VOC格式的标注文件

FairMOT-BDD 这是FairMOT的一个分支，用于对BDD100K数据集进行MOT（多对象跟踪），也可以修改为其他自定义数据集。 你可以参考 主要贡献：修改原始代码以适应bdd100k数据集上的多类多对象跟踪训练和评估。 资料准备 首先，您需要将BDD100K数据集转换为MOT格式，例如文件夹“图像”和“带有ID的标签”。 对于培训MOT跟踪器： python bdd2mot/bdd2mot.py --img_dir '/bdd_root/bdd100k/images/track' --label_dir '/bdd_root/bdd100k/labels-20/box-track' --save_path '/save_path/data/MOT' 对于训练探测器： python bdd2mot/bdd2det.py --img_dir '/bdd_root/bdd100

为解决YOLOv3算法在检测道路交通灯时存在的漏检率高、召回率低等问题,提出一种基于优化YOLOv3算法的交通灯检测方法。首先,采用K-means算法对数据进行聚类分析,结合聚类结果和交通灯标签的统计结果,确定先验框的宽高比及其数量。然后,根据交通灯尺寸特点,精简网络结构,分别将8倍降采样信息、16倍降采样信息与高层语义信息进行融合,在两个尺度上建立目标特征检测层。同时,为了避免交通灯特征随着网络的加深而消失的问题,分别减少两个目标检测层前的两组卷积层,简化特征提取步骤。最后,在损失函数中,利用高斯分布特性评估边界框的准确性,以提升对交通灯检测的精度。实验结果显示,优化YOLOv3算法的检测速度可达30 frame/s,平均精准度较原网络提升9个百分点,可以有效完成对交通灯的检测。

提取bdd100k中的labels中的json格式数据到txt格式，数据包括traffic light的颜色以及在图中的box的位置