简介
在计算机视觉（CV）领域，无论是做目标检测、图像分割还是分类，PASCAL VOC（Pattern Analysis, Statistical Modelling and Computational Learning Visual Object Classes）数据集都是绕不开的经典基准。虽然现在大家动辄使用 MS COCO 甚至更大规模的数据集，但 VOC 数据集依然是很多经典算法（如 YOLO 系列、Faster R-CNN 等）验证模型有效性的首选，也是适合初学者和轻量化模型研究的标准数据集。
今天这篇文章，我们将系统梳理 PASCAL VOC 各年份版本的演进，详细拆解其标注格式，并分享下载链接与格式转换方法。
一、为什么还要了解 PASCAL VOC？
PASCAL VOC 挑战赛从 2005 年开始举办，直到 2012 年结束。它不仅提供了高质量的图像数据，还确立了评估模型性能的标准（如 mAP 指标）。
尽管挑战赛已经停办，但其建立的 20个基础类别（人、鸟、猫、牛、狗、马、羊、飞机、自行车、船、巴士、汽车、摩托车、火车、瓶子、椅子、餐桌、盆栽、沙发、显示器）以及其 XML 的标注规范，至今仍是工业界落地项目和学术界轻量化研究的标配。
二、 PASCAL VOC 历年数据集演进表
根据官方资料与历史版本对比，将 2005 年至 2012 年的数据集核心变化整理如下表：
| 年份 | 基本情况 | 任务类别 | 备注 |
|---|---|---|---|
| 2005 | 4类别：bicycles, cars, motorbikes, people 1578张图片，2209个标注 子数据集：train, validation, test | classification segmentation | 早期探索阶段。 |
| 2006 | 10类别：新增 bus, cat, cow, dog, horse, sheep 等 2618张图片，4754个标注 子数据集：train, validation, test | classification segmentation | 类别扩展，数据量初步增加。 |
| 2007 | 20类别 ：固定为经典的20类（涵盖人、动物、交通工具、室内物品） 9963张图片，24640个标注 子数据集：train, validation, test | classification, segmentation, person layout | 关键节点 ：最后一年公开 test 数据集；评价指标由 ROC-AUC 变为 AP；标注中增加了 truncation 标签。 |
| 2008 | 同2007的20类别 train+val 与 test 比例约为 1:1 4340张图片，10363个标注 子数据集：train, validation | classification, segmentation, person layout | 标注中添加了 Occlusion (遮挡) 标签；segmentation 和 layout 子集包含 VOC2007 的数据。 |
| 2009 | 同2007的20类别 10103张图片，23374个ROI标注，4203个segmentation标注 子数据集：train, validation, test | classification, segmentation, person layout | 从这一年开始，图像库包含前几年的图像和新图像。 |
| 2010 | 同2007的20类别 9963张图片，24640个标注，4203个segmentation 子数据集：train, validation | classification, segmentation, person layout | 计算 AP 的方法从 TREC 式变为基于所有点计算。 |
| 2011 | 同2007的20类别 11530张图片，27450个标注，5034个segmentation 子数据集：train, validation | classification, segmentation, person layout, action classification | action 类别扩展为 "10+other" 模式；layout 标签不完整（并非所有图中的 person 均被标注）。 |
| 2012 | 同2007的20类别 11530张图片，27450个标注，6929个segmentation 子数据集：train, validation | classification, segmentation, person layout, action classification | 最终版本：质量最高，使用 person 身上的参考点注释了 action 分类数据集。没有公开的 test 集。 |
💡 建议：
由于 VOC2007 之后官方不再公开 test 数据集的标签，业界在论文和工程实验中，最常用的做法是：将 VOC2007 的 train/val 与 VOC2012 的 train/val 合并进行训练与验证，最后在 VOC2007 的 test 数据集上进行测试评估。
三、 数据集内部结构与标注详解
下载解压后，会看到一个名为 VOCdevkit 的文件夹，内部结构如下：
text
VOCdevkit/
└── VOC2012/ (或 VOC2007)
├── Annotations/ # 存放目标检测的 .xml 标签文件
├── ImageSets/ # 存放各个任务的数据集划分文件 (.txt)
│ ├── Action/
│ ├── Layout/
│ ├── Main/ # 目标检测最常用的 train/val/test 划分名单
│ └── Segmentation/
├── JPEGImages/ # 所有的原始图像 (.jpg)
├── SegmentationClass/ # 语义分割的标签图像 (.png)
└── SegmentationObject/ # 实例分割的标签图像 (.png)关于 Segmentation 的调色板（Colormap）
很多人在做分割任务时，打开 SegmentationClass 里的 PNG 标签图片，会觉得它是一张张不同颜色的物体分割图片。但如果你直接用常规的 RGB 模式读取去训练模型，就会大错特错。
