「解析」COCO 数据读取与模型结果解析

最近在学习实例分割，使用的 COCO数据集训练，但是在Github上看到的代码，问题太多了，跑出来的结果简直惨不忍睹，其中模型存在一些问题，但是这次也让我意识到了 辅助代码的重要性，特别是COCO数据集的读取与测试时的解析，真的是一点都不容出错，否则，你会怀疑人生的！

1、json 文件批量转换为 COCO数据集

在训练COCO数据集的时候，一直困惑一个问题，就是类别中的 0 是背景，还是第一个类的标签。此疑惑可以在 coco的 json文件中 或者 labelme 的 labelme2coco.py 中找到答案，

在 labelme2coco.py 中，对 json文件转换时，首先会去除掉__ignore__ 标签，然后会看到 _background_ 被置为 0。因此，在后面解析的时候，标签 0 对应的便是背景

此外，在使用 labelme 标注数据的时候，需要添加以下两个默认标签

__ignore__
_background_ 
1
2

在此，建议小伙伴在使用 labelme转化自己制作的数据集时，data["categories"] 中不保存 _background_ ，此目的是为了与 COCO官方数据集的格式保持一致，这样子在训练的时候，基本不需要修改代码，可以省事省力，较为方便

在 COCO2017 数据中，可以看到 categories 部分并没有保存背景，而是直接从 person: 1 开始的

2、COCO 标签映射

细心的小伙伴通过上图，应该可以看出，标签对应的 id 并不是连续的 1-80，而是1-90，其中缺少一部分 id，在此需要映射下，映射关系可以参考下图，

不过 coco有个好的方法来解决映射问题，在加载 json文件时，通过 enumerate 枚举，让后使其达到上方映射关系，【因为作者训练时使用的类从0开始，背景为 num_class，因此采用的 i，如果小伙伴使用1开始，则采用 i+1 即可】

这样，就完成了coco数据集训练前的读取与 映射了

3、coco 数据集训练结果 解析

通过上图，我们可以看到标签在训练时被映射成了连贯的标号，并且有时还是从 0开始，因此，在训练完之后，需要将输出结果进行解析，从 0-num_class-1 ——> 原始标签 id

解析的时候，我们需要按照下方的对应关系，进行逆向解析，这样才能得到 正确的标签

在此，作者采用的是下方的代码，进行逆向解析，result 小伙伴们需要根据自己的情况进行修改，下方代码仅做参考

def result2json(img_id, result):
    rel = []
    seg_pred   = result[0][0].cpu().numpy().astype(np.uint8)
    cate_label = result[0][1].cpu().numpy().astype(np.int)
    cate_score = result[0][2].cpu().numpy().astype(np.float)
    num_ins = seg_pred.shape[0]
    for j in range(num_ins):
        realclass = COCO_LABEL_MAP[cate_label[j]]
        re = {}
        score = cate_score[j]
        re["image_id"] = img_id
        re["category_id"] = int(realclass)
        re["score"] = float(score)
        outmask = np.squeeze(seg_pred[j])
        outmask = outmask.astype(np.uint8)
        outmask = np.asfortranarray(outmask)
        rle = maskutil.encode(outmask)
        rle['counts'] = rle['counts'].decode('ascii')
        re["segmentation"] = rle
        rel.append(re)
    return rel
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

coco 标签对应中英文名