Pascal VOC(VOC 2012、VOC 2007) 数据集的简介

一、数据集介绍

PascalVOC(2005~2012)数据集是PASCAL VOC挑战官方使用的数据集。该数据集包含20类的物体。每张图片都有标注，标注的物体包括人、动物（如猫、狗、岛等）、交通工具（如车、船飞机等）、家具（如椅子、桌子、沙发等）在内的20个类别。每个图像平均有2.4个目标，所有的标注图片都有目标检测需要的标签。

VOC2007 与 VOC2012

VOC2007：包含9963张标注过的图片，由train/val/test三部分组成，共标注出24,640个物体。 VOC2007的test数据label已经公布，之后的没有公布（只有图片，没有label）。
VOC2012：是VOC2007数据集的升级版，一共有11530张图片。对于检测任务，VOC2012的trainval/test包含08-11年的所有对应图片。 trainval有11540张图片共27450个物体。对于分割任务， VOC2012的trainval包含07-11年的所有对应图片， test只包含08-11。trainval有 2913张图片共6929个物体。

VOC2012数据集分为20类，包括背景为21类，分别如下：
人：人
动物：鸟、猫、牛、狗、马、羊
车辆：飞机、自行车、船、巴士、汽车、摩托车、火车
室内：瓶、椅子、餐桌、盆栽植物、沙发、电视/监视器

二、文件夹介绍

Pascal VOC2012数据集包括五个文件夹：

1. Annotation文件夹

Annotation：存放xml格式的标注信息，一个xml文件对应一张图片，里面通过标签包围数据，如：

具体解释如下：

<annotation>
	<folder>VOC2012</folder>
	<filename>2007_000027.jpg</filename>  <!-- 对应的图片名字 -->
	<source>
		<database>The VOC2007 Database</database>
		<annotation>PASCAL VOC2007</annotation>
		<image>flickr</image>
	</source>
	<size>		             <!-- 对应图片的尺寸和通道数  -->
		<width>486</width>   <!--宽  -->
		<height>500</height> <!-- 高 -->
		<depth>3</depth>     <!-- 通道数为3，表示为彩色 -->
	</size>
	<segmented>0</segmented>	
	<object>	                 <!-- 图片里面的对象信息  -->
		<name>person</name>		 <!-- 这里对象为：人  -->
		<pose>Unspecified</pose>
		<truncated>0</truncated>
		<difficult>0</difficult> <!-- 表示是否为难以训练的数据，0表示不是  -->
		<bndbox>		        <!-- 真实框的坐标信息，通常为左上角和右下角坐标  -->
			<xmin>174</xmin>	<!-- 左上角x坐标 -->
			<ymin>101</ymin>	<!-- 左上角y坐标 -->
			<xmax>349</xmax>    <!-- 右下角x坐标 -->
			<ymax>351</ymax>    <!-- 右下角y坐标 -->
		</bndbox>
		<part>		            <!-- 人的组成部分，比如头、手、脚  -->
			<name>head</name>	<!-- 这里是人的部位：头 -->
			<bndbox>	        <!-- 头的边界框信息  -->
				<xmin>169</xmin>
				<ymin>104</ymin>
				<xmax>209</xmax>
				<ymax>146</ymax>
			</bndbox>
		</part>
		<part>                  <!-- 人的组成部分，比如头、手、脚  -->
			<name>hand</name>   <!-- 这里是人的部位：手 -->
			<bndbox>            <!-- 手的边界框信息  -->
				<xmin>278</xmin>
				<ymin>210</ymin>
				<xmax>297</xmax>
				<ymax>233</ymax>
			</bndbox>
		</part>
		<part>
			<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. JPEGImages文件夹

JPEGImages：存放所有图片，包括训练图片和测试图片。命名格式为：2007_000032.jpg

3. ImageSets文件夹

ImageSets：存放每一种任务对应的数据，其又划分为四个文件夹

(1) Action文件夹：

存放人体动作的txt文件，比如跳跃、打电话、读书等。而每个动作又分三类为训练集、训练的验证集和测试集。

内容案例如下，每列数字分别表示：图像ID、人数、动作状态

图像ID（如 2011_003285）：这是图像的唯一标识符，用于在数据集中定位特定的图像。
人数（如 1，2，3，4）：这一列表示在对应图像中检测到的人数。例如，1 表示图像中有一个人，2 表示图像中有两个人，以此类推。
动作状态（如 -1）：这一列表示图像中对应的人的动作状态是否满足action文件所列举的10个动作标签之一（如jumping, phoning, playing instrument等）。通常，正数（如1）表示满足某个动作标签，而-1表示不满足或未标注。