yolov1代码解析（2）：pascal_voc.py文件分析
yolov1代码解析（2）：pascal_voc.py文件分析
这里我们主要讨论batch中的label是由什么组成，并由什么产生的。
//生成gt_labels（txt.中涉到的所有的图片的jpg文件和label信息）
def load_labels(self):
if self.phase == 'train':
txtname = os.path.join(
self.data_path, 'ImageSets', 'Main', 'trainval.txt')
else:
txtname = os.path.join(
self.data_path, 'ImageSets', 'Main', 'test.txt')
with open(txtname, 'r') as f:
self.image_index = [x.strip() for x in f.readlines()]
gt_labels = []
for index in self.image_index:
label, num = self.load_pascal_annotation(index)
if num == 0:
continue
imname = os.path.join(self.data_path, 'JPEGImages', index + '.jpg')
gt_labels.append({'imname': imname, 'label': label, 'flipped': False})
print('Saving gt_labels to: ' + cache_file)
with open(cache_file, 'wb') as f:
pickle.dump(gt_labels, f)
return gt_labels
对这段代码进行分析：
这里不考虑存在缓存文件的情况，从函数名称我们可以看到该函数负责加载label，首先获取训练集或测试集中存储的图片名称序列（并非.jpg文件，可以理解为xml文件去除后缀的部分），存储在self.image_index中，之后调用load_pascal_annotation这个函数，该函数返回label和num（xml文件中包含object的数量）这两个数据。接着使用imname存储对应.jpg文件的路径。最终该函数的返回值gt_labels由三部分（分别对应jpg图片索引，label，是否翻转）
//生成每张图片对应的label和num
def load_pascal_annotation(self, index):
imname = os.path.join(self.data_path, 'JPEGImages', index + '.jpg')
im = cv2.imread(imname)
h_ratio = 1.0 * self.image_size / im.shape[0]
w_ratio = 1.0 * self.image_size / im.shape[1]
label = np.zeros((self.cell_size, self.cell_size, 25))
filename = os.path.join(self.data_path, 'Annotations', index + '.xml')
tree = ET.parse(filename)
objs = tree.findall('object')
for obj in objs:
bbox = obj.find('bndbox')
x1 = max(min((float(bbox.find('xmin').text) - 1) * w_ratio, self.image_size - 1), 0)
y1 = max(min((float(bbox.find('ymin').text) - 1) * h_ratio, self.image_size - 1), 0)
x2 = max(min((float(bbox.find('xmax').text) - 1) * w_ratio, self.image_size - 1), 0)
y2 = max(min((float(bbox.find('ymax').text) - 1) * h_ratio, self.image_size - 1), 0)
cls_ind = self.class_to_ind[obj.find('name').text.lower().strip()]
boxes = [(x2 + x1) / 2.0, (y2 + y1) / 2.0, x2 - x1, y2 - y1]
x_ind = int(boxes[0] * self.cell_size / self.image_size)
y_ind = int(boxes[1] * self.cell_size / self.image_size)
if label[y_ind, x_ind, 0] == 1:
continue
label[y_ind, x_ind, 0] = 1
label[y_ind, x_ind, 1:5] = boxes
label[y_ind, x_ind, 5 + cls_ind] = 1
return label, len(objs)
对这段代码进行分析：
考虑到xml里的x和y信息来源为没有调整尺寸的图像，但是模型中输入的图像为448 * 448，因此需要将x和y的相关信息按输入图像比例进行调整h_ratio和w_ratio对应了调整的比例。之后开始对xml文件进行解析，寻找xml文件的object字段，将每个object内的x，y信息按照之前的比例信息进行调整。boxes存储的信息等价为[x_center, y_center, width, height]。x_ind和y_ind分别对应中心点所在的cell的行列值。cls_ind存储的为cell负责的object对应的类别数字。label[y_ind, x_ind, 0]作为标志位，表示该cell是否对object负责。label[y_ind, x_ind, 1:5]存储的是坐标的绝对信息。 label[y_ind, x_ind, 5 + cls_ind]是在最后的20列中选择cls_ind对应的类别数字进行标记。