任务3.3   智能网联汽车深度学习目标检测数据集制作

学习目标

知识目标：

• 了解深度学习技术在环境感知中的应用；

  
  

能力目标：

• 能读懂VOC、COCO等常用深度学习数据集的文件结构，并能使用标注工具完成数据的标注，制作训练数据集。

任务描述

在上一章，我们花了大量的篇幅和时间，主要对智能网联汽车的各种传感器进行讲解，重点学习了对传感器的硬件配置、参数配置、驱动编译、数据获取、参数标定和数据可视化。在这一章，我们将进一步地利用智能网联汽车传感器的原始数据进行综合感知和路径规划应用。需要说明地是，无论是综合感知还是路径规划都会涉及到算法，但这不是我们学习重点！相反，我们更加关注的是操作和实践层面的内容。

在此节，我们将完成深度学习标注工具的安装与使用，并在此基础上完成整个深度学习数据集制作。

任务准备

1.资料学习

2.任务准备

任务实施

1. 完成PASCAL VOC数据集制作

#安装编译指令

unzip labelImg.zip

cd labelImg

sudo apt install python3-pip

sudo apt-get install pyqt5-dev-tools

sudo pip3 install -r requirements/requirements-linux-python3.txt  -i https://pypi.tuna.tsinghua.edu.cn/simple

make qt5py3

pyrcc5 -o libs/resources.py resources.qrc

python3 labelImg.py

任务拓展

COCO 数据集

    官网: http://cocodataset.org

    MS COCO的全称是Microsoft Common Objects in Context，起源于微软于2014年出资标注的Microsoft COCO数据集，与ImageNet竞赛一样，被视为是计算机视觉领域最受关注和最权威的比赛之一。

    COCO数据集是一个大型的、丰富的物体检测，分割和字幕数据集。这个数据集以scene understanding为目标，主要从复杂的日常场景中截取，图像中的目标通过精确的segmentation进行位置的标定。图像包括91类目标，328,000影像和2,500,000个label。目前为止有语义分割的最大数据集，提供的类别有80 类，有超过33 万张图片，其中20 万张有标注，整个数据集中个体的数目超过150 万

labelme标注工具

https://github.com/wkentaro/labelme