航拍遥感数据集

news/2024/11/24 5:59:41/

一、Roundabout Aerial Images for Vehicle Detection

本数据集是从无人机拍摄的西班牙环形交叉口航空图像数据集,使用PASCAL VOC XML文件进行注释,指出车辆在其中的位置。此外,还附带一个CSV文件,其中包含与捕获的环形交叉口的位置和特征有关的信息。这项工作详细描述了获取它们的过程:图像捕获、处理和标记。数据集包含985,260个实例:947,400辆汽车,19,596辆自行车,2,262辆卡车,7,008辆公共汽车和2208个空环形路,61,896张1920x1080px JPG图像。这些图像被分为15,474张从8个不同交通流的环形交叉口提取的图像和46,422张使用数据增强技术创建的图像。
数据集链接:https://www.kaggle.com/datasets/javiersanchezsoriano/roundabout-aerial-images-for-vehicle-detection
论文链接:https://doi.org/10.3390/data7040047
在这里插入图片描述

图例:
在这里插入图片描述
本数据集从原版数据集每隔15张抽取了1张图片用于测试,共计1032张
相应的脚本工程如下:

import os
import numpy as np
import shutil
files = 'img/uavdtallimages_rename'
target_files = 'img_chouqu'def mycopyfile(srcfile, dstpath, ari):if not os.path.exists(dstpath):os.makedirs(dstpath)                       # 创建路径print(srcfile)shutil.copy(srcfile, target_files + "/" + ari)          # 复制文件print("copy %s -> %s"%(srcfile, target_files + ari))name1 = os.listdir(files)
name = np.array(name1)
need_num = 1 # 每批图片的前几张图片
batch_size = 40  # 每批图片的数量
n = len(name)
bi = np.floor(np.arange(n) / batch_size).astype(np.int)
bn = bi[-1] + 1
for i in range(bn):ari = name[bi == i]for x in range(need_num):path = files + "/" + ari[x]mycopyfile(path, target_files, ari[x])

二、LEVIR数据集

Zou Z, Shi Z. Random access memories: A new paradigm for target detection in high resolution aerial remote sensing images[J]. IEEE Transactions on Image Processing, 2017, 27(3): 1100-1111.
数据下载地址:http://levir.buaa.edu.cn/Code.htm
链接: https://pan.baidu.com/s/1-eUAq2PszdHeE2VSG3q5cw 提取码: j9jp

LEVIR数据集由大量 800 × 600 像素和0.2m-1.0m 像素的高分辨率Google Earth图像和超过22k的图像组成。LEVIR数据集涵盖了人类居住环境的大多数类型的地面特征,例如城市,乡村,山区和海洋。数据集中未考虑冰川,沙漠和戈壁等极端陆地环境。数据集中有3种目标类型:飞机,轮船(包括近海轮船和向海轮船)和油罐。所有图像总共标记了11k个独立边界框,包括4,724架飞机,3,025艘船和3,279个油罐。每个图像的平均目标数量为0.5。
数据集下载地址:http://levir.buaa.edu.cn/Code.htm
论文地址:https://ieeexplore.ieee.org/document/8106808
在这里插入图片描述
由于本数据集有与许多负样本图片,需要对图片进行筛选,将负样本图片剔除,脚本工程如下:

import os
import shutilimage = './数据集分割/验证集'
labels = "./2"
image = os.listdir(image)
labels = os.listdir(labels)for file in image:file = file.split(".")[0]for label in labels:label = label.split(".")[0]  pathall = "." + "/" + "2" + "/" + file + '.' + "txt"outpath = "." + "/" + "数据集分割" + "/" + "验证集" + "/" + file + '.' + "txt"if label == file:shutil.copy(pathall, outpath) breakelse:pass 

