請我喝杯咖啡?
*備忘錄：
- 我的帖子解釋了CocoDetection()使用帶有captions_train2014.json、instances_train2014.json和person_keypoints_train2014.json的train2014、帶有captions_val2014.json、instances_val2014.json和person_keypoints_val2014.json的val2014以及帶有image_info_test2014.json的test2017， image_info_test2015.json 和 image_info_test-dev2015.json。
- 我的帖子解釋了CocoDetection()使用train2017與captions_train2017.json，instances_train2017.json和person_keypoints_train2017.json，val2017與captions_val2017.json，instances_val2017.json和person_keypoints_val2017.json和test2017與image_info_test2017.json和image_info_test-dev2017.json.
- 我的帖子解釋了 MS COCO。
CocoDetection() 可以使用 MS COCO 數(shù)據(jù)集，如下所示。 *這是針對帶有 stuff_train2017.json 的 train2017、帶有 stuff_val2017.json 的 val2017、帶有 stuff_train2017.json 的 stuff_train2017_pixelmaps、帶有 stuff_val2017.json 的 stuff_val2017_pixelmaps、帶有 panoptic_train2017.json 的 panoptic_train2017、帶有 panoptic_train2017.json 的 panoptic_val2017 panoptic_val2017.json 和 unlabeled2017 以及 image_info_unlabeled2017.json:
from torchvision.datasets import CocoDetection
stf_train2017_data = CocoDetection(
root="data/coco/imgs/train2017",
annFile="data/coco/anns/stuff_trainval2017/stuff_train2017.json"
)
stf_val2017_data = CocoDetection(
root="data/coco/imgs/val2017",
annFile="data/coco/anns/stuff_trainval2017/stuff_val2017.json"
)
len(stf_train2017_data), len(stf_val2017_data)
# (118287, 5000)
# pms_stf_train2017_data = CocoDetection(
# root="data/coco/anns/stuff_trainval2017/stuff_train2017_pixelmaps",
# annFile="data/coco/anns/stuff_trainval2017/stuff_train2017.json"
# ) # Error
# pms_stf_val2017_data = CocoDetection(
# root="data/coco/anns/stuff_trainval2017/stuff_val2017_pixelmaps",
# annFile="data/coco/anns/stuff_trainval2017/stuff_val2017.json"
# ) # Error
# pan_train2017_data = CocoDetection(
# root="data/coco/anns/panoptic_trainval2017/panoptic_train2017",
# annFile="data/coco/anns/panoptic_trainval2017/panoptic_train2017.json"
# ) # Error
# pan_val2017_data = CocoDetection(
# root="data/coco/anns/panoptic_trainval2017/panoptic_val2017",
# annFile="data/coco/anns/panoptic_trainval2017/panoptic_val2017.json"
# ) # Error
unlabeled2017_data = CocoDetection(
root="data/coco/imgs/unlabeled2017",
annFile="data/coco/anns/unlabeled2017/image_info_unlabeled2017.json"
)
len(unlabeled2017_data)
# 123403
stf_train2017_data[2]
# (<PIL.Image.Image image mode=RGB size=640x428>,
# [{'segmentation': {'counts': 'W2a0S2Q1T7mNmHS1R7mN...0100000000',
# 'size': [428, 640]}, 'area': 112666.0, 'iscrowd': 0, 'image_id': 30,
# 'bbox': [0.0, 0.0, 640.0, 321.0], 'category_id': 119, 'id': 10000010},
# {'segmentation': ..., 'category_id': 124, 'id': 10000011},
# ...
# {'segmentation': ..., 'category_id': 183, 'id': 10000014}])
stf_train2017_data[47]
