CARLA数据标注功能实战指南：从零开始构建自动驾驶数据集

1次阅读

共计 2165 个字符，预计需要花费 6 分钟才能阅读完成。

自动驾驶开发者在数据标注环节面临诸多挑战。真实数据采集成本高昂，需要大量车辆、传感器和人力投入。标注过程繁琐耗时，尤其是对于复杂场景如多目标跟踪、语义分割等任务。此外，真实场景标注还存在隐私和安全问题。这些痛点使得仿真数据标注成为了一种高效且低成本的替代方案。

CARLA 提供了多种内置标注工具，可以满足不同自动驾驶任务的需求：

语义分割 ：自动为场景中的每个像素分配类别标签
实例分割 ：区分同一类别的不同实例
边界框 ：生成 3D 包围框用于目标检测
深度图 ：提供精确的深度信息

这些标注可以直接通过 CARLA 的 Python API 获取，无需人工干预。

CARLA 的 Python API 提供了丰富的接口来实现自动化标注流程。开发者可以通过以下步骤实现自动化标注：

连接 CARLA 服务器
设置传感器（如相机、激光雷达）
配置标注类型和参数
采集数据并保存标注结果

import carla
import numpy as np

# 1. 连接 CARLA 服务器
client = carla.Client('localhost', 2000)
client.set_timeout(10.0)
world = client.get_world()

# 2. 设置相机传感器
blueprint_library = world.get_blueprint_library()
camera_bp = blueprint_library.find('sensor.camera.rgb')
camera_bp.set_attribute('image_size_x', '800')
camera_bp.set_attribute('image_size_y', '600')

# 3. 设置语义分割相机
semantic_bp = blueprint_library.find('sensor.camera.semantic_segmentation')
semantic_bp.set_attribute('image_size_x', '800')
semantic_bp.set_attribute('image_size_y', '600')

# 4. 生成标注数据
def process_semantic_image(image):
    image.convert(carla.ColorConverter.CityScapesPalette)
    image.save_to_disk('output/semantic.png')

semantic_camera = world.spawn_actor(semantic_bp, carla.Transform())
semantic_camera.listen(process_semantic_image)

COCO 格式是目标检测和分割任务中常用的标注格式。我们可以将 CARLA 的标注数据转换为 COCO 格式：

import json

def carla_to_coco(annotations):
    coco_data = {"images": [],
        "annotations": [],
        "categories": []}

    # 添加类别信息
    for idx, class_name in enumerate(annotations['classes']):
        coco_data['categories'].append({
            "id": idx,
            "name": class_name
        })

    # 转换标注数据
    for img_id, img_data in enumerate(annotations['images']):
        coco_data['images'].append({
            "id": img_id,
            "file_name": img_data['file_name'],
            "width": img_data['width'],
            "height": img_data['height']
        })

        for ann in img_data['annotations']:
            coco_data['annotations'].append({"id": len(coco_data['annotations']),
                "image_id": img_id,
                "category_id": ann['class_id'],
                "bbox": ann['bbox'],
                "segmentation": ann['segmentation'],
                "area": ann['area']
            })

    return coco_data