Cityscapes数据集下载与标注全攻略：从数据获取到高效标注实践

1次阅读

共计 1723 个字符，预计需要花费 5 分钟才能阅读完成。

Cityscapes 数据集是自动驾驶和计算机视觉领域的重要基准数据集，包含来自 50 个不同城市的高质量街景图像，涵盖多种天气和光照条件。数据集提供了精细的像素级标注，包括 30 多个类别，如车辆、行人、道路等。然而，开发者在下载和标注过程中常常面临以下挑战：

数据量大：完整数据集超过 50GB，下载和存储需要大量资源。
标注复杂：像素级标注需要专业的工具和技巧，手动标注耗时耗力。
格式转换：不同工具支持的标注格式不同，转换过程中容易出错。

官方渠道下载 ：
访问 Cityscapes 官方网站（https://www.cityscapes-dataset.com/），注册并登录账户。
选择“Downloads”页面，根据需求下载“gtFine”（精细标注）和“leftImg8bit”（原始图像）数据集。
镜像站点选择 ：
如果官方下载速度较慢，可以尝试使用国内镜像站点（如清华镜像）加速下载。
解压与目录结构 ：

下载完成后，使用以下命令解压文件：

unzip gtFine_trainvaltest.zip
unzip leftImg8bit_trainvaltest.zip

解压后的目录结构如下：

gtFine/
├── train/
├── val/
└── test/
leftImg8bit/
├── train/
├── val/
└── test/

以下是主流标注工具在 Cityscapes 数据集上的适用性对比：

LabelMe：
优点：轻量级，易于安装和使用，支持多边形标注。
缺点：不支持 Cityscapes 原生格式，需手动转换。
CVAT：
优点：功能强大，支持多人协作和自动化标注。
缺点：部署复杂，资源消耗大。
Supervisely：
优点：云端服务，支持多种标注格式，适合团队协作。
缺点：付费功能较多，免费版限制较大。

批量处理图像 ：

使用 Python 脚本批量加载和处理图像，以下是一个示例代码：

import os
from PIL import Image

def batch_process_images(input_dir, output_dir):
    if not os.path.exists(output_dir):
        os.makedirs(output_dir)
    for filename in os.listdir(input_dir):
        if filename.endswith('.png'):
            img_path = os.path.join(input_dir, filename)
            img = Image.open(img_path)
            # 在这里添加你的处理逻辑
            img.save(os.path.join(output_dir, filename))

自动化脚本使用 ：

利用 OpenCV 等库实现简单的自动化标注，如颜色阈值分割：

import cv2
import numpy as np

def auto_annotate(image_path):
    img = cv2.imread(image_path)
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    lower_blue = np.array([100, 50, 50])
    upper_blue = np.array([130, 255, 255])
    mask = cv2.inRange(hsv, lower_blue, upper_blue)
    return mask