筛选完成后,由于其特殊的标注方式,会有负坐标的产生,因此需要对负坐标置为1,并且需要对相应的坐标进行归一化。需要对其格式进行转换相应的转换脚本工程如下:

import os
from xml.dom.minidom import Document
import cv2def convert(size, box):x_center = (int(box[3]) + int(box[1])) / 2.0y_center = (int(box[4]) + int(box[2])) / 2.0# 归一化x = x_center / int(size[0])y = y_center / int(size[1])# 求宽高并归一化w = (int(box[3]) - int(box[1])) / size[0]h = (int(box[4]) - int(box[2])) / size[1]return (int(box[0]), x, y, w, h)def makexml(picPath, txtPath, yolo_paths):  # txt所在文件夹路径,xml文件保存路径,图片所在文件夹路径"""此函数用于将yolo格式txt标注文件转换为voc格式xml标注文件"""files = os.listdir(txtPath)for i, name in enumerate(files):yolo_txt_path = os.path.join(yolo_paths, name.split(".")[0]+ ".txt")txtFile = open(txtPath + name)with open(yolo_txt_path, 'w') as f:txtList = txtFile.readlines()img = cv2.imread(picPath + name[0:-4] + ".jpg")Pheight, Pwidth, _ = img.shapefor j in txtList:oneline = j.strip().split(" ")obj = oneline[0]xmin = oneline[1]if int(xmin) < 0 :xmin = "1"            ymax = oneline[2]if int(ymax) < 0 :ymax = "1"xmax = oneline[3]ymin = oneline[4]box = convert((Pwidth, Pheight), oneline)f.write(str(box[0]) + " " + str(box[1]) + " " + str(box[2]) + " " + str(box[3]) + " " + str(box[4]) + '\n')if __name__ == "__main__":picPath = "./out/"  # 图片所在文件夹路径,后面的/一定要带上txtPath = "./labels/"  # txt所在文件夹路径,后面的/一定要带上yolo = "./xml/"  # xml文件保存路径,后面的/一定要带上makexml(picPath, txtPath, yolo)

三、NWPU VHR-10 dataset

论文:Cheng G, Zhou P, Han J. Learning rotation-invariant convolutional neural networks for object detection in VHR optical remote sensing images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(12): 7405-7415.
链接: https://pan.baidu.com/s/1YJXr1jlwgJVVX9hl8v93lw 提取码: jpuz

数据集下载链接:https://hyper.ai/tracker/download?torrent=6830
此数据集由西北工业大学标注的航天遥感目标检测数据集,共有800张图像,这些图像是从Google Earth和Vaihingen数据集裁剪而来的,然后由专家手动注释。其中包含目标的650张,背景图像150张,目标包括:飞机、舰船、油罐、棒球场、网球场、篮球场、田径场、港口、桥梁、车辆10个类别。
数据说明:数据集包含以下文件
数据包包括如下
negative image set:包含150个不包含给定对象类别的任何目标的图像;
positive image set:650个图像,每个图像至少包含一个要检测的目标;
ground truth:包含650个单独的文本文件,每个对应于“正图像集”文件夹中的图像。这些文本文件的每一行都以以下格式定义了ground truth边界框:

x1,y1),(x2,y2),a其中(x1,y1)表示边界框的左上角坐标,(x2,y2)表示边界框的右下角坐标,a是对象类别(1-飞机,2-轮船,3-储罐,4-棒球场,5-网球场,6-篮球场,7-田径场,8-港口,9-桥梁,10-车辆)。

10个地理空间对象类,包括飞机、棒球场、篮球场、桥梁、港口、地面田径场、船舶、储罐、网球场和车辆。它由715幅RGB图像和85幅锐化彩色红外图像组成。其中715幅RGB图像采集自谷歌地球,空间分辨率从0.5m到2m不等。85幅经过pan‐锐化的红外图像,空间分辨率为0.08m,来自Vaihingen数据。该数据集共包含3775个对象实例,其中包括757架飞机、390个棒球方块、159个篮球场、124座桥梁、224个港口、163个田径场、302艘船、655个储罐、524个网球场和477辆汽车,这些对象实例都是用水平边框手工标注的。

在这里插入图片描述
由于数据集的标注格式与yolo格式有所出入,需要将其转化为yolo格式,其脚本工程如下:

