使用51加载数据集时排除某些类

Question

我试图从开放图像中获取一组图像，用于训练对象检测分类器。我发现，从开放图像中获取图像的最简单方法可能是使用python程序FiftyOne。使用FiftyOne，我可以通过在命令中指定类来下载属于特定类的图像。

我现在的问题是，我如何排除某些类别？

我想训练一个识别车辆牌照的分类器。在训练过程中，我需要正面和负面的例子图像。

由于我想识别车牌，而不是车辆，所以我想找出带有车辆的负面例子。

我的想法是从“汽车”类中得到负面的例子，但它们不应该是“车辆登记牌”类的一部分。

有没有一种方法可以告诉create命令，它不应该包含带有“车辆登记牌”类的图像？

我目前使用的命令如下：

dataset = foz.load_zoo_dataset("open-images-v6", split="train", classes="Car", max_samples=10000)

然而，这下载的图像，也属于类别“车辆登记牌”，我不想要。

除了获取培训数据之外，我不想将FiftyOne用于其他任何事情。

即使它与这个问题没有任何关系：

我将使用OpenCV来训练和使用分类器。

Answer 1

下载汽车图片后，您可以使用filtering capabilities of FiftyOne来区分任务中的正反两类。在从FiftyOne Zoo下载数据集时，无法明确排除类。

Open提供示例级的positive和negative标签，这些标签指示一个类是否确实存在于示例中。但是，这些都不是详尽的标记，因此，如果类不存在于任何一个样本级注释中，那么就无法知道它是否存在。

因此，有几种方法可以为您的任务获取所有相关的示例。

1)只使用带有附加注释的车辆牌号的样本

from fiftyone import ViewField as F

class_name = "Vehicle registration plate"

# Find samples that have a "Vehicle registration plate"
pos_view = dataset.filter_labels("positive_labels", F("label")==class_name)

# Find all samples that don't have a "Vehicle registration plate"
neg_view = dataset.filter_labels("negative_labels", F("label")==class_name)

这是获取样本的最快方法，您可以确定是否有车牌。但是，在没有标注车牌的情况下，您将丢弃这些示例。

2)手动筛选出未标记的样本

如果您需要尽可能多的数据，那么您可以手动浏览没有标注车牌的示例，并找到更多的负面示例。

from fiftyone import ViewField as F

class_name = "Vehicle registration plate"

# Find samples that have a "Vehicle registration plate"
pos_view = dataset.filter_labels("positive_labels", F("label")==class_name)

# Find all samples without a positively labeled "Vehicle registration plate"
neg_view = dataset.exclude(pos_view)

从这里开始，启动FiftyOne App并标记所有有盘子的样本。

​

​

# Tag any samples that have a plate in the App with "remove"
session = fo.launch_app(view=neg_view)

# Find and remove all tagged samples from the DatasetView
neg_view = neg_view.match_tags("remove", bool=False)

然后，您可以将数据导出到variety of formats中的磁盘，以训练模型。如果您需要的格式没有列出，您可以简单地使用iterate over your dataset and save the data manually。

neg_view.export(
    export_dir="/path/to/dir",
    dataset_type=fo.types.COCODetectionDataset,
    label_field="detections",
)

一旦您对您的模型进行了培训，我建议您使用FiftyOne到visualize/analyze your predictions来了解您的模型是如何执行的，以便您能够改进它。