下载链接是百度云下载：https://pan.baidu.com/s/1w3W_dQBUiHcwkLOtbSJ1Tg
提取码：1bln 里面不包含19998 images的Coarse 粗略注释
该数据集的其他讲解可以参考：https://github.com/mcordts/cityscapesScripts
上面讲解的中文版可以参考：https://blog.csdn.net/chishuideyu/article/details/79963072
提取的数据集文件分布形式可以看文章最后的那张图
——————————————————————————————————————————————
该数据集包含如下：images_base和annotations_base分别对应这文件夹leftImg8bit（5,030 items, totalling 11.6 GB，factually 5000 items）和gtFine（30,030 items, totalling 1.1 GB）。里面都包含三个文件夹：train、val、test。总共5000张精细释，2975张训练图，500张验证图和1525张测试图。
在leftImg8bit/train下有18个子文件夹对应德国的16个城市，法国一个城市和瑞士一个城市：
- 亚琛 (aachen)（174 items, totalling 379.4 MB）、
- 波鸿（bochum）（96 items, totalling 239.2 MB）、
- 不莱梅（bremen）（316 items, totalling 734.0 MB）、
- 科隆（cologne）（154 items, totalling 355.0 MB）、
- 达姆施塔特(darmstadt)（85 items, totalling 196.4 MB）、
- 杜塞尔多夫（dusseldorf）（221 items, totalling 480.3 MB）、
- 埃尔福特（erfurt）（109 items, totalling 234.5 MB）、
- 汉堡（hamburg）（248 items, totalling 617.4 MB）、
- 汉诺威（hannover）（196 items, totalling 466.8 MB）、
- 耶拿（jena）（119 items, totalling 270.3 MB）、
- 克雷费尔德(krefeld)（99 items, totalling 227.0 MB）、
- 门兴格拉德巴赫（monchengladbach）（94 items, totalling 214.9 MB）、
- 斯特拉斯堡 （strasbourg）（法国）（365 items, totalling 866.5 MB）、
- 斯图加特（stuttgart）（196 items, totalling 457.8 MB）、
- 图宾根 (tübingen)（144 items, totalling 359.8 MB）、
- 乌尔姆（ulm）（95 items, totalling 216.7 MB）、
- 魏玛（weimar)（142 items, totalling 338.7 MB）、
- 苏黎世（zurich）（瑞士）（122 items, totalling 291.4 MB）
里面图片的命名规则是：用_将名字分割成四部分，其中第一部分的设定是该文件夹的名字，第四部分都是leftImg8bit.png，第二部分和第三部分都是六位数字。
- 亚琛 aachen：aachen_000000_000019_leftImg8bit.png,第二部分从000000到000173对应174张图片，第三部分固定是000019
- 波鸿 bochum：bochum_000000_000313_leftImg8bit.png,第二部分固定000000，第三部分不固定没有规则的六位数
- 不莱梅 bremen：bremen_000000_000019_leftImg8bit.png,第二部分从000000到000315对应316张图片，第三部分固定000019
- 科隆 cologne：cologne_000000_000019_leftImg8bit.png,第二部分从000000到000153对应154张图片，第三部分固定000019
- 达姆施塔特 darmstadt：darmstadt_000000_000019_leftImg8bit.png,第二部分从000000到000084对应85张图片，第三部分固定000019
- 杜塞尔多夫 dusseldorf：dusseldorf_000000_000019_leftImg8bit.png,第二部分从000000到000221对应222张图片，第三部分固定000019
- 埃尔福特 erfurt：erfurt_000000_000019_leftImg8bit.png，第二部分从000000到000108对应109张图片，第三部分固定000019
- 汉堡 hamburg：hamburg_000000_000042_leftImg8bit.png，第二部分固定000000，第三部分不固定
- 汉诺威 hannover：hannover_000000_000164_leftImg8bit.png，第二部分固定000000，第三部分不固定
- 耶拿 jena：jena_000000_000019_leftImg8bit.png，第二部分从000000到000118对应119张图片，第三部分固定000019
- 克雷费尔德 krefeld：krefeld_000000_000108_leftImg8bit.png，第二部分固定000000，第三部分不固定
- 门兴格拉德巴赫 monchengladbach：monchengladbach_000000_000076_leftImg8bit.png,第二部分固定000000（86张）和000001（8张），第二部分不固定
- 斯特拉斯堡 strasbourg：strasbourg_000000_000065_leftImg8bit.png,第二部分固定000000（144张）和000001（221张），第二部分不固定
- 斯图加特 stuttgart：stuttgart_000000_000019_leftImg8bit.png，第二部分从000000到000195对应196张图片，第三部分固定000019
- 图宾根 tübingen：tübingen_000000_000019_leftImg8bit.png，第二部分从000000到000143对应144张图片，第三部分固定000019
- 乌尔姆 ulm：ulm_000000_000019_leftImg8bit.png，第二部分从000000到000094对应95张图片，第三部分固定000019
- 魏玛 weimar：weima_000000_000019_leftImg8bit.png，第二部分从000000到0000141对应142张图片，第三部分固定000019
