文章目录
一、了解VOC
是一种数据集的格式——VOC格式的数据集
PASCAL VOC挑战赛 （The PASCAL Visual Object Classes ）是一个世界级的计算机视觉挑战赛，
PASCAL VOC挑战赛主要包括以下几类：
- 图像分类(Object Classification)
- 目标检测(Object Detection)
- 目标分割(Object Segmentation)
- 行为识别(Action Classification) 等。
1.1 voc数据集下载
现在主要使用两个版本的voc，为2007和2012
链接地址：voc官网
voc2007数据集下载
voc2012数据集下载
浏览器或者迅雷（最快）下载。
二、VOC文件结构
在文件夹下按住shift＋鼠标右键，打开shell（VOC2012为例）
VOCdevkit
└── VOC2012
├── Annotations 所有的图像标注信息(XML文件)
├── ImageSets
│ ├── Action 人的行为动作图像信息
│ ├── Layout 人的各个部位图像信息
│ │
│ ├── Main 目标检测分类图像信息
│ │ ├── train.txt 训练集(5717)
│ │ ├── val.txt 验证集(5823)
│ │ └── trainval.txt 训练集+验证集(11540)
│ │
│ └── Segmentation 目标分割图像信息
│ ├── train.txt 训练集(1464)
│ ├── val.txt 验证集(1449)
│ └── trainval.txt 训练集+验证集(2913)
│
├── JPEGImages 所有图像文件
├── SegmentationClass 语义分割png图（基于类别）
└── SegmentationObject 实例分割png图（基于目标）
2.1 Annotations
存放xml格式的标签文件，每个xml对应JPEGImage中的一张图片。并且每个xml中存放的是标记的各个目标的位置和类别（C=20）信息，命名通常与对应的原始图像一样，以（x,y）的格式保存坐标点。可使用labelImg进行标注和查看。
xml文件解析：
<annotation>
<folder>VOC2012</folder>
<filename>2007_000392.jpg</filename> //文件名
<source> //图像来源（不重要）
<database>The VOC2007 Database</database>
<annotation>PASCAL VOC2007</annotation>
<image>flickr</image>
</source>
<size> //图像尺寸（长宽以及通道数）
<width>500</width>
<height>332</height>
<depth>3</depth>
</size>
<segmented>1</segmented> //是否用于分割（在图像物体识别中01无所谓）
<object> //检测到的物体
<name>horse</name> //物体类别
<pose>Right</pose> //拍摄角度
<truncated>0</truncated> //是否被截断（0表示完整）
<difficult>0</difficult> //目标是否难以识别（0表示容易识别）
<bndbox> //bounding-box（包含左下角和右上角xy坐标）
<xmin>100</xmin>
<ymin>96</ymin>
<xmax>355</xmax>
<ymax>324</ymax>
</bndbox>
</object>
<object> //检测到多个物体
<name>person</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>198</xmin>
<ymin>58</ymin>
<xmax>286</xmax>
<ymax>197</ymax>
</bndbox>
</object>
</annotation>
2.2 ImageSets
- Action 存放人的动作
- Layout 存放的是具有人体部位的数据（head、feet等）
- Main 图像物体识别的数据
- Segmentation 可用于分割的数据
训练集与测试集
- train.txt 训练集
均为图片名，没有后缀。以train.txt为例，分为两列，第一列为图像名如00012；第二列为-1和1，-1表示目标在对应的图像没有出现，1则表示出现。 - val.txt 验证集
- trainval.txt 训练和验证集
2.3 JPEGImages
所有的图片，包括训练和测试的图片
共17125张图片
2.4 SegmentationClass
2.5 SegmentationObject
三、目标检测任务
如何使用数据集中的数据进行目标检测呢？
- 首先在VOC2012\ImageSets\Main中，读取txt文件
- xxx_train xxx类的训练集
- xxx_val xxx类的验证集
- xxx_trainval xxx类的训练和验证集
- 在VOC2012\Annotations
接着通过索引在Annotations文件夹下找到对应的标注文件（.xml）。 - 接着通过在标注文件中的filename字段在JPEGImages 文件夹中找到对应的图片。比如在2007_000323.xml文件中的filename字段为2007_000323.jpg，那么在JPEGImages 文件夹中能够找到2007_000323.jpg文件。
四、语义分割任务
如何领用数据集进行语义分割任务呢？
- VOC2012\ImageSets\Segmentation中读取对应的txt文件
└── Segmentation 目标分割图像信息
├── train.txt 训练集(1464)
├── val.txt 验证集(1449)
└── trainval.txt 训练集+验证集(2913)
- 在VOC2012\JPEGImages 找到对应的图片
- 在VOC2012\SegmentationClass找到对应的标注图像（png）
注意，在语义分割中对应的标注图像（.png）用PIL的Image.open()函数读取时，默认是P模式，即一个单通道的图像。在背景处的像素值为0，目标边缘处用的像素值为255(训练时一般会忽略像素值为255的区域)，目标区域内根据目标的类别索引信息进行填充，例如人对应的目标索引是15，所以目标区域的像素值用15填充。
五、实例分割任务
注意，在实例分割中对应的标注图像（.png）用PIL的Image.open()函数读取时，默认是P模式，即一个单通道的图像。在背景处的像素值为0，目标边缘处或需要忽略的区域用的像素值为255(训练时一般会忽略像素值为255的区域)。然后在Annotations文件夹中找到对应的xml文件，解析xml文件后会得到每个目标的信息，而对应的标注文件（.png）的每个目标处的像素值是按照xml文件中目标顺序排列的。如下图所示，xml文件中每个目标的序号是与标注文件（.png）中目标像素值是对应的。
六、类别索引与名称对应关系
{
"background": 0,
"aeroplane": 1,
"bicycle": 2,
"bird": 3,
"boat": 4,
"bottle": 5,
"bus": 6,
"car": 7,
"cat": 8,
"chair": 9,
"cow": 10,
"diningtable": 11,
"dog": 12,
"horse": 13,
"motorbike": 14,
"person": 15,
"pottedplant": 16,
"sheep": 17,
"sofa": 18,
"train": 19,
"tvmonitor": 20
}
参考博客：链接: 参考