目录文章信息写在前面Background&MotivationMethodDCNV2DCNV3模型架构Experiment分类检测文章信息Title：InternImage:ExploringLarge-ScaleVisionFoundationModelswithDeformableConvolutionsPaperLink：https://arxiv.org/abs/2211.05778CodeLink：https://github.com/OpenGVLab/InternImage写在前面拿到文章之后先看了一眼在ImageNet1k上的结果，确实很高，超越了同等大小下的VAN、RepLK
前段时间我刚自己完成了一个目标检测数据集的制作，得到voc格式的数据之后再转coco，在这里记录下我的一些经验，帮助大家更好地学习，少走弯路！！欢迎留言~欢迎点赞~阅读本博文将节约你n多多多时间！代码中含有较多注释，基本用法也在代码中写明，请注意看哦！目录1从视频数据中获得图片数据（可选）2标注工具的使用：labelImg3使用数据增强扩充数据集（可选）4VOC格式转CoCo格式4.1检查所生成的xml文件4.2按比例划分数据集为训练集、验证集、测试集+voc2coco+自动移动图片到对应目录（一步到位！）4.2.1图片和xml文件批量重命名（可选）4.2.2数据集格式转换5常见问题（常用工具
数据集格式：VOC(xml)、YOLO(txt)、COCO(json)本文主要对Label格式，以及LabelImg、Labelme、精灵标注助手Colabeler这常用的三种数据标注软件进行介绍。1Label格式LabelImg是目标检测数据标注工具，可以标注标注两种格式：VOC标签格式，标注的标签存储在xml文件YOLO标签格式，标注的标签存储在txt文件中COCO标签格式，标注的标签存储在json文件中打开LabelImg后我们在要标定数据的时候，一般是已经制定好了要标注物体的类别，这样在打开LabelImg之后，我们只要框定目标之后，选择要对应的标签即可。labelimgJPEGIma
最近在用retinanet进行一个实验，用的coco格式的数据集，输出的结果大致如下：Loadingandpreparingresults...DONE(t=0.11s)creatingindex...indexcreated!Runningperimageevaluation...Evaluateannotationtype*bbox*DONE(t=3.98s).Accumulatingevaluationresults...DONE(t=0.76s).AveragePrecision(AP)@[IoU=0.50:0.95|area=all|maxDets=100]=0.803Average
这里主要是搬运一下能找到的labelme标注的json文件数据转成coco数据集格式（可处理目标框和实例分割）的代码，以供需要时参考和提供相关帮助。1、官方labelme实现如下是labelme官方网址，提供了源代码，以及相关使用方法，包括数据集格式转换，要仔细了解的可以细看。网址：https://github.com/wkentaro/labelme其中，官网也提供了打包成exe可执行文件的方法。如果自己使用后有其他可改进的想法，可以尝试看源码修改增加相关功能，然后打包成exe可执行文件，使用会更方便。可以看到相关工作的介绍，里面提供了把实例分割标注文件转成COCO格式的功能。网址：http
在进行目标检测任务中，存在labelmejson、voc、coco、yolo等格式。labelmejson是由anylabeling、labelme等软件生成的标注格式、voc是通用目标检测框（mmdetection、paddledetection）所支持的格式，coco是通用目标检测框（mmdetection、paddledetection）所支持的格式，yolo格式是yolo系列项目中所支持的格式。在进行实际项目中，通常不会局限于一个检测框架，故而数据格式也不会局限于一种。为此博主整理了互联网上相关的数据格式转换代码，方便各位的使用。1、json格式转yolo这里是指将json格式转yol
一、前言MsCoCo数据集是一个非常大型且常用的数据集，可以做的任务有目标检测、图像分割、图像描述等数据集地址：链接描述数据集的论文地址：链接有一点需要注意：数据集的物体类别分为80类和91类两种，其中object80类是stuff91类的子集，stuff类别中不属于object的是指没有明确边界的材料和对象例如天空、草地等。在学习目标检测时，我们把object80作为分类类别即可MScoco与PASCALVOC的对比，可以看到CoCo数据集数量明显更大，相同类别的真实值也更多，因此往往会使用CoCo数据集的预训练模型来作为自己模型的初始化。（在CoCo数据集上预训练耗时比较长）二、数据集下载
1简介官方网站：http://cocodataset.org/全称：MicrosoftCommonObjectsinContext（MSCOCO）支持任务：Detection、Keypoints、Stuff、Panoptic、Captions说明：COCO数据集目前有三个版本，即2014、2015和2017，其中2015版只有测试集，其他两个有训练集、验证集和测试集。 MSCOCO的全称是MicrosoftCommonObjectsinContext，起源于微软于2014年出资标注的MicrosoftCOCO数据集，与ImageNet竞赛一样，被视为是计算机视觉领域最受关注和最权威的比赛之一。
大前提：Ubuntu20.04LTS本人呕心沥血从无到有的摸索，自己边尝试边整理的，其实耐心多看官方文档确实能找到很多东西（下面有官方文档的链接这里就不重复粘贴了），也为了方便我自己copy语句嘻嘻~为什么不是用Windows，作为一个小白我一开始真的想用windows，因为我懒得配双系统，但是没办法，是真的lj，安装又难，训练有诸多限制，就sosad知道吧。安装就看别的博主吧跟着别的博主soeasy嘿嘿~一、准备好自己的coco数据集labelme标注的数据集生成json文件，使用labeleme2coco.py分别生成train，test，val的json文件。二、修改配置文件2.1./m
如：天空coco包含pascalvoc的所有类别，并且对每个类别的标注目标个数也比pascalvoc的多。一般使用coco数据集预训练好的权重来迁移学习。如果仅仅针对目标检测object80类而言，有些图片并没有标注信息，或者有错误标注信息。所以在实际的训练过程中，需要对这些数据进行简单筛选。为什么之前那些都没在测试集上测试？自己去训练自己数据的话，只需要训练集和验证集测试就行，并不需要单独划分一个测试集。因为基本都是在同样的数据分布下进行划分的，测试集的数据分布与验证集的数据分布一样。没有必要单独划分测试集。一般在大型的比赛中会用到测试集。为防止作弊，一般不告诉测试集数据分布信息。所以对自己
