

数据集创建

本工程最终目标是实现一个汽车检测器，在训练过程中需要依次实现以下数据集

1. 从VOC数据集中提取汽车类别
2. 创建微调数据集
3. 创建分类器数据集

Note 1：有关数据集创建程序均位于py/utils/data/目录

Note 2：本次实验使用VOC 2007数据集

PSACAL VOC 2007

参考：[数据集]PASCAL VOC 2007

从VOC数据集中提取汽车类别

python文件：

1. pascal_voc.py
2. pascal_voc_car.py

下载并完成解析操作后，可从VOCdevkit/VOC2007/ImageSets/Main目录下查找car_train.txt和car_val.txt文件，里面保存了相关的汽车类别图像名

数据集格式

创建得到数据集voc_car，其格式如下：

├── train
│   ├── Annotations
│   ├── car.csv
│   └── JPEGImages
└── val
    ├── Annotations
    ├── car.csv
    └── JPEGImages

创建微调数据集

python文件：

• create_finetune_data.py

通过选择性搜索算法的质量模式获取候选建议，然后计算候选建议与标注边界框的IoU

1. 正样本：IoU大于等于0.5
2. 负样本：剩余的候选区域

在代码实现中，为了进一步减小负样本数据集，我修改了负样本判定规则

• 副样本（修改后）：IoU大于0，小于0.5。为了进一步限制负样本数目，其大小必须大于标注框的1/5

数据集格式

创建得到数据集finetune_car，其格式如下：

├── train
│   ├── Annotations
│   ├── car.csv
│   └── JPEGImages
└── val
    ├── Annotations
    ├── car.csv
    └── JPEGImages

训练集和验证集的正负样本个数如下：

# train
# positive num: 66517
# negatie num: 464340
# val
# positive num: 64712
# negative num: 415134

创建分类器数据集

python文件：

• create_classifier_data.py

通过选择性搜索算法的质量模式获取候选建议，然后计算候选建议与标注边界框的IoU

1. 正样本：标注边界框
2. 负样本：IoU小于0.3的候选区域

在代码实现中，为了进一步减小负样本数据集，我修改了负样本判定规则

• 副样本（修改后）：IoU大于0，小于0.3。为了进一步限制负样本数目，其大小必须大于标注框的1/5

数据集格式

创建得到数据集classifier_car/，其格式如下：

├── train
│   ├── Annotations
│   ├── car.csv
│   └── JPEGImages
└── val
    ├── Annotations
    ├── car.csv
    └── JPEGImages

训练集和验证集的正负样本个数如下：

# train
# positive num: 625
# negative num: 366028
# val
# positive num: 625
# negative num: 321474