深入解析BDD100K数据集：数据标注类别顺序的设计原理与实战应用

1次阅读

共计 2339 个字符，预计需要花费 6 分钟才能阅读完成。

在自动驾驶领域，BDD100K 数据集因其丰富的场景覆盖而被广泛使用。然而，数据集中标注类别的顺序问题常常被忽视。原始数据集中的类别顺序并非随意排列，而是基于实际交通场景的优先级设计。不合理的类别顺序可能导致模型训练过程中出现损失函数偏置，高频类别主导梯度更新，进而影响模型在低频但关键类别（如交通灯、行人）上的表现。

常见的类别排序策略主要有三种：

Alphabetical 顺序 ：按类别名称字母顺序排列
优点：实现简单，易于理解
缺点：与类别重要性无关，可能导致关键类别得不到足够关注
Frequency 顺序 ：按类别在数据集中出现的频率排序
优点：高频类别优先学习，整体准确率可能提升
缺点：可能忽视低频但安全关键的类别
Importance 顺序 ：基于场景安全优先级排序
优点：关键类别（如行人、交通标志）获得更多注意
缺点：需要领域知识，实现复杂度较高

以下是 BDD100K 数据集中前 20 个类别的顺序及其出现频率统计：

类别名称	出现频率 (%)	排序依据
car	32.5	最常见交通工具
pedestrian	12.1	行人安全优先级最高
traffic light	8.7	交通控制关键要素
traffic sign	7.9	道路规则指示
truck	6.3	大型车辆风险较高
bus	5.8	公共交通车辆
motorcycle	4.2	易受伤害的道路使用者
bicycle	3.9	易受伤害的道路使用者
other vehicle	3.5	复合类别
train	2.1	特殊场景交通工具
…	…	…

以下是通过 COCOAPI 实现类别顺序重映射的完整代码示例：

import json
from pycocotools.coco import COCO

def remap_categories(original_ann_file, new_order, output_file):
    """
    重映射类别顺序
    :param original_ann_file: 原始标注文件路径
    :param new_order: 新的类别顺序列表
    :param output_file: 输出文件路径
    """
    # 加载原始标注
    coco = COCO(original_ann_file)
    anns = coco.dataset

    # 构建类别映射表
    cat_map = {cat['name']: cat for cat in anns['categories']}

    # 处理 'other vehicle' 等复合类别
    if 'other vehicle' in new_order and 'other vehicle' not in cat_map:
        # 创建复合类别条目
        other_vehicle_id = max(cat['id'] for cat in anns['categories']) + 1
        cat_map['other vehicle'] = {
            'id': other_vehicle_id,
            'name': 'other vehicle',
            'supercategory': 'vehicle'
        }

    # 按新顺序重建类别列表
    new_categories = []
    for idx, cat_name in enumerate(new_order, 1):
        if cat_name in cat_map:
            new_cat = cat_map[cat_name].copy()
            new_cat['id'] = idx  # 重设 ID
            new_categories.append(new_cat)

    # 更新标注中的类别 ID
    for ann in anns['annotations']:
        old_cat = next(c for c in anns['categories'] if c['id'] == ann['category_id'])
        new_cat = next((c for c in new_categories if c['name'] == old_cat['name']), None)
        if new_cat:
            ann['category_id'] = new_cat['id']

    # 保存新标注
    anns['categories'] = new_categories
    with open(output_file, 'w') as f:
        json.dump(anns, f)

# 使用示例
new_order = [
    'pedestrian', 'traffic light', 'traffic sign', 'car', 
    'truck', 'bus', 'motorcycle', 'bicycle', 'other vehicle'
]
remap_categories('bdd100k_labels_train.json', new_order, 'remapped_labels_train.json')

在 NVIDIA V100 GPU（CUDA 11.1）环境下，使用 YOLOv5s 模型测试不同类别顺序对性能的影响：