覆盖主要内容
版本: 6.1.0

图像

组件介绍​

**“图像”（Image）**控件主要用于加载CV任务所需的用户上传的图像数据集，支持ImageNet，VOC，COCO数据格式。

  • 输入：
    • 无
  • 输出：
    • data：数据集

**““图像”（Image）**控件读取输入数据压缩文件并将数据集发送到其输出通道。该控件支持 zip, tar, gzip 等压缩文件类型的上传与ImageNet，VOC，COCO数据格式的解析。

页面介绍​

点击**“图像”（Image）**控件查看参数配置页面，如下图所示：

参数选项​

选项说明样例值
图片上传

选择一个ImageNet/VOC/COCO数据压缩文件（.zip, .tar, .gzip）进行上传，成功解析加载后显示如下信息：
图片数：上传的图片总数
训练集：用于模型训练的样本数
验证集：用于模型验证的样本数
测试集：用于测试的样本数

预览数据

对成功上传、解析、加载的图像数据进行预览展示

提示

在加载数据时，该控件会把数据分为三种数据格式：ImageNet, VOC, COCO。不同类型的数据在压缩包内的组织方式如下：

  1. ImageNet
├── folder_1
│   ├── xxx.png
│   ├── xxy.png
│   └── ...
├── folder_2
│   └── ...
├── train_list.txt  # 训练集
├── val_list.txt    # 验证集
└── test_list.txt   # 测试集
└── label_list.txt  # 标签列表

其中，folder_1, folder_2文件夹用于存放模型训练、测试所需要的样本图片，目录名称可自定义。 label_list.txt为数据集使用的标签列表，类别序号的值应当属于 [0, num_classes - 1] 范围。文件内容格式如下：

label_1
label_2
...

train_list.txt、val_list.txt、test_list.txt分别为训练集、验证集、测试集，每行记录声明对应图片的路径和标签索引，并用空格分隔。其中第一列表示图像 相对于主目录的路径，第二列表示类别序号。例如，train_list.txt文件内容格式如下：

folder_1/xxx.png 1
folder_1/xxy.png 1
folder_2/...     0
... (略)
  1. Pascal VOC
├── JPEGImages      # 图像目录
│   ├── xxx.jpg
│   ├── xxy.jpg
│   └── ...
├── Annotations     # 标签目录
│   └── xxx.png
│   └── xxy.png
│   └── ...
├── train_list.txt  # 训练集
├── val_list.txt    # 验证集
└── test_list.txt   # 测试集
└── label_list.txt  # 标签列表

其中label_list.txt为数据集使用的标签列表，以图像分割任务中的VOCDataset为例，包含两个分类标签：背景（background）、前景标签（label_x）,名称可根据任务自行定义。文件内容具体格式如下：

background
label_x
...
  1. COCO
├── train          # train目录用于存放模型训练的样本
│   ├── xxx.jpg
│   ├── xxy.jpg
│   └── ...
├── val            # val目录用于存放训模型验证的样本
│   ├── xxx.jpg
│   ├── xxy.jpg
│   └── ...
├── test           # test目录用于存放模型测试的样本
│   ├── xxx.jpg
│   ├── xxy.jpg
│   └── ...
├── annotations     # 标签目录
│   └── train.json  # 训练集
│   └── val.json    # 验证集
│   └── test.json   # 测试集

其中annotations目录用于存放标注文件，train.json、val.json、test.json分别为训练集、验证集、测试集对应的标注信息，COCO数据集的标注格式如下所示，其中的键（key）都是必要的，参考这里来获取更多细节。

{
    "images": [image],
    "annotations": [annotation],
    "categories": [category]
}


image = {
    "id": int,
    "width": int,
    "height": int,
    "file_name": str,
}

annotation = {
    "id": int,
    "image_id": int,
    "category_id": int,
    "segmentation": RLE or [polygon],
    "area": float,
    "bbox": [x,y,width,height],
    "iscrowd": 0 or 1,
}

categories = [{
    "id": int,
    "name": str,
    "supercategory": str,
}]

使用案例​

**“图像”（Image）控件一般作为一个工作流的开端，支持文件压缩包的上传、加载预览。如下图所示的工作流中 ，使“图像”（Image）**控件加载数据，并通过预览数据对全量数据、训练数据、验证数据、测试数据进行查看。

案例中加载样例数据中的 iris 示例数据集，案例中控件执行结果如下图所示：

最后一次更新 更新于