Cityscapes 数据集是一个非常重要且广泛使用的数据集，主要用于自动驾驶和计算机视觉研究。通过本文的介绍，你不仅了解了 Cityscapes 数据集的简介，还掌握了安装和使用该数据集的方法。希望这篇博客能帮助你在未来的项目中高效地使用 Cityscapes 数据集。

🧑 博主简介：现任阿里巴巴嵌入式技术专家，15年工作经验，深耕嵌入式+人工智能领域，精通嵌入式领域开发、技术管理、简历招聘面试。CSDN优质创作者，提供产品测评、学习辅导、简历面试辅导、毕设辅导、项目开发、C/C++/Java/Python/Linux/AI等方面的服务，如有需要请站内私信或者联系任意文章底部的的VX名片（ID：<code>gylzbk）

💬 博主粉丝群介绍：① 群内初中生、高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

Dataset之Cityscapes：语义城市景观分割数据集Cityscapes的简介、下载及使用方法详解

简介数据集结构应用领域

安装注册和下载文件结构安装依赖

使用方法数据预处理加载数据读取图像和标签

数据增强和批处理深度学习模型训练示例：使用 TensorFlow 进行训练

结论

简介

Cityscapes 是一个用于语义城市景观分割的广泛使用的数据集。它包含从50个不同城市采集的高分辨率图像，主要用于自动驾驶和计算机视觉研究。Cityscapes 数据集的主要任务是对城市场景中的每个像素进行分类，从而实现图像的逐像素注释。它提供了丰富的标签，包括道路、人行道、建筑物、交通标志、行人、车辆等。

数据集结构

Cityscapes 数据集包括以下几种文件：

彩色图像：这些是城市街景的实际图像。实例分割标签：每个实例的像素级标注。语义分割标签：每个类的像素级标注。散布式标注文件：包括训练、验证和测试集。

数据总量：

2975 张训练图像500 张验证图像1525 张测试图像

应用领域

语义分割实例分割自动驾驶计算机视觉研究与开发

安装

Cityscapes 数据集因为其大规模的数据量，不直接通过pip等包管理工具安装。你需要先注册并下载数据集。以下是详细的步骤：

注册和下载

注册：首先，你需要在 Cityscapes官网 上注册一个账号。登录：使用注册的账号登录官网。下载：登录后，你可以选择需要的数据集进行下载，如原始图像、标注文件等。数据集较大，请确保有足够的存储空间。

文件结构

下载完成后，解压后的文件结构通常如下：

<code>cityscapes/

├── gtFine/

│ ├── train/

│ ├── val/

│ └── test/

└── leftImg8bit/

├── train/

├── val/

└── test/

gtFine 目录包含标注好的图像（详细标注）。leftImg8bit 目录包含原始的高分辨率图像。

安装依赖

在使用数据集之前，请确保安装了以下主要依赖项：

pip install numpy matplotlib opencv-python

使用方法

数据预处理

加载和处理 Cityscapes 数据集通常涉及读取图像和标签、对其进行预处理并转换为适合模型训练的数据格式。下面是一个简单的示例，展示如何加载和处理 Cityscapes 数据集。

加载数据

import os

import cv2

import numpy as np

import matplotlib.pyplot as plt

# 数据根目录路径

ROOT_DIR = 'path/to/cityscapes/'

# 训练图像和标注路径

TRAIN_IMG_DIR = os.path.join(ROOT_DIR, 'leftImg8bit/train/')

TRAIN_LABEL_DIR = os.path.join(ROOT_DIR, 'gtFine/train/')

# 示例：列出某个城市的所有图像和标签

city = 'berlin'

img_paths = os.listdir(os.path.join(TRAIN_IMG_DIR, city))

label_paths = os.listdir(os.path.join(TRAIN_LABEL_DIR, city))

读取图像和标签

def load_image(image_path):

return cv2.cvtColor(cv2.imread(image_path), cv2.COLOR_BGR2RGB)

def load_label(label_path):

return cv2.imread(label_path, cv2.IMREAD_GRAYSCALE)

# 示例：读取一张图像和相应的标签

img_path = os.path.join(TRAIN_IMG_DIR, city, img_paths[0])

label_path = os.path.join(TRAIN_LABEL_DIR, city, label_paths[0])

image = load_image(img_path)

label = load_label(label_path)

# 显示图像和标签

plt.figure(figsize=(12, 6))

plt.subplot(1, 2, 1)

plt.title('Image')

plt.imshow(image)

plt.subplot(1, 2, 2)

plt.title('Label')

plt.imshow(label, cmap='gray')code>

plt.show()

数据增强和批处理