目标检测中图片预处理之图片大小分析
前言:很多做目标检测的新手,拿到数据集就迫不及待想找一个算法来跑它,内心先爽一把,包括我在内也是这样,其实样的做法不合理,我们应该先对数据集进行一些分析,找出数据集的特点,有针对性的进行检测,首先要关注的是图片大小,这个相当重要,假设测试文件来源于医疗遥感类检测任务图像,这些文件可能是50005000甚至1000010000,这时就需要对图片进行resize,缩小图片,然后还要根据模型复杂程度与显存大小来确定图片大小,以免显存不足。通过绘制图片散点图,可以直观看出图片大小分布,整体上把握数据大小,如果散点图集中在左下角,说明图片比较小,无须做太多处理。
获取图片大小,并绘制成散点图:
import time
import matplotlib.image as mping
import os
import matplotlib.pyplot as plt#获取单个图片的大小
def get_Image_Size(image_Path):#print("获取图片尺寸大小:"+ image_Path)try:lena = mping.imread(image_Path)except:time.sleep(0.5)print("读图出错,重读")getPngSize(image_Path)size = tuple(lena.shape)#print(size)return size[1],size[0]#遍历目标文件夹下图片的大小,保存到list中
def get_dir_list(image_path):w_list = []h_list = []files = os.listdir(image_path)for i in files:if i.endswith('.jpg'):w,h = get_Image_Size(image_path + i)#print(w,h)w_list.append(w)h_list.append(h)return w_list,h_list#画散点图
def plot_pic(w_list,h_list):fig = plt.figure()ax1 = fig.add_subplot(1, 1, 1)ax1.set_title('DataSets\' Size Analysis')ax1.scatter(w_list, h_list, s=5, c='k', marker='.')plt.show()if __name__ == '__main__':image_path = "./13/" #目标文件夹,也就是图片存放的目录w_list,h_list = get_dir_list(image_path)plot_pic(w_list,h_list)
运行结果:
上图横轴表示图片的宽度,纵轴表示图片的高度,可以看出大部分数据处于中部偏左下角,少部分数据比较大,我们可以对少部分大小“超标”的图片进行resize,缩小图片。
目标检测中图片预处理之图片大小分析相关推荐
- 【深度学习】深入浅出YOLOv3目标检测算法和实现(图片和视频)
[深度学习]深入浅出YYOLOv3目标检测算法(图片和视频) 文章目录 1 概述 2 一个全卷积神经网络--Darknet-53 3 解释输出 4 代码实现4.1 导入项目4.2 执行脚本4.3 预测 ...
- 目标检测中的Two-stage的检测算法
比较详细,作个备份 什么是目标检测(object detection): 目标检测(object detection),就是在给定的一张图片中精确找到物体所在的位置,并标注出物体的类别.所以,目标检测 ...
- 目标检测中的性能提升方法综述
文章目录 一.多尺度检测 1.什么是多尺度检测? 2.降低下采样率与空洞卷积 3.多尺度训练 4.优化Anchor尺寸训练 5.深层与浅层特征融合 6.SNIP,尺度归一化 7.TridentNet, ...
- 目标检测中的Tricks
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 来自 | 知乎 作者 | roger 链接 | https: ...
- 综述:解决目标检测中的样本不均衡问题
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 作者丨SFXiang 来源丨AI算法修炼营 编辑丨极市平台 极市导 ...
- 目标检测中Anchor的本质分析
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 作者丨东林钟声@知乎 来源丨https://zhuanlan.zhihu.com/p/84398108 ...
- 检测到目标服务器启用了trace方法_综述:目标检测中的多尺度检测方法
↑ 点击蓝字 关注极市平台作者丨SFXiang来源丨AI算法修炼营编辑丨极市平台 极市导读 本文从降低下采样率与空洞卷积.多尺度训练.优化Anchor尺寸设计.深层和浅层特征融合等多个方面入手,对目标 ...
- 目标检测中的anchor-base与anchor-free
前言 本文参考目标检测阵营 | Anchor-Base vs Anchor-Free 如何评价zhangshifeng最新的讨论anchor based/ free的论文? - 知乎 基础知识 | 目 ...
- 综述 | 目标检测中的多尺度检测方法
本文从降低下采样率与空洞卷积.多尺度训练.优化Anchor尺寸设计.深层和浅层特征融合等多个方面入手,对目标检测中的多尺度检测方法进行了全面概述,并介绍了多尺度检测相关方法. 前面的话 传统卷积网络通 ...
- 目标检测中的样本不平衡处理方法——OHEM, Focal Loss, GHM, PISA
GitHub 简书 CSDN 文章目录 1. 前言 2. OHEM 3. Focal Loss 3.1 Cross Entropy 3.2 Balanced Cross Entropy 3.3 Foc ...
最新文章
- dispatch_queue_create(com.biostime.xxx, DISPATCH_QUEUE_SERIAL)的陷阱
- 刷新中文阅读理解水平,哈工大讯飞联合发布基于全词覆盖中文BERT预训练模型...
- 小学生学python-小学生就学编程,就学Python,真的那么重要吗?
- 张洋:浅析PageRank算法
- linux内核_查看Linux内核版本
- 基于八叉树快速分类的Shear-Warp交互式体绘制算法
- 创建对象、原型、原型链
- linux修改文件内容未显示完,LInux下修改 ~/.bashrc 文件source ~/.bashrc 后 shell 命令 失效 任何命令都显示 “ bash XX :未找到命令”...
- SQL Server2005 表分区三步曲(zz)
- java 如何保证配色通用_简单实用的通用配色法则,可以直接套用到日常的穿搭中...
- VLAN 与 WLAN 的区别
- 银河麒麟桌面操作系统V10 SP1 如何安装字体
- Android项目开发之--------地铁时光机(二,Floyd算法筛选最短路径及输出)
- 《剑指offer》读后感
- 高清多媒体接口(HDMI)静电防护器件ULC0524PA
- 【超级表格创业谱】王庆刚:你的岗位有没有辜负你的才华?
- linux c语言乘法口诀表好记方法,乘法口诀表好记方法
- java中utp_5类UTP比3类UTP扭矩_______。
- android横屏竖屏设置
- NowcoderGirl编程比赛(三)
热门文章
- 爬虫第5课-从QQ音乐上爬取周杰伦前5页歌词
- linq的左联和内联举例及写法
- 国产软件出头 | Web版数据库管理工具 SQL Studio颠覆市场
- OCR文字识别:深度学习算法识别步骤
- 论文阅读(2)3D Human Body Reconstruction from a Single Image via Volumetric Regression
- mysql中的Innodb_buffer_pool
- 【C++】对拷贝构造函数 深浅拷贝 的理解 拷贝构造函数作用及用途?什么时候需要自定义拷贝构造函数?
- London Tube伦敦地铁全面图下载
- 无线传感器网络及其安全问题
- java实现qq登录界面_java模仿实现QQ登录界面