# (<PIL.Image.Image image mode=RGB size=640x427>,
# [{'segmentation': {'counts': '\\j1h0[<a0G2N001O0...00001O0000',
# 'size': [427, 640]}, 'area': 65213.0, 'iscrowd': 0, 'image_id': 294,
# 'bbox': [140.0, 0.0, 500.0, 326.0], 'category_id': 98, 'id': 10000284},
# {'segmentation': ..., 'category_id': 123, 'id': 10000285},
# ...
# {'segmentation': ..., 'category_id': 183, 'id': 10000291}])
stf_train2017_data[64]
# (<PIL.Image.Image image mode=RGB size=480x640>,
# [{'segmentation': {'counts': '0[9e:1O000000O100000...O5mc0F^Zj7',
# 'size': [640, 480]}, 'area': 20503.0, 'iscrowd': 0, 'image_id': 370,
# 'bbox': [0.0, 0.0, 79.0, 316.0], 'category_id': 102, 'id': 10000383},
# {'segmentation': ..., 'category_id': 105, 'id': 10000384},
# ...
# {'segmentation': ..., 'category_id': 183, 'id': 10000389}])
stf_val2017_data[2]
# (<PIL.Image.Image image mode=RGB size=640x483>,
# [{'segmentation': {'counts': '\9g5]9O1O1O;EU1kNU1...VMKQ?NY`d3',
# 'size': [483, 640]}, 'area': 5104.0, 'iscrowd': 0, 'image_id': 632,
# 'bbox': [0.0, 300.0, 392.0, 183.0], 'category_id': 93, 'id': 20000017},
# {'segmentation': ..., 'category_id': 128, 'id': 20000018},
# ...
# {'segmentation': ..., 'category_id': 183, 'id': 20000020}])
stf_val2017_data[47]
# (<PIL.Image.Image image mode=RGB size=640x480>,
# [{'segmentation': {'counts': '[da7T1X>D3M2J5M4M4LoQg1',
# 'size': [480, 640]}, 'area': 122.0, 'iscrowd': 0, 'image_id': 5001,
# 'bbox': [515.0, 235.0, 7.0, 36.0], 'category_id': 104, 'id': 20000247},
# {'segmentation': ..., 'category_id': 105, 'id': 20000248},
# ...
# {'segmentation': ..., 'category_id': 183, 'id': 20000256}])
stf_val2017_data[64]
# (<PIL.Image.Image image mode=RGB size=640x483>,
# [{'segmentation': {'counts': 'U<^1W>N020mN]B2e>N1O...Mb@N^?2hd2',
# 'size': [500, 375]}, 'area': 2404.0, 'iscrowd': 0, 'image_id': 6763,
# 'bbox': [0.0, 235.0, 369.0, 237.0], 'category_id': 105, 'id': 20000356},
# {'segmentation': ..., 'category_id': 123, 'id': 20000357},
# ...
# {'segmentation': ..., 'category_id': 183, 'id': 20000362}])
unlabeled2017_data[2]
# (<PIL.Image.Image image mode=RGB size=640x427>, [])
unlabeled2017_data[47]
# (<PIL.Image.Image image mode=RGB size=428x640>, [])
unlabeled2017_data[64]
