有哪些数据集是包含信号灯和交通标志在一起的

Question

谢谢大家了。想知道什么数据集既有信号灯还有交通标志。感谢大家分享

Answer 1

引自免费微信小程序：皆我百晓生

针对你的需求，确实有几个数据集可以满足同时检测信号灯和交通标志的要求。下面列举几个较为知名的数据集：

1. BDD100K BDD100K 是一个大规模、多样化的驾驶场景理解数据集，包含了丰富的标注信息，包括但不限于信号灯和交通标志。这个数据集的特点是覆盖了不同天气、时间和地理区域的场景，非常适合作为训练目标检测模型的数据源。

   访问链接：BDD100K

2. Cityscapes Cityscapes 数据集专注于城市街景的理解，提供了高质量的像素级标注，包括道路、车辆、行人以及各种静态物体，如交通标志和信号灯。尽管它的主要焦点不是交通标志和信号灯，但这些元素在数据集中均有出现，可用于相关任务的研究与开发。

   访问链接：Cityscapes

3. Mapillary Vistas Dataset (MVD) MVD 是一个面向街道级别的视觉理解的大规模数据集，它涵盖了广泛的地理区域和视觉场景。除了道路、车辆和行人外，还详细标注了交通标志和信号灯等元素，非常适合用于训练复杂环境下的目标检测模型。

   访问链接：Mapillary Vistas Dataset

4. COCO Traffic Signs Dataset 这个数据集是从 COCO（Common Objects in Context）数据集中提取出来的，专门用于交通标志的检测。虽然它可能不包含信号灯，但如果你的目标主要是交通标志，这会是一个不错的选择。

   访问链接：COCO Traffic Signs

为了从这些数据集中有效地提取和利用信息，你可能需要编写一些预处理脚本来清洗数据、转换格式以及分割训练和验证集。例如，对于 Cityscapes 数据集，你可能需要使用其提供的工具将像素级标签转换为边界框格式，以便于目标检测模型的训练。

这里提供一个简化的示例，展示如何使用 Python 和相关库读取 Cityscapes 数据集中的图像和对应的标签，并将其转换为 YOLOv5 可以接受的格式。请注意，实际操作时你需要根据具体数据集的结构进行相应的调整。

import os
import cv2
import json
from shutil import copyfile

# 数据集路径和输出路径
dataset_path = '/path/to/cityscapes'
output_path = '/path/to/output'

# 创建输出目录
os.makedirs(os.path.join(output_path, 'images'), exist_ok=True)
os.makedirs(os.path.join(output_path, 'labels'), exist_ok=True)

# 遍历数据集中的每个图像和标签文件
for city in os.listdir(os.path.join(dataset_path, 'leftImg8bit')):
    img_dir = os.path.join(dataset_path, 'leftImg8bit', city)
    label_dir = os.path.join(dataset_path, 'gtFine', city)
    
    for img_file in os.listdir(img_dir):
        if '_leftImg8bit.png' in img_file:
            label_file = img_file.replace('_leftImg8bit.png', '_gtFine_polygons.json')
            
            # 读取图像
            img = cv2.imread(os.path.join(img_dir, img_file))
            height, width, _ = img.shape
            
            # 复制图像到输出目录
            copyfile(os.path.join(img_dir, img_file), os.path.join(output_path, 'images', img_file))
            
            # 读取标签
            with open(os.path.join(label_dir, label_file)) as f:
                data = json.load(f)
                
            # 处理每个对象
            with open(os.path.join(output_path, 'labels', img_file.replace('.png', '.txt')), 'w') as out_file:
                for obj in data['objects']:
                    if obj['label'] in ['traffic sign', 'traffic light']:
                        x, y, w, h = obj['polygon']
                        x_center = (x + w / 2) / width
                        y_center = (y + h / 2) / height
                        w_norm = w / width
                        h_norm = h / height
                        
                        # 写入 YOLO 格式的标签
                        out_file.write(f"{obj['label']} {x_center} {y_center} {w_norm} {h_norm}\n")

这段代码仅作为一个起点，实际应用中可能需要进一步的优化和错误处理。特别是，你需要确保标签的类别与模型所期望的类别相匹配，并且可能需要根据数据集的具体标注方式调整坐标计算逻辑。

希望这些信息能帮助你找到合适的资源并开始你的项目！如果有更具体的技术问题或需要进一步的指导，请随时提问。