name id trainId category catId hasInstances ignoreInEval color
--------------------------------------------------------------------------------------------------------------------
unlabeled' , 0 , 255 , 'void' , 0 , False , True , ( 0, 0, 0) ),
ego vehicle' , 1 , 255 , 'void' , 0 , False , True , ( 0, 0, 0) ),
rectification border' , 2 , 255 , 'void' , 0 , False , True , ( 0, 0, 0) ),
out of roi' , 3 , 255 , 'void' , 0 , False , True , ( 0, 0, 0) ),
static' , 4 , 255 , 'void' , 0 , False , True , ( 0, 0, 0) ),
dynamic' , 5 , 255 , 'void' , 0 , False , True , (111, 74, 0) ),
ground' , 6 , 255 , 'void' , 0 , False , True , ( 81, 0, 81) ),
road' , 7 , 0 , 'ground' , 1 , False , False , (128, 64,128) ),
sidewalk' , 8 , 1 , 'ground' , 1 , False , False , (244, 35,232) ),
parking' , 9 , 255 , 'ground' , 1 , False , True , (250,170,160) ),
rail track' , 10 , 255 , 'ground' , 1 , False , True , (230,150,140) ),
building' , 11 , 2 , 'construction' , 2 , False , False , ( 70, 70, 70) ),
wall' , 12 , 3 , 'construction' , 2 , False , False , (102,102,156) ),
fence' , 13 , 4 , 'construction' , 2 , False , False , (190,153,153) ),
guard rail' , 14 , 255 , 'construction' , 2 , False , True , (180,165,180) ),
bridge' , 15 , 255 , 'construction' , 2 , False , True , (150,100,100) ),
tunnel' , 16 , 255 , 'construction' , 2 , False , True , (150,120, 90) ),
pole' , 17 , 5 , 'object' , 3 , False , False , (153,153,153) ),
polegroup' , 18 , 255 , 'object' , 3 , False , True , (153,153,153) ),
traffic light' , 19 , 6 , 'object' , 3 , False , False , (250,170, 30) ),
traffic sign' , 20 , 7 , 'object' , 3 , False , False , (220,220, 0) ),
vegetation' , 21 , 8 , 'nature' , 4 , False , False , (107,142, 35) ),
terrain' , 22 , 9 , 'nature' , 4 , False , False , (152,251,152) ),
sky' , 23 , 10 , 'sky' , 5 , False , False , ( 70,130,180) ),
person' , 24 , 11 , 'human' , 6 , True , False , (220, 20, 60) ),
rider' , 25 , 12 , 'human' , 6 , True , False , (255, 0, 0) ),
car' , 26 , 13 , 'vehicle' , 7 , True , False , ( 0, 0,142) ),
truck' , 27 , 14 , 'vehicle' , 7 , True , False , ( 0, 0, 70) ),
bus' , 28 , 15 , 'vehicle' , 7 , True , False , ( 0, 60,100) ),
caravan' , 29 , 255 , 'vehicle' , 7 , True , True , ( 0, 0, 90) ),
trailer' , 30 , 255 , 'vehicle' , 7 , True , True , ( 0, 0,110) ),
train' , 31 , 16 , 'vehicle' , 7 , True , False , ( 0, 80,100) ),
motorcycle' , 32 , 17 , 'vehicle' , 7 , True , False , ( 0, 0,230) ),
bicycle' , 33 , 18 , 'vehicle' , 7 , True , False , (119, 11, 32) ),
license plate' , -1 , -1 , 'vehicle' , 7 , False , True , ( 0, 0,142) ),
總共5000張精細釋，2975張訓練圖，500張驗證圖和1525張測試圖。
原始精細標注數據集里面其實每張圖片只對應四張標注文件：
xxx_gtFine_color.png, ： 標注的可視化圖片
xxx_gtFine_instanceIds.png ：是用來做實例分割訓練用的
xxx_gtFine_labelsIds.png ：是語義分割訓練需要的，它們的像素值就是class值
xxx_gtFine_polygons.json ：用labelme工具標注后所生成的文件，里面主要記錄了每個多邊形標注框上的點集坐標。
另外兩個
xxx_gtFine_instanceTrainIds.png
xxx_gtFine_labelTrainIds.png
使用labels.py （from https://github.com/mcordts/cityscapesScripts/tree/master/cityscapesscripts/helpers）來生成的。
因為實際上這5000張精細標注的圖片有34類(0~33)，
但訓練時可能只想關心其中19類(0~18)。
所以需要做一個映射來將34類中感興趣的類別映射到19類中，
其它不感興趣的類別就直接設成255，所以這也是為什么xxx_trainIds.png中有白色像素的原因，因為那些白色像素的類別不是我們感興趣的，變成255白色了。
