目标识别

详细描述

ImageNet

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

用法

1. 从上面的链接下载数据集文件: ILSVRC2010_images_train.tar\ILSVRC2010_images_test.tar\ILSVRC2010_images_val.tar & 开发工具包: ILSVRC2010_devkit-1.0.tar.gz (实现了加载2010数据集，因为只有该数据集具有测试数据的ground truth，但ILSVRC2014的结构类似)
2. 将它们解压到: some_folder/train/, some_folder/test/, some_folder/val & some_folder/ILSVRC2010_validation_ground_truth.txt, some_folder/ILSVRC2010_test_ground_truth.txt.
3. 创建带有标签的文件: some_folder/labels.txt，例如，使用下面的 python 脚本 (每个文件的行格式: synset,labelID,description。 例如: "n07751451,18,plum")。
4. 解压 train 中的所有 tar 文件。
5. 要加载数据，运行

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

用于解析 meta.mat 的 Python 脚本

import scipy.io
meta_mat = scipy.io.loadmat("devkit-1.0/data/meta.mat")
 
labels_dic = dict((m[0][1][0], m[0][0][0][0]-1) for m in meta_mat['synsets']
label_names_dic = dict((m[0][1][0], m[0][2][0]) for m in meta_mat['synsets']
 
for label in labels_dic.keys()
    print "{0},{1},{2}".format(label, labels_dic[label], label_names_dic[label])

MNIST

实现了加载数据集

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

用法

1. 从上面的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. 解压它们。
3. 要加载数据，运行

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

SUN 数据库

实现了加载数据集

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

用法

1. 从上面的链接下载数据集文件: SUN397.tar & 带有分割信息的文件: Partitions.zip
2. 将 SUN397.tar 解压到文件夹: SUN397/ & 将 Partitions.zip 解压到文件夹: SUN397/Partitions/
3. 要加载数据，运行

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

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