import os
import cv2def convert(size, box):x_center = (int(box[3]) + int(box[1])) / 2.0y_center = (int(box[4]) + int(box[2])) / 2.0# 归一化x = x_center / int(size[0])y = y_center / int(size[1])# 求宽高并归一化w = (int(box[3]) - int(box[1])) / size[0]h = (int(box[4]) - int(box[2])) / size[1]return (int(box[0]), x, y, w, h)def makexml(picPath, txtPath, yolo_paths):  # txt所在文件夹路径,yolo文件保存路径,图片所在文件夹路径"""此函数用于将yolo格式txt标注文件转换为voc格式xml标注文件"""files = os.listdir(txtPath)for i, name in enumerate(files):print(name)yolo_txt_path = os.path.join(yolo_paths, name.split(".")[0]+ ".txt")txtFile = open(txtPath + name)with open(yolo_txt_path, 'w') as f:txtList = txtFile.readlines()img = cv2.imread(picPath + name[0:-4] + ".jpg")Pheight, Pwidth, _ = img.shapefor j in txtList:oneline = j.strip().split(",")a = int(oneline[4])b = int(oneline[0][1:])c = int(oneline[1][:-1])d = int(oneline[2][1:])e = int(oneline[3][:-1])oneline = (int(oneline[4]), int(oneline[0][1:]), int(oneline[1][:-1]), int(oneline[2][1:]), int(oneline[3][:-1]))box = convert((Pwidth, Pheight), oneline)f.write(str(box[0]) + " " + str(box[1]) + " " + str(box[2]) + " " + str(box[3]) + " " + str(box[4]) + '\n')if __name__ == "__main__":picPath = "./image/"  # 图片所在文件夹路径,后面的/一定要带上txtPath = "./txt/"  # txt所在文件夹路径,后面的/一定要带上yolo = "./xml/"  # xml文件保存路径,后面的/一定要带上makexml(picPath, txtPath, yolo)

四、UCAS_AOD

用于飞机和车辆检测。具体来说,飞机数据集包括600张图像和3210架飞机,而车辆数据集包括310张图像和2819辆车辆。所有的图像都经过精心挑选,使数据集中的物体方向分布均匀。
样例图示如下:
在这里插入图片描述

在这里插入图片描述
论文:H. Zhu, X. Chen, W. Dai, K. Fu, Q. Ye, J. Jiao, “Orientation Robust Object Detection in Aerial Images Using Deep Convolutional Neural Network,” IEEE Int’l Conf. Image Processing, 2015.

数据下载:http://www.ucassdl.cn/resource.asp
https://hyper.ai/tracker/download?torrent=6626
下载地址:https://pan.baidu.com/s/1Poo0zEHTHDfBTnKPb5YTCg 提取码: 7zsi
数据集转化为yolo格式的脚本如下:

import os
import cv2
import mathdef convert(size, box):x_center = box[1] + box[3] / 2.0y_center = box[2] + box[4] / 2.0# 归一化x = x_center / int(size[0])y = y_center / int(size[1])# 求宽高并归一化w = box[3] / size[0]h = box[4] / size[1]return (int(box[0]), x, y, w, h)def fun(str_num):before_e = float(str_num.split('e')[0])sign = str_num.split('e')[1][:1]after_e = int(str_num.split('e')[1][1:])if sign == '+':float_num = before_e * math.pow(10, after_e)elif sign == '-':float_num = before_e * math.pow(10, -after_e)else:float_num = Noneprint('error: unknown sign')return float_numdef makexml(picPath, txtPath, yolo_paths):  # txt所在文件夹路径,yolo文件保存路径,图片所在文件夹路径"""此函数用于将yolo格式txt标注文件转换为voc格式xml标注文件"""files = os.listdir(txtPath)for i, name in enumerate(files):print(name)yolo_txt_path = os.path.join(yolo_paths, name.split(".")[0]+ ".txt")txtFile = open(txtPath + name)with open(yolo_txt_path, 'w') as f:txtList = txtFile.readlines()img = cv2.imread(picPath + name[0:-4] + ".png")Pheight, Pwidth, _ = img.shapefor j in txtList:oneline = j.strip().split("\t")try:int(oneline[9])except ValueError:a = fun(oneline[9])else:a = int(oneline[9])try:int(oneline[10])except ValueError:b = fun(oneline[10])else:b = int(oneline[10])  try:int(oneline[11])except ValueError:c = fun(oneline[11])else:c = int(oneline[11]) try:int(oneline[12])except ValueError:d = fun(oneline[12])else:d = int(oneline[12])                  oneline = (10, a, b, c, d)box = convert((Pwidth, Pheight), oneline)f.write(str(box[0]) + " " + str(box[1]) + " " + str(box[2]) + " " + str(box[3]) + " " + str(box[4]) + '\n')if __name__ == "__main__":picPath = "./PLANE/"  # 图片所在文件夹路径,后面的/一定要带上txtPath = "./xml/"  # txt所在文件夹路径,后面的/一定要带上yolo = "./yolo/"  # xml文件保存路径,后面的/一定要带上makexml(picPath, txtPath, yolo)

