PaddleRS/docs/apis/data.md

数据相关API说明

数据集

在PaddleRS中，所有数据集均继承自父类BaseDataset。

变化检测数据集CDDataset

CDDataset定义在：https://github.com/PaddlePaddle/PaddleRS/blob/develop/paddlers/datasets/cd_dataset.py

其初始化参数列表如下：

参数名称	类型	参数说明	默认值
data_dir	str	数据集存放目录。
file_list	str	file list路径。file list是一个文本文件，其中每一行包含一个样本的路径信息。CDDataset对file list的具体要求请参见下文。
transforms	paddlers.transforms.Compose	对输入数据应用的数据变换算子。
label_list	str | None	label list文件。label list是一个文本文件，其中每一行包含一个类别的名称。	None
num_workers	int | str	加载数据时使用的辅助进程数。若设置为'auto'，则按照如下规则确定使用进程数：当CPU核心数大于16时，使用8个数据读取辅助进程；否则，使用CPU核心数一半数量的辅助进程。	'auto'
shuffle	bool	是否随机打乱数据集中的样本。	False
with_seg_labels	bool	当数据集中包含每个时相的分割标签时，请指定此选项为True。	False
binarize_labels	bool	若为True，则在除Arrange以外的所有数据变换算子处理完毕后对变化标签（和分割标签）进行二值化操作。例如，将取值为{0, 255}的标签二值化到{0, 1}。	False

CDDataset对file list的要求如下：

• 当with_seg_labels为False时，file list中的每一行应该包含3个以空格分隔的项，依次表示第一时相影像相对data_dir的路径、第二时相影像相对data_dir的路径以及变化标签相对data_dir的路径。
• 当with_seg_labels为True时，file list中的每一行应该包含5个以空格分隔的项，其中前3项的表示含义与with_seg_labels为False时相同，后2项依次表示第一时相和第二时相影像对应的分割标签相对data_dir的路径。

场景分类数据集ClasDataset

ClasDataset定义在：https://github.com/PaddlePaddle/PaddleRS/blob/develop/paddlers/datasets/clas_dataset.py

其初始化参数列表如下：

参数名称	类型	参数说明	默认值
data_dir	str	数据集存放目录。
file_list	str	file list路径。file list是一个文本文件，其中每一行包含一个样本的路径信息。ClasDataset对file list的具体要求请参见下文。
transforms	paddlers.transforms.Compose	对输入数据应用的数据变换算子。
label_list	str | None	label list文件。label list是一个文本文件，其中每一行包含一个类别的名称。	None
num_workers	int | str	加载数据时使用的辅助进程数。若设置为'auto'，则按照如下规则确定使用进程数：当CPU核心数大于16时，使用8个数据读取辅助进程；否则，使用CPU核心数一半数量的辅助进程。	'auto'
shuffle	bool	是否随机打乱数据集中的样本。	False

ClasDataset对file list的要求如下：

• file list中的每一行应该包含2个以空格分隔的项，依次表示输入影像相对data_dir的路径以及影像的类别ID（可解析为整型值）。

COCO格式目标检测数据集COCODetDataset

COCODetDataset定义在：https://github.com/PaddlePaddle/PaddleRS/blob/develop/paddlers/datasets/coco.py

其初始化参数列表如下：

参数名称	类型	参数说明	默认值
data_dir	str	数据集存放目录。
image_dir	str	输入图像存放目录。
ann_path	str	COCO格式标注文件路径。
transforms	paddlers.transforms.Compose	对输入数据应用的数据变换算子。
label_list	str | None	label list文件。label list是一个文本文件，其中每一行包含一个类别的名称。	None
num_workers	int | str	加载数据时使用的辅助进程数。若设置为'auto'，则按照如下规则确定使用进程数：当CPU核心数大于16时，使用8个数据读取辅助进程；否则，使用CPU核心数一半数量的辅助进程。	'auto'
shuffle	bool	是否随机打乱数据集中的样本。	False
allow_empty	bool	是否向数据集中添加负样本。	False
empty_ratio	float	负样本占比，仅当allow_empty为True时生效。若empty_ratio为负值或大于等于1，则保留所有生成的负样本。	1.0

VOC格式目标检测数据集VOCDetDataset

VOCDetDataset定义在：https://github.com/PaddlePaddle/PaddleRS/blob/develop/paddlers/datasets/voc.py

其初始化参数列表如下：

参数名称	类型	参数说明	默认值
data_dir	str	数据集存放目录。
file_list	str	file list路径。file list是一个文本文件，其中每一行包含一个样本的路径信息。VOCDetDataset对file list的具体要求请参见下文。
transforms	paddlers.transforms.Compose	对输入数据应用的数据变换算子。
label_list	str | None	label list文件。label list是一个文本文件，其中每一行包含一个类别的名称。	None
num_workers	int | str	加载数据时使用的辅助进程数。若设置为'auto'，则按照如下规则确定使用进程数：当CPU核心数大于16时，使用8个数据读取辅助进程；否则，使用CPU核心数一半数量的辅助进程。	'auto'
shuffle	bool	是否随机打乱数据集中的样本。	False
allow_empty	bool	是否向数据集中添加负样本。	False
empty_ratio	float	负样本占比，仅当allow_empty为True时生效。若empty_ratio为负值或大于等于1，则保留所有生成的负样本。	1.0

VOCDetDataset对file list的要求如下：

• file list中的每一行应该包含2个以空格分隔的项，依次表示输入影像相对data_dir的路径以及Pascal VOC格式标注文件相对data_dir的路径。

