COCO2017数据集结构说明(时常更新)

  1. 与YOLOV5文件夹分开放置,如下图所示:

在这里插入图片描述

  1. COCO数据集内部的文件夹如下图:

在这里插入图片描述
3. annotations文件夹下的内容如下:

在这里插入图片描述
4. images文件夹下的内容如下:

在这里插入图片描述
4.1 train2017文件夹下为图片,val2017文件夹下也为图片,内容如下:
在这里插入图片描述
一共有118287张图片;

在这里插入图片描述
一共有5000张图片。

5 . labels文件夹的内容如下:

在这里插入图片描述

5.1 train2017 与 val2017文件夹中的内容为标签,内容分别如下:
在这里插入图片描述
一共有117266个标注文件,说明有部分图片没有被标注,需要后续程序的处理,YOLOv5做了对应的处理。

在这里插入图片描述
一共有4952个标注文件,说明也存在部分未被标注的文件。

6 . train2017.cache 与 val2017.cache 是 YOLOV5运行后筛选数据后产生的缓存文件,前期没有。

7 . 将数据存到服务器中的格式与上述格式保持一致,就不会出错,结果如下图所示:

在这里插入图片描述
后续将会更新COCO数据集文件的筛选过程,未完待续!

版权声明:本文为CSDN博主「习惯了看孤独的风景」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/u012997755/article/details/110940696

我还没有学会写个人说明!

暂无评论

发表评论

相关推荐

YOLOv5从入门到部署之:初识YOLOv5

1 YOLOv5
在YOLOv4发布不到50天,“YOLOv5” 就问世了并且官方介绍的性能效果可以说相当好。只可惜YOLOv5当前只公布了代码没有相关的论文,只能通过YOLOv5的代码来了解其算法。其链接如下&#

实战深度学习目标检测:RCNN (1)

深度学习目标检测:RCNN
什么是目标检测?目标检测主要是明确从图中看到了什么物体?他们在什么位置。传统的目标检测方法一般分为三个阶段:首先在给定的图像上选择一些候选的区域&#xff0c