YOLOv5训练大规模的遥感实例分割数据集 iSAID从切图到数据集制作及训练_isaid数据集

最近想训练遥感实例分割，纵观博客发现较少相关 iSAID数据集的切分及数据集转换内容，思来想去应该在繁忙之中抽出时间写个详细的教程。

iSAID数据集下载

iSAID数据集链接

下载上述数据集。

百度网盘中的train和val中包含了实例和语义分割标签。
上述过程只能下载标签，原始图像为DOTA，DOTA图像链接
上述下载完毕后，
train图像：1411张原始图像；1411张实例标签；1411张语义标签。
将所有训练图像放置在一起创建iSAID/train/
val图像：458张原始图像；458张实例标签；458张语义标签。
将所有验证图像放置在一起创建iSAID/val/

切图并分割标签

下载切图代码：切图及标签转换
如果不将图像切分，则会造成显存溢出，原因在于图像具有较多实例，以及大分辨率。
根据readme运行split.py，运行时将’–set’,改为 default=“train,val”
此时执行切图运算(时间较长)。
切割完毕后在iSAID_patches文件夹中
train/84087图像数量
val/19024图像数量
第二步：标签生成：
运行preprocess.py。
注：需要安装lycon库，如果失败，在ubuntu命令行执行：
sudo apt-get install cmake build-essential libjpeg-dev libpng-dev
运行完毕后将生成coco格式的大json文件。

转成YOLO格式并训练

利用coco官方API统计一下目标类别：

# -*- coding: utf-8 -*-
# -----------------------------------------------------
# Time :  2023/2/27 11:28
# Auth :  Written by zuofengyuan
# File :  统计coco信息.py
# Copyright (c) Shenyang Pedlin Technolofy Co., Ltd.
# -----------------------------------------------------
"""
 Description: TODO
"""
from pycocotools.coco import COCO

# 文件路径
dataDir = r'l/'
dataType = 'train2017' #val2017
annFile = '{}/instances_{}.json'.format(dataDir, dataType)

# initialize COCO api for instance annotations
coco_train = COCO(annFile)

# display COCO categories and supercategories
# 显示所有类别
cats = coco_train.loadCats(coco_train.getCatIds())
cat_nms = [cat['name'] for cat in cats]
print('COCO categories:\n{}'.format('\n'.join(cat_nms)) + '\n')
# 统计单个类别的图片数量与标注数量
for cat_name in cat_nms:
    catId = coco_train.getCatIds(catNms=cat_name)
    if cat_name == "person":
        print(catId)
        imgId = coco_train.getImgIds(catIds=catId)
        annId = coco_train.getAnnIds(imgIds=imgId, catIds=catId, iscrowd=False)
        print("{:<15} {:<6d}     {:<10d}\n".format(cat_name, len(imgId), len(annId)))
    if cat_name == "motorcycle":
        print(catId)
        imgId = coco_train.getImgIds(catIds=catId)
        annId = coco_train.getAnnIds(imgIds=imgId, catIds=catId, iscrowd=False)
        print("{:<15} {:<6d}     {:<10d}\n".format(cat_name, len(imgId), len(annId)))
# 统计全部的类别及全部的图片数量和标注数量
print("NUM_categories： " + str(len(coco_train.dataset['categories'])))
print("NUM_images: " + str(len(coco_train.dataset['images'])))
print("NUM_annotations: " + str(len(coco_train.dataset['annotations'])))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42

loading annotations into memory...
Done (t=19.50s)
creating index...
index created!
COCO categories:
Small_Vehicle
Large_Vehicle
plane
storage_tank
ship
Swimming_pool
Harbor
tennis_court
Ground_Track_Field
Soccer_ball_field
baseball_diamond
Bridge
basketball_court
Roundabout
Helicopter
NUM_categories： 15
NUM_images: 28029
NUM_annotations: 704684

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

根据官方转换代码JSON-yolomask
将coco格式的大json数据转换成总多yolo格式的关键点数据，
更改yaml数据文件：

train: ../JSON2YOLO-master/new_dir/images/train2017  # train images (relative to 'path') 128 images
val: ../JSON2YOLO-master/new_dir/images/train2017  # val images (relative to 'path') 128 images
test:  # test images (optional)

# Classes
names:
  0: Small_Vehicle
  1: Large_Vehicle
  2: plane
  3: ship
  4: Swimming_pool
  5: Harbor
  6: tennis_court
  7: Swimming_pool
  8: Ground_Track_Field
  9: Soccer_ball_field
  10: baseball_diamond
  11: Bridge
  12: basketball_court
  13: Roundabout
  14: Helicopter
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

然后执行更改配置后执行

python segment/train.py
1

查看训练图像


注：coco转yolo mask格式链接：
官方链接