本质原理：
分割标签实际上是单通道的索引图像（8位灰度图），每个像素点的值是一个 0~255 的整数：
0：代表背景（Background）1 ~ 20：代表 VOC 的 20 个具体目标类别255：代表目标边界（Boundary，通常在分割模型训练时会被忽略/Mask掉）
为什么肉眼看是彩色的？
因为 PNG 图像头里包含了一个调色板（Colormap） 。调色板存储了 256 个 RGB 颜色值，图像在显示时，会把像素值（如类别 15）映射到调色板对应的颜色上。这种设计是方便肉眼观察标注质量。
四、 常见格式转换
从 VOC (XML) 到 YOLO (TXT)
VOC 使用的是基于 XML 的 [xmin, ymin, xmax, ymax] 绝对坐标格式。而当前主流的 YOLO 算法（如 YOLOv8、YOLO11 、YOLO26 等）需要的是 .txt 文件，格式为 [class_id, x_center, y_center, width, height] 的相对坐标（0~1之间）。
在实际部署和训练前，必须要进行格式转换。下面提供一个 xml 转换成 yolo 并划分的脚本，代码如下：
python
# -*- coding: utf-8 -*-
import os
import random
import shutil
from xml.etree import ElementTree as ET
import cv2
input_image_folder = r'E:\1-cheng\4-yolo-dataset-daizuo\multi-classify\apples2\images'
input_xml_folder = r'E:\1-cheng\4-yolo-dataset-daizuo\multi-classify\apples2\annotations'
output_folder = r'E:\1-cheng\4-yolo-dataset-daizuo\multi-classify\apples2\dataset1'
# 定义训练集和验证集的比例
train_ratio = 0.8
val_ratio = 0.2
# 获取所有的照片文件和XML文件，这些行获取了输入文件夹中所有以.jpg和.xml结尾的文件的列表。os.listdir()用于列出文件夹中的文件。
image_files = [f for f in os.listdir(input_image_folder) if f.endswith(".jpg")]
xml_files = [f for f in os.listdir(input_xml_folder) if f.endswith(".xml")]
# 创建输出文件夹
os.makedirs(os.path.join(output_folder, "images/train"), exist_ok=True)
os.makedirs(os.path.join(output_folder, "images/val"), exist_ok=True)
os.makedirs(os.path.join(output_folder, "labels/train"), exist_ok=True)
os.makedirs(os.path.join(output_folder, "labels/val"), exist_ok=True)
# 创建类别字典，用于统计每个类别的数量和记录类别顺序
class_counts = {}
class_order = []
for xml_file in xml_files:
xml_path = os.path.join(input_xml_folder, xml_file)
image_name = xml_file.replace(".xml", ".jpg")
image_path = os.path.join(input_image_folder, image_name)
if not os.path.exists(image_path):
continue
tree = ET.parse(xml_path)
root = tree.getroot()
yolo_labels = []
# 遍历XML文件中的每个<object>元素
for obj in root.findall("object"):
class_name = obj.find("name").text
if class_name not in class_counts:
class_counts[class_name] = 0
class_order.append(class_name)
class_counts[class_name] += 1
img = cv2.imread(image_path)
img_height, img_width, _ = img.shape
class_id = list(class_counts.keys()).index(class_name)
# class_id = class_order.index(class_name)
# 获取对象的边界框坐标
bbox = obj.find("bndbox")
xmin = int(bbox.find("xmin").text)
ymin = int(bbox.find("ymin").text)
xmax = int(bbox.find("xmax").text)
ymax = int(bbox.find("ymax").text)
# 计算归一化的坐标
x_center = (xmin + xmax) / (2 * img_width)
y_center = (ymin + ymax) / (2 * img_height)
width = (xmax - xmin) / img_width
height = (ymax - ymin) / img_height
yolo_labels.append(f"{class_id} {x_center} {y_center} {width} {height}")
# 根据指定的训练集和验证集比例，随机选择将数据分配到训练集或验证集
dataset_choice = "train" if random.uniform(0, 1) < train_ratio else "val"
