前面的系列文章里提過，TAO 工具將模型訓練的絕大部分技術難題都進行抽象化處理，大幅度減輕開發(fā)人員的負擔，唯獨數(shù)據(jù)集的收集與整理仍須由人工自行處理，這幾乎是留給操作人員的最后工作了。

大部分關于數(shù)據(jù)集的問題就是標注格式的轉換，包括 Pascal VOC、OpenImages、COCO 這些影響力較大的數(shù)據(jù)集，個別使用 .xml、.csv、.json 等不同的文件格式，包括標注欄位的內容與順序也都不盡相同，這通常是困擾使用者的第一個門檻。

好在這些格式之間的轉換，只需要一些簡單的 Python 小工具就能完成，雖然繁瑣但也沒有什么技術難度。

在https://docs.nvidia.com/tao/tao-toolkit/text/data_annotation_format.html里，提供 TAO 工具針對不同應用類型所支持的格式，簡單整理如下：

圖像分類：目錄結構格式

物件檢測：KITTI 與 COCO 格式

實例分割：COCO 格式

語義分割：UNet 格式

體態(tài)識別：COCO 格式

其他：自定義格式

這里只將使用率較高的圖像分類與物件檢測兩種應用的數(shù)據(jù)格式進行說明，其他應用的數(shù)據(jù)格式請自行參照前面提供的說明鏈接。

1、圖像分類的“目錄結構”格式：

這是以“圖像”為單位的分類應用，每張圖片只會有一個分類屬性，因此格式相對簡單，只要將圖片根據(jù)目錄結構的規(guī)則進行分類就可以。

為了配合模型訓練的工作，我們需要將數(shù)據(jù)集切割成 “train”、“val”、“test” 三大類，分別作為訓練、校驗與測試用途。

在每個數(shù)據(jù)集下面再延伸出“分類屬性”子目錄，例如做早期用于識別 0~9 手寫數(shù)字的 MNIST 數(shù)據(jù)集，就得在 train/val/test 下面各添加 “0”~“9” 共 10 個子目錄，合計是 2 層 33 個目錄結構。

如果是使用 ILSVRC 競賽的 1000 分類 ImageNet 數(shù)據(jù)的話，就得根據(jù)這 1000 個分類在三個目錄下創(chuàng)建 1000 個分類屬性子目錄，例如 dog、cat、person 等等，雖然很繁瑣但也不復雜，對模型訓練工具而言，圖像文件名稱是無所謂的。

數(shù)據(jù)來源通常是兩大類，第一種是自行從網(wǎng)上收集與手動拍攝，第二種是從現(xiàn)成數(shù)據(jù)集進行提取，包括 ImageNet、Pascal VOC、COCO、OpenImages 這些知名的通用數(shù)據(jù)集，都有非常豐富的資源。

但現(xiàn)在的最大問題是，如何從這些數(shù)據(jù)集中提取所需要的圖像，并根據(jù)“目錄結構”存放成 TAO 所支持的格式？

這個部分需要使用者自行研究所需要的數(shù)據(jù)集的結構，撰寫簡單的提取工具。例如 TAO 提供的 classification 圖像分類模型訓練范例項目中，使用 Pascal VOC 2012 數(shù)據(jù)集來進行圖像分類的模型訓練，但是這個數(shù)據(jù)集使用下圖左的路徑分布方式，與 TAO 所支持的“目錄結構”格式并不相同，那么該如何處理？

我們必須對這個數(shù)據(jù)集的相關資源有進一步了解。在 VOC 數(shù)據(jù)集的 ImageSets/Main 里存放 63個.txt 文件，刨去 train.txt、trainval.txt 與 val.txt 三個文件，其余 60 個分屬于數(shù)據(jù)集的 20 個圖像類別的三種用途，例如 xxx_trainval.txt、xxx_train.txt、xxx_val.txt，其中前者的內容是后面兩個文件的合并。

在 classification.ipynb 腳本中提供兩段數(shù)據(jù)格式轉換的 Python 代碼（請自行查閱），在 “A.Split the dataset into train/val/test” 的環(huán)節(jié)，執(zhí)行以下處理：

(1) 將存放在上圖左邊 “JPEGImages” 里面的圖像文件，借助 xxx_trainval.txt 分類列表的協(xié)助，復制到上圖右方的 “formated” 下的 20 個分類子目錄； (2) 從 “formated” 的每一類圖像數(shù)據(jù)，分別切割出 train/val/test 三大分類，放到 “split” 目錄下，作為后面轉換成 tfrecords 的數(shù)據(jù)源。

