目标检测常用的数据集格式

在目标检测领域，有三种常用的数据集：

数据集	标注文件格式	bbox格式
voc	xml	xmin, ymin, xmax, ymax: bbox左上角(xmin, ymin)和右下角(xmax, ymax)的坐标
coco	json	x, y, w, h: bbox左上角坐标(x, y)以及宽(w)和高(h)
yolo	txt	xcenter, ycenter, w, h: bbox的中心x坐标(xcenter)、y坐标(ycenter)以及宽度(w)和高度(h) xcenter, w相对图片实际宽度W做了归一化，即：xcenter/W, w/W ycenter, h相对图片图片高度H做了归一化，即：ycenter/H, h/H

1. voc格式

1.1 文件结构

该文件结构指的是从 voc 官网下载的数据的文件结构（不同年份的数据集略有不同，但结构大致相同）。

VOCdevkit # 根目录

VOCXXXX # 不同年份的数据集，目前有 2005 年到 2012 年的

Annotations # 存放 xml 格式的标注文件，与 JPEGImages 下的图片一一对应，每个 xml 文件都描述一张图片的信息

ImageSets # 存放的是 txt 文件，文件中每一行包含一张图片的名称以及 ±1 表示正负样本

Layout # 可用于检测人体部位的数据（train.txt 用于训练的图片、trainval.txt用于训练和验证的图片合集、val.txt 用于验证的图片，下同）

Main # 可用于目标检测的数据

Segmentation # 可用于图像分割的数据

JPEGImages # 存放图片

SegmentationClass # 存放按照类别分割的图片，可用于语义分割

SegmentationObject # 存放按照个体分割的图片，可用于实例分割

1.2 标注文件

voc格式的数据集使用 xml 文件标注图片及其bbox信息，一张图片对应个xml文件，以 Main 中其中一个xml文件的部分内容为例：

xml 复制代码

<annotation>
	<folder>VOC2007</folder>  <!--图片所在文件夹（实际用不到）-->
	<filename>000005.jpg</filename> <!--图片文件名-->

	<source> <!--图片来源-->
		<database>The VOC2007 Database</database>
		<annotation>PASCAL VOC2007</annotation>
		<image>flickr</image>
		<flickrid>325991873</flickrid>
	</source>

	<owner> <!--图片拥有者-->
		<flickrid>archintent louisville</flickrid>
		<name>?</name>
	</owner>

	<size> <!--图片宽度、高度、通道数量-->
		<width>500</width>
		<height>375</height>
		<depth>3</depth>
	</size>

	<segmented>0</segmented> <!--是否用于分割-->

	<object> <!--标注目标1-->
		<name>chair</name> <!--物体类别-->
		<pose>Rear</pose> <!--拍摄角度： front, rear, left, right, unspecified-->
		<truncated>0</truncated> <!--目标是否被截断-->
		<difficult>0</difficult> <!--检测难易程度-->
		<bndbox> <!--标注目标1的 bbox-->
			<xmin>263</xmin>
			<ymin>211</ymin>
			<xmax>324</xmax>
			<ymax>339</ymax>
		</bndbox>
	</object>

	<object> <!--标注目标2的 bbox-->
		<name>chair</name>
		<pose>Unspecified</pose>
		<truncated>0</truncated>
		<difficult>0</difficult>
		<bndbox>
			<xmin>165</xmin>
			<ymin>264</ymin>
			<xmax>253</xmax>
			<ymax>372</ymax>
		</bndbox>
	</object>

