目标检测标注格式

这是一个非常核心且重要的问题。理解这三种主流标注格式的区别，对于进行目标检测任务至关重要。

我将通过一个 核心对比表格 和 详细的逐一解析 来帮助你彻底弄懂它们。

核心对比一览表

|-----------|-------------------------------------------------------------|--------------------------------------------------------------------------|----------------------------------------------------------|
| 特性 | PASCAL VOC 格式 | YOLO 格式 | COCO 格式 |
| 文件类型 | XML (.xml) | 文本文件 (.txt) | JSON (.json) |
| 文件结构 | 每个图像一个标注文件 | 每个图像一个标注文件 | 整个数据集一个总标注文件 |
| 坐标表示 | 绝对像素坐标 (角点)<br><xmin>, <ymin>, <xmax>, <ymax> | 归一化相对坐标 (中心点)<br><x_center>, <y_center>, <width>, <height> | 绝对像素坐标 (左上角+宽高)<br>[x_min, y_min, width, height] |
| 标注丰富度 | 中等 (主要用于目标检测) | 简单 (专为目标检测设计) | 极高 (检测、分割、关键点、描述等) |
| 易用性 | 较易读，但冗长 | 非常简单，易于手动创建和脚本处理 | 复杂，不适合手动编辑，需工具支持 |
| 典型应用 | 早期研究，许多工具的基础格式 | YOLO系列模型，追求速度和简洁 | 学术界标准，大型复杂数据集，多任务 |

1. PASCAL VOC (Visual Object Classes) 格式

这是早期目标检测研究中非常流行的格式，许多标注工具都支持导出为这种格式。

特点：
- 文件类型： XML 格式，具有良好的可读性。
- 文件结构： 一对一。每张图片（如 image001.jpg）都有一个同名的XML文件（image001.xml）与之对应。
- 坐标系统： 使用绝对像素值来定义边界框的左上角和右下角两个点。
  - <xmin>: 边界框左上角点的 x 坐标。
  - <ymin>: 边界框左上角点的 y 坐标。
  - <xmax>: 边界框右下角点的 x 坐标。
  - <ymax>: 边界框右下角点的 y 坐标。

示例 (image001.xml):

复制代码

      <annotation>
    <folder>images</folder>
    <filename>image001.jpg</filename>
    <path>/path/to/images/image001.jpg</path>
    <size>
        <width>800</width>
        <height>600</height>
        <depth>3</depth>
    </size>
    <object>
        <name>cat</name>
        <pose>Unspecified</pose>
        <truncated>0</truncated>
        <difficult>0</difficult>
        <bndbox>
            <xmin>150</xmin>
            <ymin>200</ymin>
            <xmax>450</xmax>
            <ymax>500</ymax>
        </bndbox>
    </object>
</annotation>

2. YOLO (You Only Look Once) 格式

这是为YOLO系列模型量身定制的格式，追求极致的简洁和高效。

特点：
- 文件类型： TXT 纯文本格式。
- 文件结构： 一对一。和VOC一样，每张图片（image001.jpg）都有一个同名的TXT文件（image001.txt）。
- 坐标系统： 使用归一化的相对坐标，所有值都在 0 到 1 之间。这使得它对图像尺寸变化不敏感。
  - <class_id>: 物体类别的索引（整数），从0开始。通常需要一个单独的 classes.txt 或 data.yaml 文件来映射索引和类别名称。
  - <x_center>: 边界框中心的 x 坐标 / 图像总宽度。
  - <y_center>: 边界框中心的 y 坐标 / 图像总高度。
  - <width>: 边界框的宽度 / 图像总宽度。
  - <height>: 边界框的高度 / 图像总高度。
示例 (image001.txt):

假设 cat 在 classes.txt 中是第0类，图片尺寸为 800x600，猫的边界框是 (xmin:150, ymin:200, xmax:450, ymax:500)。
- x_center = (150 + 450) / 2 / 800 = 0.375
- y_center = (200 + 500) / 2 / 600 = 0.583
- width = (450 - 150) / 800 = 0.375
- height = (500 - 200) / 600 = 0.5
image001.txt 文件的内容将是（每行代表一个物体）：
复制代码
```
      0 0.375000 0.583333 0.375000 0.500000
```
IGNORE_WHEN_COPYING_START

content_copydownload
Use code with caution.

IGNORE_WHEN_COPYING_END

3. COCO (Common Objects in Context) 格式

这是目前学术界和工业界最流行、功能最强大的标注格式，由微软团队推出。

特点：
- 文件类型： JSON 格式，结构化但非常庞大。
- 文件结构： N对一。整个数据集（如训练集或验证集）只有一个JSON文件，里面包含了所有图片的信息、所有物体的标注信息、类别信息等。
- 坐标系统： 使用绝对像素值，但格式与VOC不同。
  - $x_min, y_min, width, height\]: 分别是边界框左上角点的x、y坐标，以及边界框的宽度和高度。$
  - 实例分割 (Instance Segmentation): 用多边形点集精确勾勒物体轮廓。
  - 关键点检测 (Keypoint Detection): 标注人体关节点等。
  - 图像描述 (Image Captioning): 对图片进行文字描述。

示例 (JSON文件片段):

复制代码

      {
    "info": {...},
    "licenses": [...],
    "images": [
        {
            "id": 1,
            "width": 800,
            "height": 600,
            "file_name": "image001.jpg"
        }
    ],
    "annotations": [
        {
            "id": 1,
            "image_id": 1, // 关联到ID为1的图片
            "category_id": 17, // 关联到ID为17的类别
            "segmentation": [[150, 200, 450, 200, 450, 500, 150, 500]], // 分割多边形
            "area": 90000,
            "bbox": [150, 200, 300, 300], // [x, y, width, height]
            "iscrowd": 0
        }
    ],
    "categories": [
        {
            "id": 17,
            "name": "cat",
            "supercategory": "animal"
        }
    ]
}

IGNORE_WHEN_COPYING_START

content_copydownload
Use code with caution. Json

IGNORE_WHEN_COPYING_END

我应该用哪种格式？

如果你正在训练 YOLO 模型： 首选 YOLO 格式。如果你的数据是其他格式，最好先将其转换为YOLO格式。
如果你想进行复杂的任务（如实例分割、关键点检测）： 必须使用 COCO 格式。它是这类任务的事实标准。
如果你需要一个易于人类阅读和调试的格式： VOC 格式 是一个不错的选择，但它的功能不如COCO。
如果你刚开始学习目标检测： 从 YOLO 格式 入手最简单，因为它只需要创建简单的文本文件。

许多标注工具（如 LabelImg, CVAT, LabelMe）都支持在这些格式之间进行导出和转换，非常方便。