# 将图像和YOLO标签写入文件，将图像复制到相应的训练集或验证集文件夹中，并将YOLO标签写入相应的文本文件中。
shutil.copy(image_path, os.path.join(output_folder, f"images/{dataset_choice}/{image_name}"))
with open(os.path.join(output_folder, f"labels/{dataset_choice}/{xml_file.replace('.xml', '.txt')}"), "w") as label_file:
label_file.write("\n".join(yolo_labels))
# 输出每个类别的数量
for class_name, count in class_counts.items():
print(f"类别: {class_name}, 总数: {count}")
# 输出类别的顺序列表
print("类别顺序:", class_order)使用 YOLO 系列做分割（如 YOLO26-seg, YOLO11/v8-seg）
YOLO 家族的分割模型，底层逻辑是基于多边形（Polygon）的实例分割，而不是逐像素的分类。它不接受 PNG 格式的掩码图像作为标签，而是要求你把分割边界转换成和目标检测非常相似的 .txt 文本格式。
YOLO 分割标签的格式长这样：
[类别ID] [x1] [y1] [x2] [y2] ... [xn] [yn] （坐标全部归一化到 0~1 之间）
做法：
写一个脚本，读取 SegmentationClass 中的 PNG 图片，提取出对应颜色的区域，使用 OpenCV 找到该区域的外接轮廓点，最后将这些轮廓点的坐标写入 TXT 文件中。
下面提高一个将 Mask 轮廓提取并转换为 Polygon 坐标的核心代码参考：
python
import cv2
import numpy as np
def extract_polygons_from_mask(mask_path):
mask = cv2.imread(mask_path, cv2.IMREAD_GRAYSCALE)
contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
polygons = []
for contour in contours:
if len(contour) < 3:
continue
contour = contour.flatten().tolist()
polygons.append(contour)
return polygons可以参考网上的其他人的转换方法
使用传统语义分割网络（如 U-Net, DeepLab, Mask2Former）
这类纯语义分割网络，损失函数（通常是 Cross Entropy Loss）要求的目标标签并不是 RGB 图片，而是一个二维的张量（Tensor） 。在这个张量里，每一个像素点的位置上存放的应该是一个类别的数字索引（比如：背景是 0，飞机是 1，自行车是 2，忽略的边界是 255）。所以该数据集通常不需要转换文件格式，但必须在 Dataloader 中正确读取（将伪彩色转回类别索引）
如果在 Dataloader 里直接用 cv2.imread(img_path) 去读这张图，OpenCV 默认会把它读成 3 通道的 RGB 数组（例如背景变成 [0,0,0]，某类别变成 [128,0,0]），这时候直接送进损失函数就会直接报错。
你需要做的：
在编写 PyTorch/TensorFlow 的 Dataset 脚本时，确保使用单通道模式读取，并提取它的原始索引值。以 PIL.Image为例子：
python
from PIL import Image
import numpy as np
import torch
def load_segmentation_mask(mask_path):
mask_img = Image.open(mask_path)
mask_array = np.array(mask_img)
mask_tensor = torch.from_numpy(mask_array).long()
return mask_tensor小结
- 做 YOLO： 写个 Python 脚本批量把 PNG 转成 TXT 轮廓，然后抛弃 PNG。
- 做 U-Net 等传统分割： 保留 PNG 不动，但在写
Dataset类的时候，一定要打印一下读取出来的label矩阵，确认里面是不是只有0-20和255这几个离散的数字，如果发现矩阵形状是(H, W, 3)或者里面有128这种颜色值，那就是读错了。
五、 数据集下载链接
由于国外官网经常抽风或者下载极慢，建议使用国内常用的镜像源下载。
官方原链：
-
VOC 2007 Train/Val:
http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar -
VOC 2007 Test:
http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar -
VOC 2012 Train/Val:
http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
国内高速镜像（推荐清华源或阿里源）：
目前国内许多高校和公共开放平台（如 OpenDataLab 等）都托管了 VOC 数据集的快速下载包，大家可以在这些平台上直接检索 "PASCAL VOC" 获取满速下载体验。
飞桨平台搜索下载： https://aistudio.baidu.com/datasetdetail/159243/
六、 结语
PASCAL VOC 虽已是十几年前的产物，但它的标注规范深深影响了后来的视觉生态。无论是做模型剪枝、量化测试，还是新架构的快速验证，VOC 依然是最高效的试金石。
弄懂它的目录结构、理解单通道调色板机制、掌握 XML 到 TXT/JSON 的转换，是每一个踏入 CV 领域的开发者必修的内功。希望这篇文章能帮你少走弯路！