行人检测数据集的数据清洗

### 行人检测数据集中常用的数据清洗方法

对于行人检测数据集而言，确保标注质量至关重要。通常会采用多种策略来清理和优化数据集的质量[^1]。

#### 一、自动过滤异常样本
通过设定合理的边界框尺寸范围，去除过小或过大以及明显不符合逻辑的标注框。例如，在YOLOv5中可以设置最小宽高阈值参数，排除那些极有可能是误标的实例。

#### 二、一致性校验
利用图像处理技术检查同一张图片内多个目标之间的相对位置关系是否合理；同时对比相邻帧间相同ID的目标移动轨迹连贯性，以此发现并修正错误标签。

#### 三、人工审核机制
建立严格的人工抽检流程，随机抽取部分已标注好的数据让经验丰富的标注员再次核查确认无误后再入库保存。这一步骤能够有效弥补机器算法难以察觉的一些细微问题。

#### 四、基于模型反馈迭代改进
借助预训练好的高质量物体识别网络对初步整理后的数据集做一轮预测评估，针对置信度较低或者分类错误的情况重新审视对应的原始素材及其所附带的信息记录，进而调整优化直至满足预期标准为止。

import os
from PIL import Image, ImageDraw
import xml.etree.ElementTree as ET


def validate_bbox(image_path, annotation_file):
    img = Image.open(image_path)
    tree = ET.parse(annotation_file)
    root = tree.getroot()

    draw = ImageDraw.Draw(img)

    for obj in root.findall('object'):
        bbox = obj.find('bndbox')
        xmin = int(bbox.find('xmin').text)
        ymin = int(bbox.find('ymin').text)
        xmax = int(bbox.find('xmax').text)
        ymax = int(bbox.find('ymax').text)

        width = xmax - xmin
        height = ymax - ymin
        
        # 自动过滤不合理大小的边框
        if width < MIN_WIDTH or height < MIN_HEIGHT:
            continue
            
        # 绘制边框用于可视化验证
        draw.rectangle([xmin, ymin, xmax, ymax], outline="red", width=2)

    img.show()