BDD100K数据集标注实战指南：从数据准备到高效标注的全流程解析

1次阅读

没有评论

共计 1662 个字符，预计需要花费 5 分钟才能阅读完成。

驾驶场景数据标注与常规图像标注相比，面临更多复杂情况。以下是几个典型挑战：

天气和光照变化 ：BDD100K 数据集中包含晴天、雨天、雾天、夜间等多种场景，标注时需要对低对比度、反光、模糊等情况保持标注一致性。
动态遮挡处理 ：车辆和行人经常被红绿灯、树木或其他车辆部分遮挡，需要标注人员根据经验判断完整轮廓。
小目标标注 ：远距离的交通标志、行人等小目标容易被忽略，但对自动驾驶系统至关重要。
多任务标注需求 ：BDD100K 同时需要物体检测、车道线分割、可行驶区域分割等多种标注类型。

优点：轻量级，支持多边形标注，适合小规模数据
缺点：缺乏项目管理功能，多人协作困难

优点：支持视频插帧标注，内置 AI 辅助功能
缺点：服务器部署较复杂，学习曲线陡峭

优点：纯 Web 端运行，无需安装
缺点：功能较为基础，缺少高级特性

pie
    title 工具选择考虑因素
    "标注精度要求" : 35
    "团队协作需求" : 25
    "预算限制" : 20
    "项目规模" : 20

import piexif
from datetime import datetime
import os

def process_exif(image_path):
    """处理图像 EXIF 信息并标准化时间格式"""
    try:
        exif_dict = piexif.load(image_path)

        # 提取原始拍摄时间
        original_time = exif_dict['Exif'][piexif.ExifIFD.DateTimeOriginal]
        std_time = datetime.strptime(original_time.decode(), '%Y:%m:%d %H:%M:%S')

        # 时区标准化处理
        return std_time.strftime('%Y-%m-%dT%H:%M:%SZ')
    except Exception as e:
        print(f"Error processing {image_path}: {str(e)}")
        return None

使用预训练的 YOLOv5 模型生成初始检测框
人工修正明显错误的预测结果
导出修正后的标注文件

def calculate_iou(box1, box2):
    """计算两个边界框的 IoU 值"""
    # 解包坐标值 (x1,y1,x2,y2)
    x1_1, y1_1, x2_1, y2_1 = box1
    x1_2, y1_2, x2_2, y2_2 = box2

    # 计算交集区域
    x_left = max(x1_1, x1_2)
    y_top = max(y1_1, y1_2)
    x_right = min(x2_1, x2_2)
    y_bottom = min(y2_1, y2_2)

    if x_right < x_left or y_bottom < y_top:
        return 0.0

    intersection_area = (x_right - x_left) * (y_bottom - y_top)
    box1_area = (x2_1 - x1_1) * (y2_1 - y1_1)
    box2_area = (x2_2 - x1_2) * (y2_2 - y1_2)

    return intersection_area / float(box1_area + box2_area - intersection_area)