Cityscapes数据集gtFine部分介绍

Cityscape是一个大型语义分割数据集，包含多种类型数据和处理代码github处理代码地址：https://github.com/mcordts/cityscapesScripts官方网站：https://www.cityscapes-dataset.com/（推荐使用迅雷下载）其他博主数据集下载地址：https://blog.csdn.net/zym19941119...

GISer_Lin

6262人浏览 · 2020-03-17 13:43:10

GISer_Lin · 2020-03-17 13:43:10 发布

Cityscape是一个大型语义分割数据集，包含多种类型数据子集和处理代码

Cityscape包含多种数据集，本文只关注gtFine/精细标注的语义分割部分

gtFine部分的标注，对应leftImg8bit的原始图片

数据及代码下载链接：

数据集官方网站：https://www.cityscapes-dataset.com/ （推荐使用迅雷下载）

github处理代码地址：https://github.com/mcordts/cityscapesScripts

国内下载连接：

aistudio下载链接（包括gtFine及leftImg8bit）：https://aistudio.baidu.com/aistudio/datasetdetail/48855

gtFine数据(无对应的Img) 下载链接：https://pan.baidu.com/s/1hWRDTnDD1uE29W2691x1xQ 提取码：9tcd

其他博主数据集下载地址（包括gtFine及leftImg8bit）：https://blog.csdn.net/zym19941119/article/details/81198315

gtFine数据集基本信息：

影像：

shape=(1024,2048,4)

num=2975+500+1525=5000幅

标注：

35个小类（name、id列，用于评测）
8大类（category、catId列，用于创建 ground truth）
20个train类（trainId列，官方提供，可根据需要调整）

可以在处理代码 helpers / labels.py中查看对应标签（可见本文末尾），labels.py中也包含了各种分类说明

gtFine文件结构：

数据分布：

train（aachen 174*4、bochum 96*4、bremen 316*4、cologne 154*4、darmstadt 85*4、dusseldorf 221*4、erfurt 109*4、hamburg 248*4、hanover 196*4、jena 119*4、krefeld 99*4、monchengladbach 94*4、strasbourg 365*4、stuttgart 196*4、tubingen 144*4、ulm 95*4、weimar 142*4、zurich 122*4），共2975*4个文件

val（frankfurt 267*4、lindau 59*4、munster 174*4），共500*4个文件

test（berlin 544*4、bielefeld 181*4、bonn 46*4、leverkusen 58*4、mainz 298*4、munich 398*4），共1525*4个文件

train、val单个样本结构：

color: 彩色类别图（用于可视化观察）
instanceIds: 实例分割ID
labelIds: 标签ID（35小类）
polygons: 边界多边形（35小类及对应边界像素位置）

如果需要使用trainId分类编码，可以直接调用preparation / createTrainIdLabelImgs.py，修改其中的路径参数（data_path/cityscapesPath）即可生成新gt（需要安装pillow库，部分版本安装后运行此代码报错pillow未安装，可以将helpers/chHelpers.py、preparation/json2labelImg.py 中的 from PIL import PILLOW_VERSION 改为import PIL）

如果需要其他类别也可以根据代码自行修改

test结构尚未研究

处理代码结构：

helpers: helper files that are included by other scripts labels.py包含标签类别详解
viewer: view the images and the annotations
preparation: convert the ground truth annotations into a format suitable for your approach createTrainIdLabelImgs.py可以创建trainId类标签图像
evaluation: validate your approach
annotation: the annotation tool used for labeling the dataset
download: downloader for Cityscapes packages

