项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整
技术标签
使用教程
—
环境要求
- Python 环境(可通过 python -m pip 安装包)
- pip 包管理工具
- 已按官网流程获取 Cityscapes 数据集
- 使用 csViewer / csLabelTool 需 Qt5 相关依赖
安装与启动步骤
-
1安装主包
通过 pip 安装 cityscapesscripts,安装后会提供 csDownload、csViewer、评估与转换等命令行工具。
python -m pip install cityscapesscripts -
2安装图形工具
可选。csViewer 和 csLabelTool 基于 Qt5,需要安装 gui 附加依赖后才能使用。
python -m pip install cityscapesscripts[gui] -
3设置数据根目录
将 CITYSCAPES_DATASET 指向数据集根文件夹,多数脚本会把它作为默认数据路径。
export CITYSCAPES_DATASET=/your/path/cityscapes -
4下载数据集
安装后可用 csDownload 命令行下载 Cityscapes 数据包;README 未列出具体参数,请按工具提示操作。
-
5转换训练标签
运行 csCreateTrainIdLabelImgs,将多边形标注转为像素编码 train ID 的 png;train ID 可在 labels.py 中定义。
-
6生成实例与全景标注
分别运行 csCreateTrainIdInstanceImgs 生成实例 ID 图,运行 csCreatePanopticImgs 生成 COCO 全景格式。
-
7运行评估脚本
使用 csEvalPixelLevelSemanticLabeling、csEvalInstanceLevelSemanticLabeling 等脚本评估验证集结果。
-
8可视化检查
运行 csViewer 查看图像并叠加标注,也可使用 csLabelTool 进行标注检查。
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
CITYSCAPES_DATASET | 否 | 指向 Cityscapes 数据集根目录,多数脚本将其作为默认路径 | /your/path/cityscapes |
如何确认成功
运行 csViewer 能正常打开图像并叠加标注,说明安装与 CITYSCAPES_DATASET 路径设置生效。
常见问题
Q:不设置 CITYSCAPES_DATASET 会怎样?
A:多数脚本会找不到默认数据根目录;建议将环境变量指向数据集根文件夹。
Q:csViewer 启动失败怎么办?
A:图形工具依赖 Qt5,请安装 gui 附加依赖:python -m pip install cityscapesscripts[gui]。
Q:数据集从哪里下载?
A:README 指向 www.cityscapes-dataset.com,需要在该网站按流程获取数据。
Q:各工具的具体参数是什么?
A:README 未列出具体参数,请以安装后工具输出和官网说明为准。
注意事项
- README 未给出 csDownload、转换和评估工具的完整参数,执行前先确认工具用法。
- 数据集目录中并非所有 split/type 组合都存在,出现空文件夹属正常现象。
- 仅需命令行转换与评估时,不必安装 gui 附加依赖。
核心亮点
- 官方维护,标注格式与评估逻辑与数据集完全对齐,避免自行解析出错
- 提供语义、实例、全景多种标注转换脚本,覆盖主流分割任务需求
- 附带评估代码,可直接计算 mIoU 等指标,便于论文复现与对比
不足之处
- 仅围绕 Cityscapes 单一数据集,通用性有限
- 脚本偏工具化,缺少完整教程与端到端示例,新手需自行拼装流程
适用场景
- 训练语义分割模型前,将 Cityscapes 标注转换为训练用掩码
- 论文复现时用官方评估脚本计算 mIoU 保证结果可比
- 检查数据集标注质量,可视化实例与语义标签
替代项目
labelme、COCO-annotator
上一篇:the_well
同类项目推荐
X-AnyLabeling
开源
一站式AI辅助标注,图像视频文本通吃,导出格式随心配
X-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop applicat···
aisheets
开源
像用表格一样批量调 AI,不写代码就能造和改数据集
Build, enrich, and transform datasets using AI models with no code
DataGen
开源
用大模型一键生成定制化训练数据,告别数据荒
[ICLR'25] DataGen: Unified Synthetic Dataset Generation via Large Language Models
distilabel
开源
基于论文的合成数据流水线,快速生成高质量 AI 反馈数据。
Distilabel is a framework for synthetic data and AI feedback for engineers who need ···