图像分割数据集SegDataset

SegDataset定义在：https://github.com/PaddlePaddle/PaddleRS/blob/develop/paddlers/datasets/seg_dataset.py

其初始化参数列表如下：

参数名称	类型	参数说明	默认值
data_dir	str	数据集存放目录。
file_list	str	file list路径。file list是一个文本文件，其中每一行包含一个样本的路径信息。SegDataset对file list的具体要求请参见下文。
transforms	paddlers.transforms.Compose	对输入数据应用的数据变换算子。
label_list	str | None	label list文件。label list是一个文本文件，其中每一行包含一个类别的名称。	None
num_workers	int | str	加载数据时使用的辅助进程数。若设置为'auto'，则按照如下规则确定使用进程数：当CPU核心数大于16时，使用8个数据读取辅助进程；否则，使用CPU核心数一半数量的辅助进程。	'auto'
shuffle	bool	是否随机打乱数据集中的样本。	False

SegDataset对file list的要求如下：

• file list中的每一行应该包含2个以空格分隔的项，依次表示输入影像相对data_dir的路径以及分割标签相对data_dir的路径。

数据读取API

遥感影像的来源多样，数据格式十分繁杂。PaddleRS为不同类型、不同格式的遥感影像提供了统一的读取接口。目前，PaddleRS支持.png、.jpg、.bmp、.npy等常见文件格式的读取，也支持处理遥感领域常用的GeoTiff、img等影像格式。

根据实际需要，用户可以选择paddlers.transforms.decode_image()或paddlers.transforms.DecodeImg进行数据读取。DecodeImg是数据变换算子之一，可以与其它算子组合使用。decode_image是对DecodeImg算子的封装，方便用户以函数调用的方式使用。

decode_image()函数的参数列表如下：

参数名称	类型	参数说明	默认值
im_path	str	输入图像路径。
to_rgb	bool	若为True，则执行BGR到RGB格式的转换。	True
to_uint8	bool	若为True，则将读取的图像数据量化并转换为uint8类型。	True
decode_bgr	bool	若为True，则自动将非地学格式影像（如jpeg影像）解析为BGR格式。	True
decode_sar	bool	若为True，则自动将2通道的地学格式影像（如GeoTiff影像）作为SAR影像解析。	True
read_geo_info	bool	若为True，则从影像中读取地理信息。	False

返回格式如下：

• 若read_geo_info为False，则以np.ndarray形式返回读取的影像数据（[h, w, c]排布）；
• 若read_geo_info为True，则返回一个二元组，其中第一个元素为读取的影像数据，第二个元素为一个字典，其中的键值对为影像的地理信息，如地理变换信息、地理投影信息等。

数据变换算子

在PaddleRS中定义了一系列类，这些类在实例化之后，可通过调用__call__方法执行某种特定的数据预处理或数据增强操作。PaddleRS将这些类称为数据预处理/数据增强算子，并统称为数据变换算子。所有数据变换算子均继承自父类Transform。

Transform

Transform对象的__call__方法接受唯一的参数sample。sample必须为字典或字典构成的序列。当sample是序列时，为sample中的每个字典执行数据变换操作，并将变换结果依次存储在一个Python built-in list中返回；当sample是字典时，Transform对象根据其中的一些键值对提取输入（这些键称为“输入键”），执行变换后，将结果以键值对的形式写入sample中（这些键称为“输出键”）。需要注意的是，目前PaddleRS中许多Transform对象都存在复写行为，即，输入键与输出键之间存在交集。sample中常见的键名及其表示的含义如下表：

键名	说明
'image'	影像路径或数据。对于变化检测任务，指第一时相影像数据。
'image2'	变化检测任务中第二时相影像数据。
'image_t1'	变化检测任务中第一时相影像路径。
'image_t2'	变化检测任务中第二时相影像路径。
'mask'	图像分割/变化检测任务中的真值标签路径或数据。
'aux_masks'	图像分割/变化检测任务中的辅助标签路径或数据。
'gt_bbox'	目标检测任务中的检测框标注数据。
'gt_poly'	目标检测任务中的多边形标注数据。

组合数据变换算子

使用paddlers.transforms.Compose对一组数据变换算子进行组合。Compose对象在构造时接受一个列表输入。在调用Compose对象时，相当于串行执行列表中的每一个数据变换算子。示例如下：

# 使用Compose组合多种变换方式。Compose中包含的变换将按顺序串行执行
train_transforms = T.Compose([
    # 读取影像
    T.DecodeImg(),
    # 将影像缩放到512x512大小
    T.Resize(target_size=512),
    # 以50%的概率实施随机水平翻转
    T.RandomHorizontalFlip(prob=0.5),
    # 将数据归一化到[-1,1]
    T.Normalize(
        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
    # 挑选并排布后续需要使用的信息
    T.ArrangeSegmenter('train')
])

一般来说，Compose对象接受的数据变换算子列表中，首个元素为paddlers.transforms.DecodeImg对象，用于读取影像数据；最后一个元素为Arrange算子，用于从sample字典中抽取信息并排列。

对于图像分割任务和变化检测任务的验证集而言，可在Arrange算子之前插入ReloadMask算子以重新加载真值标签。示例如下：

eval_transforms = T.Compose([
    T.DecodeImg(),
    T.Resize(target_size=512),
    T.Normalize(
        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
    # 重新加载标签
    T.ReloadMask(),
    T.ArrangeSegmenter('eval')
])