Pascal Voc数据集详解以Voc2012为例

秒速五厘米 2022-04-24 12:50 724阅读 0赞

Pascal VOC网址：[http://host.robots.ox.ac.uk/pascal/VOC/][http_host.robots.ox.ac.uk_pascal_VOC]

### 一. VOCdevkit文件夹 ###

数据集下载后解压得到一个名为VOCdevkit的文件夹，该文件夹结构如下：

.
    └── VOCdevkit     #根目录
        └── VOC2012   #不同年份的数据集，这里只下载了2012的，还有2007等其它年份的
            ├── Annotations        #存放xml文件，与JPEGImages中的图片一一对应，解释图片的内容等等
            ├── ImageSets          #该目录下存放的都是txt文件，txt文件中每一行包含一个图片的名称，末尾会加上±1表示正负样本
            │   ├── Action
            │   ├── Layout
            │   ├── Main
            │   └── Segmentation
            ├── JPEGImages         #存放源图片
            ├── SegmentationClass  #存放的是图片，分割后的效果，见下文的例子
            └── SegmentationObject #存放的是图片，分割后的效果，见下文的例子

![20190425105310143.png][]

文件目录一览：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTM4NjY2_size_16_color_FFFFFF_t_70][]

**1.  Annotation文件夹**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTM4NjY2_size_16_color_FFFFFF_t_70 1][]

其中xml主要介绍了对应图片的基本信息，如来自那个文件夹、文件名、来源、图像尺寸以及图像中包含哪些目标以及目标的信息等等，内容如下：

<annotation>
        <folder>VOC2012</folder>  #表明图片来源
        <filename>2007_000027.jpg</filename> #图片名称
        <source>                  #图片来源相关信息
            <database>The VOC2007 Database</database>
            <annotation>PASCAL VOC2007</annotation>
            <image>flickr</image>
        </source>
        <size>     #图像尺寸
            <width>486</width>
            <height>500</height>
            <depth>3</depth>  #通道数
        </size>
        <segmented>0</segmented> #可否用于语义分割任务，1表示可以，也就是这张图片在SegmentationClass/Object里面有
        <object>  #检测的目标，如果有多个会有多个<object>标签
            <name>person</name> #目标类别
            <pose>Unspecified</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>174</xmin>
                <ymin>101</ymin>
                <xmax>349</xmax>
                <ymax>351</ymax>
            </bndbox>
            <part> #头
                <name>head</name>
                <bndbox>
                    <xmin>169</xmin>
                    <ymin>104</ymin>
                    <xmax>209</xmax>
                    <ymax>146</ymax>
                </bndbox>
            </part>
            <part>   #手
                <name>hand</name>
                <bndbox>
                    <xmin>278</xmin>
                    <ymin>210</ymin>
                    <xmax>297</xmax>
                    <ymax>233</ymax>
                </bndbox>
            </part>
            <part>   #脚
                <name>foot</name>
                <bndbox>
                    <xmin>273</xmin>
                    <ymin>333</ymin>
                    <xmax>297</xmax>
                    <ymax>354</ymax>
                </bndbox>
            </part>
            <part>
                <name>foot</name>
                <bndbox>
                    <xmin>319</xmin>
                    <ymin>307</ymin>
                    <xmax>340</xmax>
                    <ymax>326</ymax>
                </bndbox>
            </part>
        </object>
    </annotation>

**2.  ImageSets文件夹**

![20190425111028560.png][]

各个文件夹中存放的是各种用途的TXT文件。例如在Main文件夹下有名为aeroplane\_train.txt的文件，顾名思义是用于飞机类别的训练数据。该txt的具体内容如下，其中±1表示的是正负样本：

①Action：存放的是人的动作。共10个动作标签，分别是：jumping、phoning、playinginstrument、reading、ridingbike、ridinghorse、running、takingphoto、usingcomputer、walking。

标签内容格式：2011\_003279 1 1 (第一个1表示图中包含的人数。第二个表示图中人的动作状态是否满足：jumping,-1代表不跳)

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTM4NjY2_size_16_color_FFFFFF_t_70 2][]

②Layout：存放的是具有人体部位的数据（人的head、hand、feet等）

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTM4NjY2_size_16_color_FFFFFF_t_70 3][]