labels = [
    #       name                     id    trainId   category            catId     hasInstances   ignoreInEval   color
    Label(  'unlabeled'            ,  0 ,      255 , 'void'            , 0       , False        , True         , (  0,  0,  0) ),
    Label(  'ego vehicle'          ,  1 ,      255 , 'void'            , 0       , False        , True         , (  0,  0,  0) ),
    Label(  'rectification border' ,  2 ,      255 , 'void'            , 0       , False        , True         , (  0,  0,  0) ),
    Label(  'out of roi'           ,  3 ,      255 , 'void'            , 0       , False        , True         , (  0,  0,  0) ),
    Label(  'static'               ,  4 ,      255 , 'void'            , 0       , False        , True         , (  0,  0,  0) ),
    Label(  'dynamic'              ,  5 ,      255 , 'void'            , 0       , False        , True         , (111, 74,  0) ),
    Label(  'ground'               ,  6 ,      255 , 'void'            , 0       , False        , True         , ( 81,  0, 81) ),
    Label(  'road'                 ,  7 ,        0 , 'flat'            , 1       , False        , False        , (128, 64,128) ),
    Label(  'sidewalk'             ,  8 ,        1 , 'flat'            , 1       , False        , False        , (244, 35,232) ),
    Label(  'parking'              ,  9 ,      255 , 'flat'            , 1       , False        , True         , (250,170,160) ),
    Label(  'rail track'           , 10 ,      255 , 'flat'            , 1       , False        , True         , (230,150,140) ),
    Label(  'building'             , 11 ,        2 , 'construction'    , 2       , False        , False        , ( 70, 70, 70) ),
    Label(  'wall'                 , 12 ,        3 , 'construction'    , 2       , False        , False        , (102,102,156) ),
    Label(  'fence'                , 13 ,        4 , 'construction'    , 2       , False        , False        , (190,153,153) ),
    Label(  'guard rail'           , 14 ,      255 , 'construction'    , 2       , False        , True         , (180,165,180) ),
    Label(  'bridge'               , 15 ,      255 , 'construction'    , 2       , False        , True         , (150,100,100) ),
    Label(  'tunnel'               , 16 ,      255 , 'construction'    , 2       , False        , True         , (150,120, 90) ),
    Label(  'pole'                 , 17 ,        5 , 'object'          , 3       , False        , False        , (153,153,153) ),
    Label(  'polegroup'            , 18 ,      255 , 'object'          , 3       , False        , True         , (153,153,153) ),
    Label(  'traffic light'        , 19 ,        6 , 'object'          , 3       , False        , False        , (250,170, 30) ),
    Label(  'traffic sign'         , 20 ,        7 , 'object'          , 3       , False        , False        , (220,220,  0) ),
    Label(  'vegetation'           , 21 ,        8 , 'nature'          , 4       , False        , False        , (107,142, 35) ),
    Label(  'terrain'              , 22 ,        9 , 'nature'          , 4       , False        , False        , (152,251,152) ),
    Label(  'sky'                  , 23 ,       10 , 'sky'             , 5       , False        , False        , ( 70,130,180) ),
    Label(  'person'               , 24 ,       11 , 'human'           , 6       , True         , False        , (220, 20, 60) ),
    Label(  'rider'                , 25 ,       12 , 'human'           , 6       , True         , False        , (255,  0,  0) ),
    Label(  'car'                  , 26 ,       13 , 'vehicle'         , 7       , True         , False        , (  0,  0,142) ),
    Label(  'truck'                , 27 ,       14 , 'vehicle'         , 7       , True         , False        , (  0,  0, 70) ),
    Label(  'bus'                  , 28 ,       15 , 'vehicle'         , 7       , True         , False        , (  0, 60,100) ),
    Label(  'caravan'              , 29 ,      255 , 'vehicle'         , 7       , True         , True         , (  0,  0, 90) ),
    Label(  'trailer'              , 30 ,      255 , 'vehicle'         , 7       , True         , True         , (  0,  0,110) ),
    Label(  'train'                , 31 ,       16 , 'vehicle'         , 7       , True         , False        , (  0, 80,100) ),
    Label(  'motorcycle'           , 32 ,       17 , 'vehicle'         , 7       , True         , False        , (  0,  0,230) ),
    Label(  'bicycle'              , 33 ,       18 , 'vehicle'         , 7       , True         , False        , (119, 11, 32) ),
    Label(  'license plate'        , -1 ,       -1 , 'vehicle'         , 7       , False        , True         , (  0,  0,142) ),
]