cityscapes数据集的理解与使用

首次进入数据集的官网需要注册账号，提供部分身份信息注册完成后，需要等待官方发送账号激活邮件，激活后的账号便可在官网下载相关数据集。 

二、数据集的理解

官方解释： https://github.com/mcordts/cityscapesScripts

官方对数据集中各路径下的各文件名的含义做出了解释，这里简单翻译一下：

{root}/{type}{video}/{split}/{city}/{city}_{seq:0>6}_{frame:0>6}_{type}{ext}

各个元素的含义如下：

• root：Cityscapes数据集的根文件夹。
• type：数据的类型/模态，例如gtFine表示精细的地面真值，leftImg8bit表示左侧的8位图像。
• split：数据集的划分，即训练集（train）、验证集（val）、测试集（test）、额外的训练集（train_extra）或演示视频（demoVideo）。请注意，并非所有类型的数据都存在于所有划分中，因此偶尔会发现空文件夹。
• city：数据所属的城市。
• seq：序列号，由6位数字组成。
• frame：帧编号，由6位数字组成。请注意，在某些城市中，可能只录制了很少的、非常长的序列，而在某些城市中，可能录制了许多短序列，其中仅有第19帧被注释。
• ext：文件的扩展名，可选地包含后缀，例如_polygons.json表示地面真值文件。

type的可能取值如下：

• gtFine：精细的标注数据，包括2975个训练样本、500个验证样本和1525个测试样本。这种类型的标注数据用于验证、测试，并可选择用于训练。标注数据使用包含各个多边形的JSON文件进行编码。此外，我们还提供了像素值编码标签的PNG图像。详细信息请参考helpers/labe ls.py和准备工作中的脚本。
• gtCoarse：粗略的标注数据，适用于所有的训练和验证图像，以及另外19998个训练图像(train_extra)。这些标注数据可以用于训练，可以与 gtFine 一起使用，也可以单独用于弱监督设置。
• gtBbox3d：车辆的3D边界框标注。详细信息请参考 Cityscapes 3D (Gählert et al., CVPRW '20)。
• gtBboxCityPersons：行人边界框标注，适用于所有的训练和验证图像。详细信息请参考helpers/labels_cityPersons.py 和 CityPersons (Zhang et al., CVPR '17)。边界框的四个值是（x，y，w，h），其中（x，y）是左上角的坐标，（w，h）是宽度和高度。
• leftImg8bit：左侧的8位LDR格式图像，这是标准的带有注释的图像。
• leftImg8bit_blurred：左侧的8位LDR格式图像，人脸和车牌已经模糊处理。请在原始图像上进行结果计算，但在可视化时使用模糊处理后的图像。我们感谢Mapillary对图像进行模糊处理。
• leftImg16bit：左侧的16位HDR格式图像，每个像素有16位的颜色深度，包含更多信息，特别是在场景的非常暗或非常亮的部分。警告：图像以非标准的16位PNG格式存储，不是所有库都支持。
• rightImg8bit：右侧的8位LDR格式立体视图。
• rightImg16bit：右侧的16位HDR格式立体视图。
• timestamp：记录时间（以纳秒为单位）。每个序列的第一帧的时间戳始终为0。
• disparity：预计算的视差深度图。要获取视差值，对于每个像素p（p > 0），计算公式为：d = (float(p) - 1.) / 256.，其中p = 0表示无效测量。警告：图像以非标准的16位PNG格式存储，不是所有库都支持。
• camera：内部和外部相机校准。详细信息请参考csCalibration.pdf。
• vehicle：车辆测距、GPS坐标和室外温度的车辆测距、GPS坐标和室外温度数据。详细信息请参考csCalibration.pdf。

split的可能取值如下：

• train：通常用于训练，包含2975个带有精细和粗略标注的图像。
• val：用于超参数验证，包含500个带有精细和粗略标注的图像。也可以用于训练。
• test：用于在我们的评估服务器上进行测试。标注数据不公开，但我们提供了方便起见的自车和校正边界的标注。
• train_extra：可选择用于训练，包含19998个带有粗略标注的图像。
• demoVideo：用于定性评估的视频序列，这些视频没有标注数据可用。

三、数据集的使用

 cityscapes数据集中的网络输入数据（Input Data）一般以“left/rightimg8bitxxxx”名字命名，而目标数据（Target Data）也就是输入数据的真值，一般以“gtxxxx”名字命名，其中“gtFine_trainvaltest”是有着精确标注的5000张数据，而“gtCoarse”则是粗略标注的20000+张数据。

 以上为输入数据和目标数据的样例展示，图左即输入数据的路径为

“data\cityscapes\leftImg8bit\train\aachen\aachen_000000_000019_leftImg8bit.png”

图右即目标数据的路径为

“data\cityscapes\gtFine\train\aachen\aachen_000000_000019_gtFine_labelIds.png” 

上述的“xxxx_labelIds.png”文件包含了图像每个像素的标签值，每个标签值（id）的含义如下图所示

在实际的训练使用中，训练标签值（trainId）为实际计算Loss所用的标签值，通常以训练标签值为255代表背景也就是无需分类的物体。如上图实际需要分类的物体的训练标签值为0到N的自然整数，其所对应的 ignoreInEval 值为False。因此，我们可以根据实际的分类需要自定义数据集的分类数量。具体方法如下：

1. 下载官网的工具包

工具包链接： https://github.com/mcordts/cityscapesScripts

下载完成后将数据集放在工具包内的路径下，如下图

 2. 更改labels.py文件中不需要分类物体的 trainId 和 ignoreInEval 值

工具包中 labels.py 文件的路径如下

3. 运行 createTrainIdLabelImgs.py 文件生成 trainid 标签文件

 工具包中 createTrainIdLabelImgs.py 文件的路径如下

 生成后的标签文件在原数据集路径下，其文件名格式如下

xxxx_gtFine_labelTrainIds.png

除了上述的官方工具方法，还可以直接读取id标签文件“xxxx_gtFine_labelIds.png”，通过id、trainid的对应关系来对读取到的tensor数据进行操作，具体源码如下

ignore_label = 255
label_mapping = {-1: ignore_label, 0: ignore_label, 
                 1: ignore_label, 2: ignore_label, 
                 3: ignore_label, 4: ignore_label, 
                 5: ignore_label, 6: ignore_label, 
                 7: 0, 8: 1, 9: ignore_label, 
                 10: ignore_label, 11: 2, 12: 3, 
                 13: 4, 14: ignore_label, 15: ignore_label, 
                 16: ignore_label, 17: 5, 18: ignore_label, 
                 19: 6, 20: 7, 21: 8, 22: 9, 23: 10, 24: 11,
                 25: 12, 26: 13, 27: 14, 28: 15, 
                 29: ignore_label, 30: ignore_label, 
                 31: 16, 32: 17, 33: 18}

def convert_label(label, inverse=False):
    temp = label.copy()
    if inverse:
        for v, k in label_mapping.items():
            label[temp == k] = v
    else:
        for k, v in label_mapping.items():
            label[temp == k] = v
    return label

以“gtFine/train/aachen/aachen_000000_000019_gtFine_labelIds.png” 为例，粗略地验证两种方法的等效性：先用第一种方法去掉生成labeltrainids文件，并输出该文件所包含的类别；再用第二种方法读取labelids文件后进行转换，并输出该文件所包含的类别，结果如下

可以看到最终的类别种类是一致的。