如何高效使用BDD100K数据集进行目标检测标注：最佳实践与避坑指南

1次阅读

共计 2263 个字符，预计需要花费 6 分钟才能阅读完成。

BDD100K 数据集是自动驾驶领域广泛使用的基准数据集，包含 10 万张高分辨率驾驶场景图像，涵盖多样化的天气、光照和道路条件。该数据集不仅提供目标检测标注，还包括语义分割、车道检测等多任务标注。然而，由于其复杂的标注格式和庞大的数据量，开发者在实际使用中常遇到以下问题：

标注格式复杂 ：BDD100K 使用嵌套的 JSON 格式存储标注信息，解析和理解需要额外学习成本
数据规模庞大 ：手动处理 10 万张图像的标注工作量大，效率低下
标注质量不一 ：不同标注员之间的标准不一致会导致模型训练效果下降
工具适配困难 ：常见标注工具需要特殊配置才能兼容 BDD100K 格式

BDD100K 的标注信息存储在 JSON 文件中，主要结构如下：

{
  "name": "视频帧文件名",
  "attributes": {
    "天气": "晴朗",
    "场景": "城市",
    "时间": "白天"
  },
  "labels": [
    {
      "id": 1,
      "category": "汽车",
      "manualShape": true,
      "box2d": {
        "x1": 512.3,
        "y1": 302.4,
        "x2": 612.8,
        "y2": 412.1
      }
    }
  ]
}

CVAT：支持 BDD100K 格式导入导出，配置步骤：
安装 Docker 版 CVAT
创建项目时选择 ”BDD100K” 格式模板
导入时确保 JSON 和图像文件结构匹配
LabelImg：轻量级工具，需自定义格式转换脚本

以下 Python 脚本可将 BDD100K 标注转换为 COCO 格式，便于更多工具使用：

import json
from pathlib import Path

def convert_bdd_to_coco(bdd_path, output_path):
    """转换 BDD100K 标注到 COCO 格式"""
    with open(bdd_path) as f:
        bdd_data = json.load(f)

    coco_data = {"images": [],
        "annotations": [],
        "categories": []}

    # 添加类别（示例）categories = {"car": 1, "person": 2, "traffic light": 3}
    for name, id_ in categories.items():
        coco_data["categories"].append({"id": id_, "name": name})

    # 转换标注
    for img_id, item in enumerate(bdd_data):
        coco_data["images"].append({
            "id": img_id,
            "file_name": item["name"],
            "width": 1280,
            "height": 720
        })

        for label in item["labels"]:
            if "box2d" not in label:
                continue

            box = label["box2d"]
            coco_data["annotations"].append({"id": len(coco_data["annotations"]),
                "image_id": img_id,
                "category_id": categories[label["category"]],
                "bbox": [box["x1"], box["y1"], box["x2"]-box["x1"], box["y2"]-box["y1"]],
                "area": (box["x2"]-box["x1"]) * (box["y2"]-box["y1"]),
                "iscrowd": 0
            })

    with open(output_path, "w") as f:
        json.dump(coco_data, f)