3.8 KiB

Raw Blame History

教程 2: 准备数据集

MMSelfSup 支持多个数据集。请遵循相应的数据准备指南。建议将您的数据集根目录软链接到 $MMSELFSUP/data。如果您的文件夹结构不同，您可能需要更改配置文件中的相应路径。

教程 2: 准备数据集

mmselfsup
├── mmselfsup
├── tools
├── configs
├── docs
├── data
│   ├── imagenet
│   │   ├── meta
│   │   ├── train
│   │   ├── val
│   ├── places205
│   │   ├── meta
│   │   ├── train
│   │   ├── val
│   ├── inaturalist2018
│   │   ├── meta
│   │   ├── train
│   │   ├── val
│   ├── VOCdevkit
│   │   ├── VOC2007
│   ├── cifar
│   │   ├── cifar-10-batches-py

准备 ImageNet 数据集

对于 ImageNet，它有多个版本，但最常用的是 ILSVRC 2012。可以通过以下步骤得到：

注册账号并登录下载页面
找到 ILSVRC2012 的下载链接，下载以下两个文件
- ILSVRC2012_img_train.tar (~138GB)
- ILSVRC2012_img_val.tar (~6.3GB)
解压下载的文件
使用这个脚本下载元数据

准备 Places205 数据集

对于 Places205，您需要：

注册账号并登录下载页面
下载 Places205 经过缩放的图片以及训练集和验证集的图片列表
解压下载的文件

准备 iNaturalist2018 数据集

对于 iNaturalist2018，您需要：

从下载页面下载训练集和验证集图像及标注
解压下载的文件
使用脚本 tools/data_converters/convert_inaturalist.py 将原来的 json 标注格式转换为列表格式

准备 PASCAL VOC 数据集

假设您通常将数据集存储在 $YOUR_DATA_ROOT 中。下面的命令会自动将 PASCAL VOC 2007 下载到 $YOUR_DATA_ROOT 中，准备好所需的文件，在 $MMSELFSUP 下创建一个文件夹 data，并制作一个软链接 VOCdevkit。

bash tools/dataset_converters/prepare_voc07_cls.sh $YOUR_DATA_ROOT

准备 CIFAR10 数据集

MMSelfSup 使用由 MMClassification 实现的CIFAR10。此外，MMClassification 支持自动下载 CIFAR10 数据集，您只需在 data_root 字段中指定下载文件夹即可。并且通过指定 test_mode=False / test_mode=True 来使用训练数据集或测试数据集。对于更多细节，请参考 MMClassification 中的文档。

准备检测和分割数据集

检测

您可以参考 mmdetection 来准备 COCO，VOC2007 和 VOC2012 检测数据集。

3.8 KiB Raw Blame History Unescape Escape