共计 1390 个字符，预计需要花费 4 分钟才能阅读完成。
背景介绍
BDD100K（Berkeley DeepDrive 100K）是自动驾驶领域最常用的开源数据集之一，由加州大学伯克利分校于 2018 年发布。它包含 10 万段高清驾驶视频，覆盖多样化的天气、光照和道路条件，总时长超过 1100 小时。数据采集自纽约和旧金山湾区，地理分布均衡，具有显著的真实场景代表性。
在自动驾驶技术研发中，BDD100K 主要用于以下任务：
- 目标检测（车辆、行人、交通标志等）
- 语义分割（道路、建筑物、天空等）
- 多目标跟踪
- 驾驶行为分析
标注原理详解
数据采集流程
数据通过安装在车辆前挡风玻璃的摄像头采集，硬件配置包括：
- 分辨率：1280×720 @30fps
- 视角：约 100 度水平视场角
- 存储格式：H.264 编码的 MP4 文件
标注类别体系
BDD100K 采用三级分类体系：
- 一级类别（10 类）：
- 车辆（car）
- 行人（person）
- 骑行者（rider）
- 交通标志（traffic sign）
-
交通灯（traffic light）
-
二级属性（以车辆为例）：
- 车型（SUV/ 卡车 / 轿车等）
- 运动状态（行驶 / 静止）
- 遮挡程度（无 / 部分 / 严重）
标注工具链
使用自定义的 Web 端标注工具，核心功能包括：
- 多边形标注（用于实例分割）
- 2D/3D 边界框标注
- 属性标记面板
- 多人协作冲突检测
质量控制机制
采用三级校验流程：
- 初级标注员完成初始标注
- 高级标注员进行 50% 抽样复核
- 算法自动检测明显异常（如超出图像边界的框）
常见问题解决方案
标注不一致处理
典型场景及解决方法：
- 同一物体在不同帧尺寸波动大 → 使用线性插值平滑轨迹
- 类别判断分歧 → 建立标注手册 case 库供参考
数据偏差修正
针对地域偏差（如美国交通标志）：
- 统计各类别分布频率
- 对低频类别过采样
- 使用风格迁移统一标志外观
最佳实践指南
模型训练技巧
- 先在小规模数据（1 万张）上快速原型验证
- 采用课程学习（curriculum learning）策略
- 对夜间数据单独微调模型
评估指标选择
- 目标检测：mAP@0.5:0.95
- 语义分割：mIoU
- 跟踪任务：MOTA
代码示例
import json
from PIL import Image
# 加载标注文件
with open('bdd100k/labels/val.json') as f:
annotations = json.load(f)
# 解析单张图像标注
def parse_annotation(ann):
img_path = f"bdd100k/images/val/{ann['name']}"
img = Image.open(img_path)
for obj in ann['labels']:
box = obj['box2d'] # 2D 边界框
category = obj['category']
# 可视化处理（示例）draw_box(img, box, category)
return img
# 数据增强示例（使用 albumentations）aug = Compose([HorizontalFlip(p=0.5),
RandomBrightnessContrast(p=0.2),
ShiftScaleRotate(shift_limit=0.1)
])总结与展望
BDD100K 将继续扩展以下方向：
- 增加更多极端天气样本
- 提供点云数据融合版本
- 完善隐私保护机制
思考题：
1. 如何设计自动化流水线检测标注质量？
2. 跨数据集训练时怎样处理 BDD100K 与其他数据集的标注差异？
3. 对于自动驾驶的长尾问题，BDD100K 可以如何优化数据分布？
正文完
