使用yolov5训练自动驾驶目标检测数据集BDD100K

使用yolov5训练自动驾驶目标检测数据集BDD100K

引用

CSDN

1.

https://blog.csdn.net/qq_37555071/article/details/118934037

BDD100K是伯克利发布的开放式驾驶视频数据集，包含10万个视频和10个任务，旨在评估自动驾驶图像识别算法的进展。本文将详细介绍如何使用YOLOv5训练BDD100K数据集，包括数据预处理、环境配置、模型结构修改、迁移学习、训练过程和性能评估等多个方面。

一、什么是BDD100K

BDD100K是伯克利发布的开放式驾驶视频数据集，其中包含10万个视频和10个任务（因为把交通灯的颜色也区分了出来，实际上是13类分类任务），目的是方便评估自动驾驶图像识别算法的的进展。该数据集具有地理，环境和天气多样性，从而能让模型能够识别多种场景，具备更多的泛化能力。

由于硬件限制，我只里训练其中的图片数据，数据集按Train、Valid、Test三个部分，比例可以按照7:2:1分配，共近10张图片。

二、数据预处理

Bdd100k的标签是由Scalabel生成的JSON格式，虽然伯克利提供Bdd100k数据集的标签查看及标签格式转化工具。由于没有直接从bdd100k转换成YOLO的工具，因此我们首先得使用将bdd100k的标签转换为coco格式，然后再将coco格式转换为yolo格式。

YOLO家族独特的标签数据集格式为：每个图片文件.jpg，都有同一命名的标签文件.txt。标签文件中每个对象独占一行，格式为

<object-class> <x> <y> <width> <height>。

其中：

• <object-class> 表示对象的类别序号：从0 到 (classes-1)。
• <x> <y> <width> <height> 参照图片宽度和高度的相对比例(浮点数值)，从0.0到1.0。注意： 是矩形的中心，而不是左上角位置。

如下图所示：

（1）bdd 转化为coco格式

我的目的是识别包括不同颜色交通灯在内的所有交通对象，因此我们需要对原版的bdd2coco.py进行一些修改，以获取交通灯颜色并产生新的类别。这是修改完的核心代码：

for label in i['labels']:
    annotation = dict()  
    category=label['category']  
    if (category == "traffic light"):  
        color = label['attributes']['trafficLightColor']  
        category = "tl_" + color  
    if category in id_dict.keys():  
        empty_image = False  
        annotation["iscrow