五、 UAVDT

UAVDT是ICCV2018提出的一个数据集,共包含80000帧图片,不仅可以用于目标跟踪,也可以用于目标检测等。
针对目标跟踪,主要有单目标跟踪(UAV-benchmark-S)和多目标跟踪(UAV-benchmark-M)两个数据集,作者在主页据给出相应的跑库工具。

作者主页(数据集+跑库工具):https://sites.google.com/site/daviddo0323/projects/uavdt
论文下载:https://arxiv.org/abs/1804.00518
虽然作者在主页给了数据集和跑库工具的谷歌下载地址、百度网盘下载地址,但为了方便,将作者主页的单目标跟踪的数据集百度网盘下载地址:https://pan.baidu.com/s/1Vts7V-6JYd395vL6mVYMFQ#list/path=%2F
检测数据集:链接: https://pan.baidu.com/s/1fYhb0cuxQ4dtjutgu5hq8Q 提取码: 24uw
样例图片如下:

在这里插入图片描述
标签格式如下:
在这里插入图片描述

本文提供python版本的转换脚本:
1、将多文件数据集进行合并

import os
import shutilmultidirpath = 'model/down/UAVDET/UAV-benchmark-M'
outdir = 'model/down/UAVDET/uavdtallimages_rename'
os.mkdir((outdir))filenames = os.listdir(multidirpath)
print(filenames)
for file in filenames:wholefile = multidirpath + '/' + file + '/' + "img1"filenextname = os.listdir(wholefile)print("filenextname", filenextname)for filenext in filenextname:pathall = multidirpath + '/' + file + '/' + "img1"+ '/' + filenext# print(pathall)str1 = str(file)outpath = outdir + '/' + str1 + '_' + filenext[-10:]# print(outpath)print("pathall", pathall)print("outpath",outpath)shutil.copyfile(pathall,outpath)

2、将标签转化为COCO格式·

import json
import pandas as pd
import osclassList = ["car", "truck", "bus"]
# By default, coco dataset starts index of categories from 1
PRE_DEFINE_CATEGORIES = {key: idx + 1 for idx, key in enumerate(classList)}
# print(PRE_DEFINE_CATEGORIES)txtdir = 'down/UAVDET/UAV-benchmark-MOTD_v1.0/GT'
out_json_file = "out.json"json_dict = {"images": [], "type": "instances", "annotations": [],"categories": []}
# json格式如下,我们要写这总的4个部分,先把最简单的categories写了吧
# {"images": [], "type": "instances", "annotations": [], "categories": []}# 先把categories部分写完
for cate, cid in PRE_DEFINE_CATEGORIES.items():cat = {'supercategory': cate, 'id': cid, 'name': cate}json_dict['categories'].append(cat)def get_annot_data(txt_file):'''Read annotation into a Pandas dataframe'''annot_data =  pd.read_csv(txt_file, delimiter=',', names=['<frame_index>','<target_id>','<bbox_left>','<bbox_top>','<bbox_width>','<bbox_height>','<out-of-view>','<occlusion>','<object_category>'])return annot_data# 记录键值对为后面id进行使用
dict_imagename2id = {}# 先实现images部分
# begin
imageid= 0
imagesdir = '/home/renkeying/model/down/UAVDET/uavdtallimages_rename'
for image_name in os.listdir(imagesdir):file_name = image_namewidth = 540height = 1024id = imageidimageid += 1dict_imagename2id[file_name[:-4]] = idimage = {'file_name': file_name, 'height': height, 'width': width, 'id': id}json_dict['images'].append(image)
# end# images部分写好了# 接下来写annotations部分
bndid_change = 1
for txt_file in os.listdir(txtdir):if 'gt_whole' in txt_file:# print(txt_file)txtwholepath = txtdir + '/'+ txt_file# print(txtwholepath)with open(txtwholepath) as f:annot_data = get_annot_data(txtwholepath)# print(annot_data)# print(annot_data.loc[0])# for index in annot_data:#     print(index)# pandas按行输出for index, row in annot_data.iterrows():# print(index)  # 输出每行的索引值# 要加int不然会出现int64错误o_width = int(row['<bbox_width>'])o_height = int(row['<bbox_height>'])xmin = int(row['<bbox_left>'])ymin = int(row['<bbox_top>'])category_id = int(row['<object_category>'])bnd_id = int(bndid_change)# image_id需要建立一个map或者叫dict# 转化成000001imageindx = row['<frame_index>']k = str(imageindx)str1 = txt_file[0:5]str2 = k.zfill(6)dictfilename = str1 + '_' + str2image_id = int(dict_imagename2id[dictfilename])print(image_id)ann = {'area': o_width * o_height, 'iscrowd': 0, 'image_id':image_id, 'bbox': [xmin, ymin, o_width, o_height],'category_id': category_id, 'id': bnd_id, 'ignore': 0,'segmentation': []}bndid_change += 1json_dict['annotations'].append(ann)# break# about json
json_fp = open(out_json_file, 'w')
json_str = json.dumps(json_dict)
json_fp.write(json_str)
json_fp.close()