③Main：存放的是图像物体识别的数据，总共分为20类(算背景就是21类)，包含了20个分类的\*\*\*\_train.txt(存放训练集的图片编号，每一个class的train数据都有5717个)、 \*\*\*\_val.txt(存放验证集的图片编号，每一个class的val数据都有5832个) 和 \*\*\*\_trainval.txt(存放以上两者的完全合并集，每一个class有5717+5832=11540个) 。

![20190425113604550.png][]

\- Person: person   
\- Animal: bird, cat, cow, dog, horse, sheep   
\- Vehicle: aeroplane, bicycle, boat, bus, car, motorbike, train   
\- Indoor: bottle, chair, dining table, potted plant, sofa, tv/monitor

（要保证train和val两者没有交集，也就是训练数据和验证数据不能有重复，在选取训练数据的时候 ，也应该是随机产生的）

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTM4NjY2_size_16_color_FFFFFF_t_70 4][]

![20190425111918520.png][]

④Segmentation：存放的是可用于分割的图片的编号。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTM4NjY2_size_16_color_FFFFFF_t_70 5][]

**3.  JPEGImages文件夹**

包含了PASCAL VOC所有的图片，包含训练图片和测试图片，共有17125张。图片均以“年份\_编号.jpg”格式命名。图片的尺寸大小不一，所以在后面训练的时候需要对图片进行resize操作。

图片的像素尺寸大小不一，但是横向图的尺寸大约在500\*375左右，纵向图的尺寸大约在375\*500左右，基本不会偏差超过100。（在之后的训练中，第一步就是将这些图片都resize到300\*300或是500\*500，所有原始图片不能离这个标准过远，具体resize方式可以看最下面github链接里data.py。）

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTM4NjY2_size_16_color_FFFFFF_t_70 6][]

**4.  SegmentationClass文件夹**

共2913张图片，每一张图片都对应JPEGImages里的相应编号的图片。图片的像素颜色共有20种，对应20类物体。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTM4NjY2_size_16_color_FFFFFF_t_70 7][]

**5.  SegmentationObject文件夹**

同样包含了2913张图片，图片编号都与**SegmentationClass文件夹**里面的图片编号相同。这里和Class里面图片的区别在于，这是针对Object的。

在Class里面，一张图片里如果有多架飞机，那么会全部标注为红色；而在Object里面，同一张图片里面的飞机也会被不同颜色标注出来。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTM4NjY2_size_16_color_FFFFFF_t_70 8][]

注：参考了诸多资料后的统一整理，感谢大家的共同贡献，让学习更简单。

[http_host.robots.ox.ac.uk_pascal_VOC]: http://host.robots.ox.ac.uk/pascal/VOC/
[20190425105310143.png]: /images/20220215/62d6fd086e894b95b5ee3c907fbe1ab8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTM4NjY2_size_16_color_FFFFFF_t_70]: /images/20220215/ececfd60bcb949908d208bf79fa5aafb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTM4NjY2_size_16_color_FFFFFF_t_70 1]: /images/20220215/eb2b85ca2aa74da492d14e20b1458bd1.png
[20190425111028560.png]: /images/20220215/6fc22b3c59bb45b581690497ea25b108.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTM4NjY2_size_16_color_FFFFFF_t_70 2]: /images/20220215/8715cfa8eb6a4070b2cf2bb288865e8b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTM4NjY2_size_16_color_FFFFFF_t_70 3]: /images/20220215/0de49e14dff54bb999123cec3914d17e.png
[20190425113604550.png]: /images/20220215/bab83950c5f84586ac1dbe4fb6ef86ca.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTM4NjY2_size_16_color_FFFFFF_t_70 4]: /images/20220215/b9964e8b330948238850500fd2fa5d3e.png
[20190425111918520.png]: /images/20220215/28a271a0d1f34b4cb057730128aeb773.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTM4NjY2_size_16_color_FFFFFF_t_70 5]: /images/20220215/19a3cb0eb7bb49dfb28c952af5f6940f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTM4NjY2_size_16_color_FFFFFF_t_70 6]: /images/20220215/09910db9af9e4e3a84476d67a2e30c63.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTM4NjY2_size_16_color_FFFFFF_t_70 7]: /images/20220215/6ddfbd43316f44119b1ecc6c357cb162.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5OTM4NjY2_size_16_color_FFFFFF_t_70 8]: /images/20220215/88acc97d2cd24d71943acc6fd5ce83c6.png