- 苏黎世 zurich：zurich_000000_000019_leftImg8bit.png，第二部分从000000到0000121对应122张图片，第三部分固定000019
train集总共有2975张png格式的大小为2048 x 1024的0-255的RGB图片
在leftImg8bit/val下有3个子文件夹对应德国的3个城市：
- 法兰克福（frankfurt）（267 items, totalling 644.2 MB）、
- 林道（lindau）（59 items, totalling 139.5 MB）、
- 明斯特（munster）（174 items, totalling 397.7 MB）
里面图片的命名规则是：用_将名字分割成四部分，其中第一部分的设定是该文件夹的名字,第四部分都是leftImg8bit.png，第二部分和第三部分都是六位数字。
- 法兰克福 frankfurt：frankfurt_000000_000294_leftImg8bit.png,第二部分固定000000（51张）和000001（216张），第二部分不固定
- 林道 lindau：lindau_000000_000019_leftImg8bit.png，第二部分从000000到0000058对应59张图片，第三部分固定000019
- 明斯特 munster：munster_000000_000019_leftImg8bit.png，第二部分从000000到0000173对应174张图片，第三部分固定000019
val集总共有500张png格式的大小为2048 x 1024的0-255的RGB图片
在leftImg8bit/test下有6个子文件夹对应德国的6个城市：
- 柏林（berlin）（544 items, totalling 1.2 GB）、
- 比勒费尔德（bielefeld）（181 items, totalling 414.1 MB）、
- 波恩（bonn）（46 items, totalling 102.9 MB）、
- 勒沃库森（leverkusen）（58 items, totalling 136.9 MB）、
- 美因茨（mainz）（298 items, totalling 679.2 MB）、
- 慕尼黑（münchen）（398 items, totalling 927.4 MB）
里面图片的命名规则是：用_将名字分割成四部分，其中第一部分的设定是该文件夹的名字,第四部分都是leftImg8bit.png，第二部分和第三部分都是六位数字。
- 柏林 berlin：berlin_000000_000019_leftImg8bit.png，第二部分从000000到000543对应544张图片，第三部分固定000019
- 比勒费尔德 bielefeld：bielefeld_000000_000108_leftImg8bit.png，第二部分固定000000，第三部分不固定
- 波恩 bonn：bonn_000000_000019_leftImg8bit.png，第二部分从000000到000045对应46张图片，第三部分固定000019
- 勒沃库森 leverkusen：leverkusen_000000_000019_leftImg8bit.png，第二部分从000000到000057对应58张图片，第三部分固定000019
- 美因茨 mainz：mainz_000000_000093_leftImg8bit.png,第二部分固定000000（72张）、000001（165张）、000002（7张）和000003（54张），第二部分不固定
- 慕尼黑 münchen：münchen_000000_000019_leftImg8bit.png，第二部分从000000到000397对应398张图片，第三部分固定000019
test集总共有1525张png格式的大小为2048 x 1024的0-255的RGB图片
在gtFine/train下有18个子文件夹对应leftImg8bit/train里面的文件夹，
但是不一样的leftImg8bit里面的一张原图，对应着gtFine里面有6个文件分别是
- color.png、
- instanceIds.png、
- instanceTrainIds.png、
- labelIds.png、
- labelTrainIds.png、
- polygons.json
文件的命名方式：文件夹名字_六位数字_六位数字_gtFine_上面的文件类型；若将文件名字用_分成5部分，其中前面的三部分都和leftImg8bit对应文件的名字一模一样只需参考前面的叙述，第四部分固定gtFine，第五部分依次对应上面的文件类型。和上面命名相比就是这里有5个部分而不是上面的4个部分。
- aachen：
- aachen_000000_000019_gtFine_color.png shape=(1024,2048,4)是彩色的，0-255的像素值，mode=‘RGBA'
- aachen_000000_000019_gtFine_instanceIds.png shape=(1024,2048)是灰白的 ,0-255的像素值, mode='L'
- aachen_000000_000019_gtFine_instanceTrainIds.png shape=(1024,2048)是灰白的,0-255的像素值, mode='L'
- aachen_000000_000019_gtFine_labelIds.png shape=(1024,2048)是灰白的，mode='L' ，0-255的像素值，用图像的classid为像素的值, 总共的类别有classes = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, -1]最后的那个-1表示牌照
- aachen_000000_000019_gtFine_labelTrainIds.png shape=(1024,2048)是灰白的,0-255的像素值, mode='L'
- aachen_000000_000019_gtFine_polygons.json 存储的是各个类和相应的区域（用多边形顶点的位置表示区域的边界）
但是从官网下载到的数据集却是4个文件：color.png、instanceIds.png、labelIds.png、polygons.json，其他和上面的一样。
- _gtFine_polygons.json存储的是各个类和相应的区域（用多边形顶点的位置表示区域的边界）；
- _gtFine_labelIds.png的值是0-33，不同的值代表不同的类，值和类的对应关系在下面的代码中定义；
- _gtFine_instaceIds.png是实例分割的;