# (<PIL.Image.Image image mode=RGB size=640x480>, [])
import matplotlib.pyplot as plt
from matplotlib.patches import Polygon, Rectangle
import numpy as np
from pycocotools import mask
# `show_images1()` doesn't work very well for the images with
# segmentations so for it, use `show_images2()` which
# more uses the original coco functions.
def show_images1(data, ims, main_title=None):
file = data.root.split('/')[-1]
fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(14, 8))
fig.suptitle(t=main_title, y=0.9, fontsize=14)
for i, axis in zip(ims, axes.ravel()):
if data[i][1] and "segmentation" in data[i][1][0]:
im, anns = data[i]
axis.imshow(X=im)
axis.set_title(label=anns[0]["image_id"])
ec = ['g', 'r', 'c', 'm', 'y', 'w']
ec_index = 0
for ann in anns:
seg = ann['segmentation']
compressed_rld = mask.decode(rleObjs=seg)
y_plts, x_plts = np.nonzero(a=np.squeeze(a=compressed_rld))
axis.plot(x_plts, y_plts, alpha=0.4)
x, y, w, h = ann['bbox']
rect = Rectangle(xy=(x, y), width=w, height=h,
linewidth=3, edgecolor=ec[ec_index],
facecolor='none', zorder=2)
ec_index += 1
if ec_index == len(ec)-1:
ec_index = 0
axis.add_patch(p=rect)
elif not data[i][1]:
im, _ = data[i]
axis.imshow(X=im)
fig.tight_layout()
plt.show()
ims = (2, 47, 64)
show_images1(data=stf_train2017_data, ims=ims,
main_title="stf_train2017_data")
show_images1(data=stf_val2017_data, ims=ims,
main_title="stf_val2017_data")
show_images1(data=unlabeled2017_data, ims=ims,
main_title="unlabeled2017_data")
def show_images2(data, index, main_title=None):
img_set = data[index]
img, img_anns = img_set
if img_anns and "segmentation" in img_anns[0]:
img_id = img_anns[0]['image_id']
coco = data.coco
def show_image(imgIds, areaRng=[],
iscrowd=None, draw_bbox=False):
plt.figure(figsize=(11, 8))
plt.imshow(X=img)
plt.suptitle(t=main_title, y=1, fontsize=14)
plt.title(label=img_id, fontsize=14)
anns_ids = coco.getAnnIds(imgIds=img_id,
areaRng=areaRng, iscrowd=iscrowd)
anns = coco.loadAnns(ids=anns_ids)
coco.showAnns(anns=anns, draw_bbox=draw_bbox)
plt.show()
show_image(imgIds=img_id, draw_bbox=True)
show_image(imgIds=img_id, draw_bbox=False)
show_image(imgIds=img_id, iscrowd=False, draw_bbox=True)
show_image(imgIds=img_id, areaRng=[0, 5000], draw_bbox=True)
elif not img_anns:
plt.figure(figsize=(11, 8))
plt.imshow(X=img)
plt.suptitle(t=main_title, y=1, fontsize=14)
plt.show()
show_images2(data=stf_val2017_data, index=47,
main_title="stf_train2017_data")
顯示_圖像1（）：
顯示圖像2（）：
以上是PyTorch 中的 CocoDetection (3)的詳細內(nèi)容。更多信息請關注PHP中文網(wǎng)其他相關文章！
熱AI工具
Undress AI Tool
免費脫衣服圖片
Undresser.AI Undress
人工智能驅(qū)動的應用程序，用于創(chuàng)建逼真的裸體照片
AI Clothes Remover
