PaddleDetection支持的数据格式

• 目前#PaddleDetection支持43种数据格式：coco voc widerface。在这里我们主要说明一下如何使用自定义COCO进行目标检测、实例分割；如何使用自定义VOC数据集进行目标检测。
• 在PaddleDetection新的版本中，我们将数据配置抽离了出来，用户在自定义数据集进行训练的时候，只需要关注在configs/datasets文件中的数据配置文件即可。

1 使用自定义VOC数据集进行目标检测训练

• 当用户使用VOC数据集进行的，只需要对voc.yml进行修改即可实现正常训练。
• 我们提供了一个自定义的VOC数据集，并整理成如图如下图所示的形式。用户在voc.yml文件中修改路径即可。
  • dataset_dir: 表示数据集的路径（该路径下保存数据集、标注文件、标签以及训练验证数据集说明txt文件）
  • anno_path: 表示训练/验证数据集的说明txt文件路径 （该处填写相对于dataset_dir的相对路径）
  • label_list: 表示label的txt文件路径（该处填写相对于dataset_dir的相对路径）
  • 在TestDataset的配置中，对于的主要是label_list的路径，确保在测试过程中，有正确的标签

2 使用自定义coco数据集进行目标检测训练

• 当用户使用COOC数据集进行目标检测的时候，只需要对cooc_detection.yml进行修改即可实现正常训练。

• 我们提供了一个自定义的COCO数据集，并整理成如图如下图所示的形式。用户在cooc_detection.yml文件中修改路径即可。

  • image_dir: 表示训练/验证图片的路径
  • anno_path: 表示训练/验证图片的标注文件的路径
  • dataset_dir: 表示数据集的路径（该路径下保存数据集、标签）
  • 在TestDataset的配置中，对于的主要是引入标签，这里会抽取val.json文件中标签，确保在测试过程中，有正确的标签

3 使用自定义COCO数据集进行实例分割训练

• 当用户使用COCO数据集进行实例分割的时候，只需要对cooc_instance.yml进行修改即可实现正常训练，基本何目标检测的coco数据集格式基本一致

• 我们提供了一个自定义的COCO数据集，并整理成如图如下图所示的形式。用户在cooc_instance.yml文件中修改路径即可。

  • image_dir: 表示训练/验证图片的路径
  • anno_path: 表示训练/验证图片的标注文件的路径
  • dataset_dir: 表示数据集的路径（该路径下保存数据集、标签）
  • 在TestDataset的配置中，对于的主要是引入标签，这里会抽取val.json文件中标签，确保在测试过程中，有正确的标签