1、关于DroneVehicle数据集介绍
DroneVenicle数据集是由天津大学收集、标注的大型无人机航拍车辆数据集。
DroneVehicle 数据集由无人机采集的共 56,878 幅图像组成，其中一半为 RGB 图像，其余为红外图像。我们对五个类别进行了带有方向性边界框的丰富标注。其中，汽车car 在 RGB 图像中有 389,779 个标注，在红外图像中有 428,086 个标注；卡车truck 在 RGB 图像中有 22,123 个标注，在红外图像中有 25,960 个标注；公交车bus 在 RGB 图像中有 15,333 个标注，在红外图像中有 16,590 个标注；面包车van 在 RGB 图像中有 11,935 个标注，在红外图像中有 12,708 个标注；货车freight car 在 RGB 图像中有 13,400 个标注，在红外图像中有 17,173 个标注。
2、DroneVehicle数据集下载
参见作者Github：https://github.com/VisDrone/DroneVehicle
3、DroneVehicle数据集处理
在 DroneVehicle 中，为了标注图片边界上的物体，作者在每张图片的上下左右四边设置了宽度为 100 像素的白色边框，这样下载的图片尺寸就是 840 x 712。在训练我们的检测网络时，我们可以进行预处理，去除周围的白色边框，并将图像尺寸改为 640 x 512。
处理前后对比。
去除白边代码：
import numpy as np import cv2 import os from tqdm import tqdm def create_file(output_dir_vi, output_dir_ir): if not os.path.exists(output_dir_vi): os.makedirs(output_dir_vi) if not os.path.exists(output_dir_ir): os.makedirs(output_dir_ir) print(f'Created folder:({output_dir_vi}); ({output_dir_ir})') def update(input_img_path, output_img_path): image = cv2.imread(input_img_path) cropped = image[100:612, 100:740] # 裁剪坐标为[y0:y1, x0:x1] cv2.imwrite(output_img_path, cropped) dataset_dir_vi = r'valimg' # 处理前可见光图片目录 output_dir_vi = r'valimg2' # 处理后可见光图片目录 dataset_dir_ir = r'valimgr' # 处理前红外光图片目录 output_dir_ir = r'valimgr2' # 处理后红外光图片目录 # 检查文件夹是否存在，如果不存在则创建 create_file(output_dir_vi, output_dir_ir) # 获得需要转化的图片路径并生成目标路径 image_filenames_vi = [(os.path.(dataset_dir_vi, x), os.path.(output_dir_vi, x)) for x in os.(dataset_dir_vi)] image_filenames_ir = [(os.path.(dataset_dir_ir, x), os.path.(output_dir_ir, x)) for x in os.(dataset_dir_ir)] # 转化所有图片 () for path in (image_filenames_vi): (path[], path[]) () for path in (image_filenames_ir): (path[], path[])
