MSCOCO目标尺度分布的统计工具

取对数可缓解左峰、右峰等偏移现象。优化：对x轴取

统计MSCOCO数据集中所有images的尺度分布（每张图的尺度：图里所有目标尺度的中位数），并等分为４个区间。

$log2(scale).$

步骤

1、json标注文件的加载

import json
import os
import numpy as np

data_root='coco/'
ann_file=data_root + "resize/annotations/instances_train2017_100x167.json"
jd=json.load(open(ann_file))

2、尺度的计算

def distribution_main(jd, num_part, mode="instance", func=np.mean, times=4):
    def get_instance_scales(jd):
        bbox_list=[]
        for ann in jd['annotations']:
            bbox_list.append(ann['bbox'])  # [x1,y1,w,h]

        bboxes=np.array(bbox_list)
        scales=np.sqrt(bboxes[:,2]*bboxes[:,3])
        scales.sort()
        return scales
    
    def get_image_scales(jd, num_part, func):
        image_scales_list =[[] for i in jd['images']]
        iid_ind, cnt={}, 0
        for ann in jd['annotations']:
            iid=ann['image_id']
            if iid not in iid_ind:
                iid_ind[iid]=cnt
                cnt+=1
            area=np.sqrt(ann['bbox'][2]*ann['bbox'][3])
            image_scales_list[iid_ind[iid]].append(area)
        scales=np.array([func(np.array(scas)) for scas in image_scales_list if scas])
        scales.sort()
        return scales
    
    def separate_vals(scales: np.array, num_part: int) -> (np.array,np.array):
        num_bbox=scales.shape[0]
        intervals=round(num_bbox/num_part)
        separate_inds=[i for i in range(0,num_bbox,intervals)]
        if scales[separate_inds[-1]]!=scales[-1]:
            separate_inds.append(-1)
        return separate_inds, scales[separate_inds]

    assert mode in ["instance", "image"]
    scales=get_image_scales(jd, num_part, func) if mode=="image" else get_instance_scales(jd)
    separate_inds, separate_scale=separate_vals(scales, num_part) #3
    print(f"划分{num_part}的实例大小为{separate_scale*times}")
    return scales, separate_scale

scales, sca = distribution_main(jd, num_part=4, mode="image", func=np.max)

• API样例：
  统计所有annotations的分布，并等分为4个区间：
  distribution_main(jd, num_part=4)
  统计所有images的分布（图的尺度：图里目标尺度的中位数），并等分为3个区间：
  distribution_main(jd, num_part=3, mode="image", func=np.max)

3、直方图可视化

import matplotlib.pyplot as plt

def show_distribution(bbox_scales, separate_scale, times=4):
    plt.figure(dpi=200)
    plt.hist(bbox_scales*times, bins=50,alpha = 0.6, label='scales')
    parts=len(separate_scale)-1
    for i in range(0, parts+1): ### edit here
        plt.axvline(x=separate_scale[i]*times, color='orange',)

    plt.savefig(f"coco_scale_max_{parts}.png",dpi=200, bbox_inches='tight')

show_distribution(scales, sca)