用于從照片中去除衣服的在線人工智能工具。
Clothoff.io
AI脫衣機
Video Face Swap
使用我們完全免費的人工智能換臉工具輕松在任何視頻中換臉！
熱門文章
熱工具
記事本++7.3.1
好用且免費的代碼編輯器
SublimeText3漢化版
中文版，非常好用
禪工作室 13.0.1
功能強大的PHP集成開發(fā)環(huán)境
Dreamweaver CS6
視覺化網(wǎng)頁開發(fā)工具
SublimeText3 Mac版
神級代碼編輯軟件(SublimeText3)
Python類中的多態(tài)性
Jul 05, 2025 am 02:58 AM
多態(tài)是Python面向?qū)ο缶幊讨械暮诵母拍?，指“一種接口，多種實現(xiàn)”，允許統(tǒng)一處理不同類型的對象。1.多態(tài)通過方法重寫實現(xiàn)，子類可重新定義父類方法，如Animal類的speak()方法在Dog和Cat子類中有不同實現(xiàn)。2.多態(tài)的實際用途包括簡化代碼結構、增強可擴展性，例如圖形繪制程序中統(tǒng)一調(diào)用draw()方法，或游戲開發(fā)中處理不同角色的共同行為。3.Python實現(xiàn)多態(tài)需滿足：父類定義方法，子類重寫該方法，但不要求繼承同一父類，只要對象實現(xiàn)相同方法即可，這稱為“鴨子類型”。4.注意事項包括保持方
解釋Python發(fā)電機和迭代器。
Jul 05, 2025 am 02:55 AM
迭代器是實現(xiàn)__iter__()和__next__()方法的對象，生成器是簡化版的迭代器，通過yield關鍵字自動實現(xiàn)這些方法。1.迭代器每次調(diào)用next()返回一個元素，無更多元素時拋出StopIteration異常。2.生成器通過函數(shù)定義，使用yield按需生成數(shù)據(jù)，節(jié)省內(nèi)存且支持無限序列。3.處理已有集合時用迭代器，動態(tài)生成大數(shù)據(jù)或需惰性求值時用生成器，如讀取大文件時逐行加載。注意：列表等可迭代對象不是迭代器，迭代器到盡頭后需重新創(chuàng)建，生成器只能遍歷一次。
如何處理Python中的API身份驗證
Jul 13, 2025 am 02:22 AM
處理API認證的關鍵在于理解并正確使用認證方式。1.APIKey是最簡單的認證方式，通常放在請求頭或URL參數(shù)中；2.BasicAuth使用用戶名和密碼進行Base64編碼傳輸，適合內(nèi)部系統(tǒng)；3.OAuth2需先通過client_id和client_secret獲取Token，再在請求頭中帶上BearerToken；4.為應對Token過期，可封裝Token管理類自動刷新Token；總之，根據(jù)文檔選擇合適方式，并安全存儲密鑰信息是關鍵。
如何一次迭代兩個列表
Jul 09, 2025 am 01:13 AM
在Python中同時遍歷兩個列表的常用方法是使用zip()函數(shù)，它會按順序配對多個列表并以最短為準；若列表長度不一致，可使用itertools.zip_longest()以最長為準并填充缺失值；結合enumerate()可同時獲取索引。1.zip()簡潔實用，適合成對數(shù)據(jù)迭代；2.zip_longest()處理不一致長度時可填充默認值；3.enumerate(zip())可在遍歷時獲取索引，滿足多種復雜場景需求。
什么是Python型提示？
Jul 07, 2025 am 02:55 AM
typeHintsInpyThonsolverbromblemboyofambiguityandPotentialBugSindyNamalytyCodeByallowingDevelopsosteSpecefectifyExpectedTypes.theyenhancereadability，enablellybugdetection，andimprovetool.typehintsupport.typehintsareadsareadsareadsareadsareadsareadsareadsareadsareaddedusidocolon（
什么是Python迭代器？
Jul 08, 2025 am 02:56 AM
Inpython，IteratorSareObjectSthallowloopingThroughCollectionsByImplementing_iter __（）和__next __（）。1）iteratorsWiaTheIteratorProtocol，使用__ITER __（）toreTurnterateratoratoranteratoratoranteratoratorAnterAnteratoratorant antheittheext__（）
解釋Python斷言。
Jul 07, 2025 am 12:14 AM
Assert是Python用于調(diào)試的斷言工具，當條件不滿足時拋出AssertionError。其語法為assert條件加可選錯誤信息，適用于內(nèi)部邏輯驗證如參數(shù)檢查、狀態(tài)確認等，但不能用于安全或用戶輸入檢查，且應配合清晰提示信息使用，僅限開發(fā)階段輔助調(diào)試而非替代異常處理。
Python Fastapi教程
Jul 12, 2025 am 02:42 AM
要使用Python創(chuàng)建現(xiàn)代高效的API，推薦使用FastAPI；其基于標準Python類型提示，可自動生成文檔，性能優(yōu)越。安裝FastAPI和ASGI服務器uvicorn后，即可編寫接口代碼。通過定義路由、編寫處理函數(shù)并返回數(shù)據(jù)，可以快速構建API。FastAPI支持多種HTTP方法，并提供自動生成的SwaggerUI和ReDoc文檔系統(tǒng)。URL參數(shù)可通過路徑定義捕獲，查詢參數(shù)則通過函數(shù)參數(shù)設置默認值實現(xiàn)。合理使用Pydantic模型有助于提升開發(fā)效率和準確性。
