代码拉取完成，页面将自动刷新
为了方便大家使用51WORLD虚拟标注数据集，这里提供两个数据解析的工具，分别是数据加载工具和将数据集转换到kitti格式的工具。
使用者工具是基于Python开发，您所需要配置的环境有：
python 3.5+
opencv
easydict
numpy
path
您需要根据需求配置loader_config.py中参数。
您需要关注是以下6个配置参数
loader_cfg.TRAINING_LOADER_FLAGS = dict(...)
loader_cfg.TESTING_LOADER_FLAGS = dict(...)
loader_cfg.DATASET_DIR = ''
loader_cfg.REMAINED_ID = dict(...)
loader_cfg.PHYSICAL_SURFACES = dict(...)
loader_cfg.POINTS_THRES = dict(...)
其中 TRAINING_LOADER_FLAGS 用来配置在训练时需要加载的数据源，TESTING_LOADER_FLAGS 用来配置测试时需要加载的数据源。通过将标志位设置为 True 加载需要的数据，各个标注位含义如下。
TRAINING_LOADER_FLAGS = dict(
use_pointcloud = True, # 激光点云文件
use_image_segmentation = False, # 图像语义分割文件
use_dump_settings = True, # 数据集下载时的一些参数配置，如相机和雷达的内外参
use_flow_groundtruth_forward = False, # 前向光流真值
use_flow_flagbit_forward = False, # 前向光流标志位图
use_flow_groudtruth = False, # 后向光流真值
use_flow_flagbit = False, # 后向光流标志位图
use_depth = False, # 深度图
use_image_annos = False, # 图像的目标真值
use_pcd_annos = False, # 激光点云的目标真值
use_fusion_annos = True, # 图像和激光点云的目标真值同时加载，通常在融合算法中使用
use_image = True, # 图像
use_image_instance = False, # 图像实例分割图
use_flow_panoptic = True # 图像全景分割图
)
DATASET_DIR 用来配置数据存放的文件夹。
DATASET_DIR = ''
REMAINED_ID 用来配置关注的目标类别编号及其对应的物理含义。如在算法中需要检测出来的目标是行人，那么将 '4' : 'Pedestrian' 添加到字典结构中。
REMAINED_ID = {
'4' : 'Pedestrian',
'6' : 'Car',
'17' : 'Rider',
'15' : 'TrafficLight',
'18' : 'Truck',
'19' : 'Bus',
'20' : 'SpecialVehicle',
'26' : 'SpeedLimitSign',
'29' : 'RoadObstacle'
}
PHYSICAL_SURFACES 这个参数没有实际使用到，放在配置文件中是为了方便查找类别标号对应的物理材质。
PHYSICAL_SURFACES = dict(...)
POINTS_THRES 这个参数是通过激光雷达中目标被打到点的个数来过滤目标，通过过滤减少激光雷达算法和融合算法的训练难度。如 'Pedestrian': 15 表示当打个行人的激光点的个数小于15，那么这个目标会被过滤 。
POINTS_THRES = {
'Pedestrian': 15,
'Car': 30,
'Rider': 15,
'TrafficLight': 5,
'Truck': 40,
'Bus': 40,
'SpecialVehicle': 30,
'SpeedLimitSign': 15,
'RoadObstacle': 30
}
simone_loader.py 是一个非常的方便的数据加载工具，只需要实例化 SimoneDataLoader , 然后调用 next() 函数即可加载数据，如：
if __name__ == "__main__":
dataset_loader = SimoneDatasetLoader(loader_cfg.DATASET_DIR, \
loader_cfg.TRAINING_LOADER_FLAGS, True)
num = dataset_loader.get_total_num()
for i in range(num):
data = dataset_loader.next()
很多算法研究者都会在kitti数据集上做研究。为了能够让kitti数据集做研究的用户快速使用simone数据集，这里提供了一个将Simone数据集转换成kitti 数据的工具。使用方法如下
parser = argparse.ArgumentParser()
print('Usage: simone2kitti.py --input=inputpath --output=outpath')
parser.add_argument('--input', default=loader_cfg.DATASET_DIR, required=False,
help='a path input file')
parser.add_argument('--output', default='/media/jhli/57DF22050921ED01/exchange/dl_dataset/fusion/temp', required=False,
help='a path out file')
args = parser.parse_args()
dataset_loader = simone_loader.SimoneDatasetLoader(args.input, loader_cfg.TESTING_LOADER_FLAGS, True)
gci(dataset_loader, args)
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。
马建仓 AI 助手