- _gtFine_color.png是给大家可视化的，不同颜色与类别的对应关系也在下面的代码中定义。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 | /home/zzp/SSD_ping/anaconda3/envs/z1/bin/python /home/zzp/SSD_ping/my-root-path/My-core-python/pytorch-deeplabV3+/cityscapesScripts-master/cityscapesscripts/helpers/labels.py List of cityscapes labels: # Please adapt the train IDs as appropriate for your approach. # Note that you might want to ignore labels with ID 255 during training. # Further note that the current train IDs are only a suggestion. You can use whatever you like. # Make sure to provide your results using the original IDs and not the training IDs. # Note that many IDs are ignored in evaluation and thus you never need to predict these! name | id | trainId | category | categoryId | hasInstances | ignoreInEval| color -------------------------------------------------------------------------------------------------- unlabeled | 0 | 255 | void | 0 | 0 | 1 | (0, 0, 0) ego vehicle | 1 | 255 | void | 0 | 0 | 1 | (0, 0, 0) rectification border | 2 | 255 | void | 0 | 0 | 1 | (0, 0, 0) out of roi | 3 | 255 | void | 0 | 0 | 1 | (0, 0, 0) static | 4 | 255 | void | 0 | 0 | 1 | (0, 0, 0) dynamic | 5 | 255 | void | 0 | 0 | 1 | (111, 74, 0) ground | 6 | 255 | void | 0 | 0 | 1 | (81, 0, 81) road | 7 | 0 | flat | 1 | 0 | 0 | (128, 64, 128) sidewalk | 8 | 1 | flat | 1 | 0 | 0 | (244, 35, 232) parking | 9 | 255 | flat | 1 | 0 | 1 | (250, 170, 160) rail track | 10 | 255 | flat | 1 | 0 | 1 | (230, 150, 140) building | 11 | 2 | construction | 2 | 0 | 0 | (70, 70, 70) wall | 12 | 3 | construction | 2 | 0 | 0 | (102, 102, 156) fence | 13 | 4 | construction | 2 | 0 | 0 | (190, 153, 153) guard rail | 14 | 255 | construction | 2 | 0 | 1 | (180, 165, 180) bridge | 15 | 255 | construction | 2 | 0 | 1 | (150, 100, 100) tunnel | 16 | 255 | construction | 2 | 0 | 1 | (150, 120, 90) pole | 17 | 5 | object | 3 | 0 | 0 | (153, 153, 153) polegroup | 18 | 255 | object | 3 | 0 | 1 | (153, 153, 153) traffic light | 19 | 6 | object | 3 | 0 | 0 | (250, 170, 30) traffic sign | 20 | 7 | object | 3 | 0 | 0 | (220, 220, 0) vegetation | 21 | 8 | nature | 4 | 0 | 0 | (107, 142, 35) terrain | 22 | 9 | nature | 4 | 0 | 0 | (152, 251, 152) sky | 23 | 10 | sky | 5 | 0 | 0 | (70, 130, 180) person | 24 | 11 | human | 6 | 1 | 0 | (220, 20, 60) rider | 25 | 12 | human | 6 | 1 | 0 | (255, 0, 0) car | 26 | 13 | vehicle | 7 | 1 | 0 | (0, 0, 142) truck | 27 | 14 | vehicle | 7 | 1 | 0 | (0, 0, 70) bus | 28 | 15 | vehicle | 7 | 1 | 0 | (0, 60, 100) caravan | 29 | 255 | vehicle | 7 | 1 | 1 | (0, 0, 90) trailer | 30 | 255 | vehicle | 7 | 1 | 1 | (0, 0, 110) train | 31 | 16 | vehicle | 7 | 1 | 0 | (0, 80, 100) motorcycle | 32 | 17 | vehicle | 7 | 1 | 0 | (0, 0, 230) bicycle | 33 | 18 | vehicle | 7 | 1 | 0 | (119, 11, 32) license plate | -1 | -1 | vehicle | 7 | 0 | 1 | (0, 0, 142) Example usages: ID of label 'car': 26 Category of label with ID '26': vehicle Name of label with trainID '0': road ———————————————— 版权声明：本文为CSDN博主「一只tobey」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/zz2230633069/article/details/84591532 |
下面这张图片是cityscapes的目录
————————————————
版权声明：本文为CSDN博主「一只tobey」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/zz2230633069/article/details/84591532