http://www.ppmy.cn/news/132125.html

相关文章

四轴笔记----航拍和FPV的区别

许多新手总是分不清什么是航拍&#xff0c;什么是FPV&#xff0c;以至于买飞机的时候买到的不是自己想要的&#xff0c;白花冤枉钱。下面以我自己的经验为大家分享一下航拍和FPV的区别。 首先说&#xff0c;航拍和FPV都是在飞机上安装摄像头&#xff0c;这一点是相同的&#x…

c语言飞机源代码,C语言写的飞机源码

该楼层疑似违规已被系统折叠 隐藏此楼查看此楼 #include #include #include #include #define N 35 void print(int [][N]);//输出函数 void movebul(int [][N]);//子弹移动函数 void movepla(int [][N]);//敌机移动函数 void setting(void);//设置函数 void menu(void);//…

FP6151

FP6151是一款输入可达36V的非同步降压型稳压器&#xff0c;内置75mΩ内阻的高位NMOS&#xff0c;具有出色的负载和线路调节能力&#xff0c;可在宽输入电压范围内实现5A的连续输出电流。 电流模式工作下提供了快速动态和简化回路的稳定性&#xff0c;工作开关频率可通过外部电阻…

adreno源码系列(三)dts配置与gpu列表

以Find x3 pro设备树文件为例进行分析&#xff1a;https://github.com/oppo-source/android_kernel_modules_and_devicetree_oppo_sm8350/blob/oppo/sm8350_s_12.1_find_x3_pro/vendor/qcom/proprietary/devicetree/qcom/sm8150-gpu.dtsi 1. dts配置文件 #define MHZ_TO_KBP…

adreno系列(二)dts配置与gpu列表

以Find x3 pro设备树文件为例分析&#xff1a;https://github.com/oppo-source/android_kernel_modules_and_devicetree_oppo_sm8350/blob/oppo/sm8350_s_12.1_find_x3_pro/vendor/qcom/proprietary/devicetree/qcom/sm8150-gpu.dtsi 1. sm8150-gpu.dtsi #define MHZ_TO_KBPS…

Linux学习——Pxe-Kickstart无人值守环境实现(网络实战)

一名菜鸟学习编程技术,记录所学知识并分享给大家,希望大家多多支持。 文章目录 环境需求分析环境实现原理什么是PXE?PXE工作过程:什么是Kickstart?关键配置命令环境准备:关闭防火墙查看防火墙状态防火墙设置开机不启动设置selinux为关闭状态查看设置情况清空防火墙规则设…

HaaS506硬件规格

HaaS 506是一款经过阿里云HaaS团队认证的高性能、多连接的物联网开发板。 HaaS 506是一款集成了M601 4G-CAT1模块的开发板&#xff0c;板载三组双色LED灯和一个自定义功能按键方便用户调试开发&#xff0c;并且提供丰富的接口用于外设扩展。选择了MicroPython作为运行引擎&…

win7硬盘安装fedora15

一 软件下载 下载GRUB4DOS http://downloads.sourceforge.net/project/grub4dos/GRUB4DOS/grub4dos%200.4.4/grub4dos-0.4.4.zip?rhttp%3A%2F%2Fsourceforge.net%2Fprojects%2Fgrub4dos%2F&ts1312383521&use_mirrorcdnetworks-kr-1 下载fedora15 live cd/DVD版本 …