經(jīng)過兩次轉換處理后，在這里的數(shù)據(jù)內容就該有 3 份相同的圖像數(shù)據(jù)，只不過使用不同的路徑結構去存放而已。如果不想浪費存儲空間的話，可以將 VOCdeckit 與 formatted 兩個目錄刪除，只需要保留 split 目錄的結構就足夠。

至于其他數(shù)據(jù)的轉換，也需要使用者對該數(shù)據(jù)集有充分的了解，畢竟學習數(shù)據(jù)轉換的精力要遠遠低于自行收集的時間，絕對是劃算的。

2、物件檢測的 KITTI 格式：

絕大部分通用數(shù)據(jù)集為了提高普及度，都提供多種應用類別的標注 (annotations) 內容，其中 “物件位置 (location)” 是最基本的數(shù)據(jù)，其他還有與人體相關的骨骼結構標注、語義分割的材質標注、場景描述的標注等等，每種數(shù)據(jù)集都有其側重點，因此內容種類與格式也都不盡相同，這是大伙要使用數(shù)據(jù)集的第一個門檻。

物件檢測是比圖像分類更進一步的深度學習應用，要在一張圖像中找出符合條件的物件，數(shù)量沒有限定，就看訓練出來的模型具備哪些分類功能。

每個數(shù)據(jù)集的差異，就是將所包含的圖像，都進行不同功能與不同細膩度的標注內容，這些動輒數(shù)萬張到上千萬張的圖像、分類數(shù)量從20到數(shù)千的不同數(shù)據(jù)集，也都使用不同的文件格式去儲存這些標注內容，有些是圖像文件與標注文件一一對應，有些則是將上千萬張的標注內容全部存在一個巨大的標注文件里。

例如 COCO 數(shù)據(jù)集將數(shù)百萬張的標注存放在上百兆的 .json 文件里、 OpenImages 數(shù)據(jù)集上千萬張的標注存放在 1.3GB 的 .csv 文件中，而 Pascal VOC 與 ImageNet 的標注文件則提供一對一對應的 .txt 與 .xml 格式，莫衷一是。

事實上對應物件檢測的應用，我們只需要標注文件中最基本的元素，包括“類別”與“位置”這兩組共 5 個欄位數(shù)據(jù)就可以。類別部分有的數(shù)據(jù)集直接使用“類別名”，有的數(shù)據(jù)集只提供“類別編號”，然后再到類別文件中尋找對應；位置信息部分，有些提供“左上角”與“右下角”坐標位置，有些使用“起點坐標”與“長寬”來表示，都是一組 4 個浮點值。

因此，要從龐大的數(shù)據(jù)集中，提取我們所需要的類別與位置標注，就必須對個別標注結構進行研究，才能得到我們想要的結果，這個步驟是跳不過去的。網(wǎng)上雖然有很多標注格式轉換的功能，但是通用性受限制，還是需要進行局部修改。

現(xiàn)在來看看 TAO 工具在物件檢測模型訓練所支持KITTI格式內容，主要欄位如下：

其標注文件是 .txt 純文字格式，在文件內的表達方式如下：

熟悉物件檢測應用的人，可能會覺得這個 KITTI 標注格式中，有一半以上的欄位是用不上的，為何英偉達卻十分偏好這個格式呢？

如果將視野放大到自動駕駛與 3D 應用領域的話，就能理解英偉達選擇這個格式的理由，因為 KITTI 數(shù)據(jù)集是由德國卡爾斯魯厄理工學院和豐田美國技術研究院聯(lián)合創(chuàng)辦，是目前國際上最大的自動駕駛場景下的計算機視覺算法評測數(shù)據(jù)集。

在物件檢測應用中只需要用到“類名”與“邊界框坐標”這兩部分，如果從其他數(shù)據(jù)集提取數(shù)據(jù)時只要找出這 5 個數(shù)據(jù)，如果坐標格式為“起點坐標+長寬”的格式，也能簡單轉換成“起點坐標+重點坐標”形式，寫入對應的 KITTI 標注文件中，其他欄位的內容 “補 0” 就可以，所以整個轉換過程還不是太麻煩。

在 TAO 的視覺項目中的 face-mask-detection/data_utils 里，提供大約 4 轉換成 KITTI 格式的工具，能提供大家作為參考。

只要能將不同數(shù)據(jù)集之間的格式轉換弄通，就能非常高效的從龐大的數(shù)據(jù)集資源中，輕松獲取我們所需要的類別數(shù)據(jù)，進一步訓練出自己專屬的模型，因此這個過程對使用深度學習的工程師是很重要的基本工作。

原文標題：NVIDIA Jetson Nano 2GB 系列文章（58）：視覺類的數(shù)據(jù)格式

文章出處：【微信公眾號：NVIDIA英偉達企業(yè)解決方案】歡迎添加關注！文章轉載請注明出處。

審核編輯：湯梓紅