如何为视网膜网络训练准备我的图像和注释？答案

【问题标题】：How to prepare my images and annotation for retinanet training?如何为视网膜网络训练准备我的图像和注释？
【发布时间】：2019-07-28 01:16:17
【问题描述】：

我按照tutorial 在 coco 数据集上训练对象检测模型。本教程包含下载和使用coco dataset 及其注释并将其转换为TFRecord 的步骤。

我需要使用自己的自定义数据进行训练，我使用labelimg 工具进行了注释，该工具生成了包含 (w,h,xmin,ymin,xmax,ymax) 的图像的 xml 文件。

但 coco 数据集具有 JSON 格式，带有用于创建 TFRecord 的图像分割字段。

训练 resnet、retinanet 是否必须进行分段？

那么，谁能指导我从没有分段值的 XML 注释创建 JSON 注释的过程？

xml：

<annotation>
    <folder>frames</folder>
    <filename>83.jpg</filename>
    <path>/home/tdadmin/Downloads/large/f/frames/83.jpg</path>
    <source>
        <database>Unknown</database>
    </source>
    <size>
        <width>640</width>
        <height>480</height>
        <depth>3</depth>
    </size>
    <segmented>0</segmented>
    <object>
        <name>person</name>
        <pose>Unspecified</pose>
        <truncated>0</truncated>
        <difficult>0</difficult>
        <bndbox>
            <xmin>246</xmin>
            <ymin>48</ymin>
            <xmax>350</xmax>
            <ymax>165</ymax>
        </bndbox>
    </object>
</annotation>

【问题讨论】：

标签： image-processing artificial-intelligence object-detection object-detection-api retinanet

【解决方案1】：

你现在做的有点像我之前做过的一个项目。所以我有一些建议给你。

当我训练我的 Mask RCNN 模型时，我使用了 VGG Image Annotator (you can easily find that on Google)。通过使用该工具，可以轻松创建 json 注释文件。然后将其插入您的训练中。

希望对您有所帮助。如果您仍有疑问，请随时对此发表评论。

罗文

【讨论】：

【解决方案2】：

注解格式其实并不重要。我之前自己从 txt 文件创建了 tfrecord。要创建自定义 tfrecord，您必须编写自己的 create_custom_tf_record.py，就像 this folder 中显示的其他内容一样。

但是由于你使用的是 coco 类似的注解，你可以使用文件create_coco_tf_record.py。您需要自己实现的重要内容是annotations_list。 annotations_list 只是一个字典，因此您的目标是将您的 xml 文件解析为包含键值对的字典，然后将正确的值传递给 feature_dict，然后从 feature_dict 构造 tf.train.Example。有了tf.train.Example created，就可以轻松创建tfrecord了。

因此，对于您的确切示例，首先解析 xml 文件。

import xml.etree.ElementTree as ET
tree = ET.parse('annotations.xml')

然后像这样从tree 构造annotaions_list：

annotations_list = {}
it = tree.iter()
for key in it:
    annotations_list[str(key.tag)] = key.text

然后你可以从annotations_list创建feature_dict

feature_dict = {
  'image/height':
      dataset_util.int64_feature(annotatios_list['height']),
  'image/width':
      dataset_util.int64_feature(...),
  'image/filename':
      dataset_util.bytes_feature(...),
  'image/source_id':
      dataset_util.bytes_feature(...),
  'image/key/sha256':
      dataset_util.bytes_feature(...),
  'image/encoded':
      dataset_util.bytes_feature(...),
  'image/format':
      dataset_util.bytes_feature(...),
  'image/object/bbox/xmin':
      dataset_util.float_list_feature(...),
  'image/object/bbox/xmax':
      dataset_util.float_list_feature(...),
  'image/object/bbox/ymin':
      dataset_util.float_list_feature(...),
  'image/object/bbox/ymax':
      dataset_util.float_list_feature(...),
  'image/object/class/text':
      dataset_util.bytes_list_feature(....),
  'image/object/is_crowd':
      dataset_util.int64_list_feature(...),
  'image/object/area':
      dataset_util.float_list_feature(...),
  }

只需确保feature_dict 字段对应于annotations_list 和label_map 中的正确字段。

您可能想知道为什么feature_dict中的这些字段是必需的，根据官方文档using your own dataset，以下字段是必需的，其他是可选的。

'image/height': dataset_util.int64_feature(height),
  'image/width': dataset_util.int64_feature(width),
  'image/filename': dataset_util.bytes_feature(filename),
  'image/source_id': dataset_util.bytes_feature(filename),
  'image/encoded': dataset_util.bytes_feature(encoded_image_data),
  'image/format': dataset_util.bytes_feature(image_format),
  'image/object/bbox/xmin': dataset_util.float_list_feature(xmins),
  'image/object/bbox/xmax': dataset_util.float_list_feature(xmaxs),
  'image/object/bbox/ymin': dataset_util.float_list_feature(ymins),
  'image/object/bbox/ymax': dataset_util.float_list_feature(ymaxs),
  'image/object/class/text': dataset_util.bytes_list_feature(classes_text),
  'image/object/class/label': dataset_util.int64_list_feature(classes),

【讨论】：