对象识别

详细说明

ImageNet

实现加载数据集：http://www.image-net.org/“ImageNet”

用法

1. 从上面链接下载数据集文件：ILSVRC2010_images_train.tar\ILSVRC2010_images_test.tar\ILSVRC2010_images_val.tar 和 devkit：ILSVRC2010_devkit-1.0.tar.gz（实现加载 2010 年数据集，因为只有这个数据集具有测试数据的真实情况，但 ILSVRC2014 的结构类似）
2. 将它们解压到：some_folder/train/、some_folder/test/、some_folder/val 以及 some_folder/ILSVRC2010_validation_ground_truth.txt、some_folder/ILSVRC2010_test_ground_truth.txt 中。
3. 使用以下 Python 脚本创建包含标签的文件：some_folder/labels.txt（每行文件的格式：synset,labelID,description。例如：“n07751451,18,plum”）。
4. 解压训练中所有 tar 文件。
5. 要加载数据，请运行

   ./opencv/build/bin/example_datasets_or_imagenet -p=/home/user/some_folder/

用于解析 meta.mat 的 Python 脚本

导入 scipy.io
meta_mat = scipy.io.loadmat("devkit-1.0/data/meta.mat")
 
labels_dic = 词典((m[0][1][0], m[0][0][0][0]-1) 对于 m 在 meta_mat['synsets']
label_names_dic = 词典((m[0][1][0], m[0][2][0]) 对于 m 在 meta_mat['synsets']
 
对于 label 在 labels_dic.keys()
    打印 "{0},{1},{2}".format(label, labels_dic[label], label_names_dic[label])

MNIST

实现加载数据集

"MNIST": http://yann.lecun.com/exdb/mnist/

用法

1. 从上面链接下载数据集文件：t10k-images-idx3-ubyte.gz、t10k-labels-idx1-ubyte.gz、train-images-idx3-ubyte.gz、train-labels-idx1-ubyte.gz。
2. 将它们解压。
3. 要加载数据，请运行

   ./opencv/build/bin/example_datasets_or_mnist -p=/home/user/path_to_unpacked_files/

SUN 数据库

实现加载数据集

"SUN 数据库，场景识别基准。SUN397": http://vision.cs.princeton.edu/projects/2010/SUN/

用法

1. 从上面链接下载数据集文件：SUN397.tar 和包含拆分的文件：Partitions.zip
2. 将 SUN397.tar 解压到文件夹：SUN397/ 和将 Partitions.zip 解压到文件夹：SUN397/Partitions/
3. 要加载数据，请运行

   ./opencv/build/bin/example_datasets_or_sun -p=/home/user/path_to_unpacked_files/SUN397/

类
类	cv::datasets::OR_imagenet
结构	cv::datasets::OR_imagenetObj
类	cv::datasets::OR_mnist
结构	cv::datasets::OR_mnistObj
类	cv::datasets::OR_pascal
结构	cv::datasets::OR_pascalObj
类	cv::datasets::OR_sun
结构	cv::datasets::OR_sunObj
结构	cv::datasets::PascalObj
结构	cv::datasets::PascalPart