	<!--其余标注信息结构同上-->
</annotation>

2. coco格式

2.1 文件结构

该文件结构指的是从 coco 官网下载的数据的文件结构。

annotations_XXXX # 存放 json 格式的标注文件，一个 json 文件里面包含了多张图片的相关信息

annotations

caption_xxxx.json # 存储图像标注用于描述图像

instances_xxxx.json # 用于目标检测的标注信息

person_keypoints_xxxx.json # 目标上的关键点信息

trainXXX # 存放训练集图片

valXXXX # 存放验证集图片

2.2 标注文件

coco格式的数据集使用 json 文件标注图片及其 bbox 信息，与voc格式一张图片对应一个xml文件不同，coco格式中一个 json 文件里面存放了若干张图片的信息。以 instances_xxxx.json 中的部分内容为例：

json 复制代码

{
    "info": { #数据集描述信息
        "description": "COCO 2017 Dataset", # 数据集描述
        "url": "http://cocodataset.org", # 数据集地址
        "version": "1.0", # 数据集版本
        "year": 2017, # 数据集年份
        "contributor": "COCO Consortium", # 数据集提供者
        "date_created": "2017/09/01" # 数据集创建日期
    },
    "licenses": [ # 许可协议
        {
            "url": "http://creativecommons.org/licenses/by-nc-sa/2.0/", # 协议链接
            "id": 1, # 协议 id ，下面将会用到
            "name": "Attribution-NonCommercial-ShareAlike License" # 协议名称
        }
        # 其他许可协议格式同上
    ],
    "images": [ # 图片信息
        {
            "license": 4, # 使用的许可协议
            "file_name": "000000397133.jpg", # 图片文件名
            "coco_url": "http://images.cocodataset.org/val2017/000000397133.jpg", # 图片在 coco 上的url
            "height": 427, # 图片高度
            "width": 640, # 图片宽度
            "date_captured": "2013-11-14 17:02:52", # 图片获取日期
            "flickr_url": "http://farm7.staticflickr.com/6116/6255196340_da26cf2c9e_z.jpg", 图片在 flickr 上的url
            "id": 397133 # 图片 id
        }
        # 其他图片信息格式同上
    ],
    "annotations": [ # 标注信息
        {
            "segmentation": [ # 实例分割时的边界点坐标[x1, y1, x2, y2 ...... xn, yn]
                [
                    510.66,
                    423.01,
                    ......,
                    510.45,
                    423.01
                ]
            ],
            "area": 702.1057499999998, # 区域面积
            "iscrowd": 0, # 目标是否被遮盖
            "image_id": 289343, # 标注所在的图片的 id 编号（与上面 images 中的对应）
            "bbox": [ # bbox框 [左上角x, 左上角y, 宽度, 高度]
                473.07,
                395.93,
                38.65,
                28.67
            ],
            "category_id": 18, # 被标注物体对应的类别 id 编号（与下面 categories 中的对应）
            "id": 1768 # 该标注的 id 编号（唯一）
        }
        # 其他标注信息格式同上
    ],
    "categories": [ # 类别描述
        {
            "supercategory": "person", # 该类别所属的大类
            "id": 1, # 类别 id 编号
            "name": "person" # 类别名字
        }
        # 其他标注信息格式同上
    ]
}

3. yolo格式

3.1 文件结构

使用yolo时，默认的文件结构如下（不同数据集会略有不同，但结构大致相同）：

XXXX # 根目录，视使用的数据集决定

images # 存放图片，已划分为训练集、验证集、测试集（部分数据集无测试集）

train

val

test

labels # 存放的是 txt 文件，每个txt文件对应一张图片，文件中每一行包含一个bbox的相关信息

train

val

test

3.2 标注文件

yolo格式的数据集使用 txt 文件标注图片bbox信息，一张图片对应一个txt文件，txt文件中的每一行都标注了一个bbox的相关信息。标注格式如下：

<类别索引> <bbox的中心x坐标> <bbox的中心y坐标> <bbox的宽度> <bbox的高度>

信息之间以空格分割
bbox的中心xy坐标以及宽度、高度都相对于图片的实际宽度W和高度H做了归一化

以其中一个txt文件的部分内容为例：

45 0.479492 0.688771 0.955609 0.5955
# 标注目标1的 bbox的类别索引是45，中心x坐标是0.479492， 中心y坐标是0.688771， 宽度是0.955609， 高度是0.5955
45 0.736516 0.247188 0.498875 0.476417
# 标注目标2的 bbox
# 其余标注信息结构同上