果都写成了字典形式将它们全部放入一个列表当中写成一个json的文件。 得到文件后通过对比coco2017中标注好的文件来计算mAP。 计算方法 打印出验证集上的coco指标
