MMCV - browse_dataset.py 可视化config文件数据预处理部分

news2024/7/6 19:56:22

无论是mmdetection、mmtracking、mmdetection3D等框架，在\tools\analysis_tools中均有一个名为browse_dataset.py的文件。该文件能够帮助用户直接可视化 config 文件中的数据处理部分，查看标注文件是否正确，同时可以选择保存可视化图片到指定文件夹内。

调用的基本命令如下：

python tools/analysis_tools/browse_dataset.py \
    ${CONFIG_FILE} \
    [-o, --output-dir ${OUTPUT_DIR}] \
    [-p, --phase ${DATASET_PHASE}] \
    [-n, --show-number ${NUMBER_IMAGES_DISPLAY}] \
    [-i, --show-interval ${SHOW_INTERRVAL}] \
    [-m, --mode ${DISPLAY_MODE}] \
    [--cfg-options ${CFG_OPTIONS}]

参数说明：

config : 模型配置文件的路径。
-o, --output-dir: 保存图片文件夹，如果没有指定，默认为 './output'。
-p, --phase: 可视化数据集的阶段，只能为 ['train', 'val', 'test'] 之一，默认为 'train' 。 'val' 代表可视化验证集，
-n, --show-number: 可视化样本数量。如果没有指定，默认展示数据集的所有图片。
-m, --mode: 可视化的模式，只能为 ['original', 'transformed', 'pipeline'] 之一。默认为 'transformed'。 'original' 代表获取原始图片，'transformed' 代表获取预处理后的图片，'pipeline' 代表获得数据流水线所有中间过程图片。
--cfg-options : 对配置文件的修改

比如下面的命令就代表：dataloader构建的数据将会直接弹出显示，每张图片持续 3 秒，并且不进行保存：

python tools/analysis_tools/browse_dataset.py configs/custom_dataset/yolov5_s-v61_syncbn_fast_1xb32-100e_cat.py --show-interval 3

再比如下面的命令就代表：--phase val 代表可视化验证集, 可简化为 -p val ，--output-dir tmp 代表可视化结果保存在 “tmp” 文件夹, 可简化为 -o tmp，--mode original 代表可视化原图, 可简化为 -m original，--show-number 100 代表可视化100张图，可简化为 -n 100

python ./tools/analysis_tools/browse_dataset.py configs/yolov5/yolov5_balloon.py --phase val --output-dir tmp --mode original

我们来一个更具体的栗子（可视化需要一个json文件）：再config文件中修改 train_pipeline 和 train_dataloader 即可实现MOT任务的数据集可视化（这部分代码其实是抄）mmtracking-1.0.0rc1\configs\_base_\datasets\youtube_vis.py的，当时是为了验证mot2coco的格式是否正确。

train_pipeline = [
    dict(
        type='TransformBroadcaster',
        share_random_params=True,
        transforms=[
            dict(type='LoadImageFromFile'),
            dict(
                type='LoadTrackAnnotations',
                with_instance_id=True,
                with_bbox=True),
            dict(type='mmdet.Resize', scale=(640, 360), keep_ratio=True),
            dict(type='mmdet.RandomFlip', prob=0.5),
        ]),
    dict(type='PackTrackInputs', ref_prefix='ref', num_key_frames=1)
]
train_dataloader = dict(
    batch_size=1,
    num_workers=2,
    persistent_workers=True,
    drop_last=False,
    sampler=dict(type='DefaultSampler', shuffle=True),
    batch_sampler=dict(type='mmdet.AspectRatioBatchSampler'),
    dataset=dict(
        type='MOTChallengeDataset',
        data_root='../data/xx/',
        ann_file='annotations/train_cocoformat.json',
        data_prefix=dict(img_path='train'),
        pipeline=train_pipeline,
        load_as_video=True,
        ref_img_sampler=dict(
            num_ref_imgs=1,
            frame_range=100,
            filter_key_img=True,
            method='uniform')))

效果如下：