RFNet模型数据集采集处理流程

cityscapes数据集内容

训练模型的时候下载了cityscapes里的disparity、gtFine和leftImg8bit。

共5000张图片。2975张训练，500张验证，1525test。每个目录下都有train、test和val的子目录,这些子目录下又有一些城市名命名的子目录。train下有18个子文件夹对应德国的16个城市，法国一个城市和瑞士一个城市。train集总共有2975张png格式的大小为2048 x 1024的0-255的RGB图片。val下有3个子文件夹对应德国的3个城市。test下有6个子文件夹对应德国的6个城市。

对于disparity目录，里面放的都是深度图片；对于leftImg8bit里面放的都是原图片；对于gtFine中train目录下含有以下类型的文件：

文件的命名规则：

模型在训练的时候用到了哪些数据？

在train.py文件中加载并使用的是train_loader和val_loader。

self.train_loader, self.val_loader, self.test_loader, self.nclass = make_data_loader(args, **kwargs)

train.py中的make_data_loader()在dataloader中的__init__.py中：

def make_data_loader(args, **kwargs):
	if args.dataset == 'cityscapes':
	     train_set = cityscapes.CityscapesSegmentation(args, split='train')
	     val_set = cityscapes.CityscapesSegmentation(args, split='val')
	     test_set = cityscapes.CityscapesSegmentation(args, split='test')
	     num_class = train_set.NUM_CLASSES
	     train_loader = DataLoader(train_set, batch_size=args.batch_size, shuffle=True, **kwargs)
         val_loader = DataLoader(val_set, batch_size=args.val_batch_size, shuffle=False, **kwargs)
         test_loader = DataLoader(test_set, batch_size=args.test_batch_size, shuffle=False, **kwargs)
         return train_loader, val_loader, test_loader, num_class

cityscapes.py中的CityscapesSegmentation()：

 self.images_base = os.path.join(self.root, 'leftImg8bit', self.split)
 self.disparities_base = os.path.join(self.root, 'disparity', self.split)
 self.annotations_base = os.path.join(self.root, 'gtFine', self.split)
 
 self.images[split] = self.recursive_glob(rootdir=self.images_base, suffix='.png')
 self.images[split].sort()

 self.disparities[split] = self.recursive_glob(rootdir=self.disparities_base, suffix='.png')
 self.disparities[split].sort()

 self.labels[split] = self.recursive_glob(rootdir=self.annotations_base, suffix='labelTrainIds.png')
 self.labels[split].sort()

从代码中可以看到从leftImg8bit读取原图片，从disparity读取深度图片，从gtFine读取标签图片。其中标签图片是灰度图，灰度值就是种类对应的标签值。

所以制作自己的数据集需要原RGB图片、深度图片、标签图片。如何得到标签图片？cityscapes提供了标注工具获得josn文件，再将josn文件转为labelTrainIds.png。

如何标注数据得到标签图片

1.可以利用github上提供的标注工具
2.也可以利用labelme标注
这里选择labelme，创建文件夹images，里面放rgb图片和label.txt（里面放标签），再创建文件夹labels，把标注好的json文件存在这里。
标注的时候点物体的轮廓，点回到第一个点的时候形成闭合区域，弹出对话框选择种类。

得到josn文件后，要进行一下处理。因为labelme生成的josn和原数据集的josn并不一样。一种方法是修改生成的josn文件，一种方法是修改原代码。为了以后更方便，不用标注过后再进行一次json处理，这里直接修改源代码。主要修改对应的key值，目录地址。

利用citscapesscripts生成标签图片。先修改/helper/labels.py中的标签，然后把数据集的目录给/preparation/createTrainIdLabelImgs.py，生成标签图片。标注了两张图片得到json测试得到如下结果：



为更高效的标注可以先试用分割模型输出分割结果josn文件，然后人为进行修正即可。