1、关于 DroneVehicle 数据集介绍
DroneVehicle 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
参考官方 GitHub 仓库：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.join(dataset_dir_vi, x), os.path.join(output_dir_vi, x)) for x in os.listdir(dataset_dir_vi)]
image_filenames_ir = [(os.path.join(dataset_dir_ir, x), os.path.join(output_dir_ir, x)) for x in os.listdir(dataset_dir_ir)]
# 转化所有图片
print('Start transforming vision images...')
for path in tqdm(image_filenames_vi):
update(path[0], path[1])
print('Start transforming infrared images...')
for path in tqdm(image_filenames_ir):
update(path[0], path[1])
4、制作 Yolo 目标检测需要的数据集文件
4.1、下载 DroneVehicle 的 coco 格式的检测框标签文件
4.2、通过标注软件将 coco 格式的标签文件转为 VOC 格式的标签文件
使用 X-AnyLabeling 作为标注工具。
4.3、处理 VOC 格式的标签文件并转成 Yolo 格式的标签文件
处理该数据集标签文件时发现部分检测框的位置可能会在图片边缘外面，导致直接转成 YOLO 的时候，会出现负坐标或者大于 1 的坐标值，这样会导致模型训练不了或者存在一定问题，所以对该部分检测框在转换时需进行特殊处理。注意：X-AnyLabeling 也可以直接导出 YOLO 格式标签，但是经测试也没有处理大于 1 的坐标值。
xml2txt.py
import xml.etree.ElementTree as ET
import shutil
import os
import imagesize
# 定义识别目标或类集合
object = 'datasets'
# 根据自定义的数据集名称
if os.path.exists("./%s/labels/" % object):
shutil.rmtree("./%s/labels/" % object)
os.makedirs("./%s/labels/" % object)
else:
os.makedirs("./%s/labels/" % object)
sets = ['train', 'val']
# 修改类别 (自定义)
classes = ["car", "truck", "bus", "van", "freight_car"]
def convert(size, box):
# 坐标信息归一化至 0-1
dw = 1. / size[0]
dh = 1. / size[1]
x = (box[0] + box[1]) / 2.0
y = (box[2] + box[3]) / 2.0
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return (x, y, w, h)
def convert_annotation(image_id):
in_file = open('./%s/xml/%s.xml' % (object, image_id))
out_file = open('./%s/labels/%s.txt' % (object, image_id), 'w')
image_file = open('./%s/images/%s.jpg' % (object, image_id))
print("in_file," , in_file)
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
# 这里的 width 和 height 在 Autolabelimg 下自动标注可能会被修改，需替换成图片的真实宽高
# w = int(size.find('width').text)
# h = int(size.find('height').text)
w, h = imagesize.get(image_file.name)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
xmin = float(xmlbox.find('xmin').text)
xmin = xmin if xmin >= 0 else 0.0 # 左上角 x 坐标如果小于 0 都化成 0
xmax = float(xmlbox.find('xmax').text)
xmax = xmax if xmax <= w else float(w) # 右下角 x 坐标如果大于图片宽度了都为图片宽度值
ymin = float(xmlbox.find('ymin').text)
ymin = ymin if ymin >= 0 else 0.0 # 左上角 y 坐标如果小于 0 都化成 0
ymax = float(xmlbox.find('ymax').text)
ymax = ymax if ymax <= h else float(h) # 右下角 y 坐标如果大于图片高度了都为图片高度值
b = (xmin, xmax, ymin, ymax)
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
for image_set in sets:
if not os.path.exists('./%s/labels/' % object):
os.makedirs('./%s/labels/' % object)
image_ids = open('./%s/ImageSets/%s.txt' % (object, image_set)).read().strip().split()
list_file = open('./%s/%s.txt' % (object, image_set), 'w')
for image_id in image_ids:
list_file.write('./images/%s.jpg\n' % (image_id))
convert_annotation(image_id)
list_file.close()
4.4、按上述步骤处理 train、val、test 三个数据集文件
本文仅处理可见光部分的数据集，红外光数据集处理跟该处理方式相同。 数据处理策略： 1）因为不需要测试集，所以将 val 验证集的 1469 个数据和 test 测试集 8980 个数据的 20% 的数据作为验证集，即 1469+89800.2=3265 个数据验证集。 2）将 train 训练集的 17990 个数据和 test 测试集 8980 个数据的 80% 的数据作为训练集，即 17990+89800.8=25174 个数据训练集。 3）整理训练集和验证集
此时数据集已是 YOLO 格式，可以直接训练。
5、在 Yolo11 网络中训练
选用 YOLO11s 的网络权重进行模型训练，训练 100 个 epoch 结果如下：
可以看到训练结果表现良好。
验证集上标签可视化：
6、使用训练好的模型进行预测
第一张来自验证集，第二张为网络公开图片，检测结果比较理想。
7、总结与注意事项
尽管训练结果显示效果良好，但是仅适用于正射航拍视角，如果是斜视视角则效果较差。其次红外光下的检测效果目前还没测过，以及可见光和红外光融合检测效果也未经测试。
需要注意的点：处理白边、处理在图片边缘外的检测框问题。