PASCAL VOC 数据集详解与MS COCO组合方式

一、简介

• PASCAL VOC 挑战赛主要有 Object Classification 、Object Detection、Object Segmentation、Human Layout、Action Classification 这几类子任务
  • PASCAL 主页 与 排行榜
  • PASCAL VOC 2007 挑战赛主页 、PASCAL VOC 2012 挑战赛主页 、PASCAL VOC Evaluation Server
• PASCAL VOC 2007 和 2012 数据集总共分 4 个大类：vehicle、household、animal、person，总共 20 个小类（加背景 21 类），预测的时候是只输出下图中黑色粗体的类别
  

---

二、VOC 常用组合、数据量统计及组织结构

• VOC2007 train_val_test & VOC2012 train_val 百度云下载链接，提取码: jz27

• 目前目标检测常用的是 VOC2007 和 VOC2012 数据集，因为二者是互斥的，论文中的常用组合有以下几种：

  • 07+12： 使用 VOC2007 和 VOC2012 的 train+val（16551） 上训练，然后使用 VOC2007 的 test（4952） 测试
  • 07++12： 使用 VOC2007 的 train+val+test（9963） 和 VOC2012的 train+val（11540） 训练，然后使用 VOC2012 的 test 测试，这种方法需提交到 PASCAL VOC Evaluation Server 上评估结果，因为 VOC2012 test 没有公布
  • 07+12+COCO： 先在 MS COCO 的 trainval 上 预训练，再使用 VOC2007 和 VOC2012 的 train+val 微调训练，然后使用 VOC2007 的 test 测试
  • 07++12+COCO： 先在 MS COCO 的 trainval 上预训练，再使用 VOC2007 的 train+val+test 和 VOC2012 的 train+val微调训练，然后使用 VOC2012 的 test 测试 ，这种方法需提交到 PASCAL VOC Evaluation Server上评估结果，因为VOC2012 test 没有公布

• VOC2007 和 VOC2012 目标检测任务中的训练、验证和测试数据统计如下表所示，具体每一类的数据分布见 PASCAL VOC2007 Database Statistics 和 PASCAL VOC2012 Database Statistics

  

• 组织结构： 以 VOC 2007 为例，解压后的文件为：

  .
  ├── Annotations 进行 detection 任务时的标签文件，xml 形式，文件名与图片名一一对应
  ├── ImageSets 包含三个子文件夹 Layout、Main、Segmentation，其中 Main 存放的是分类和检测的数据集分割文件
  ├── JPEGImages 存放 .jpg 格式的图片文件
  ├── SegmentationClass 存放按照 class 分割的图片
  └── SegmentationObject 存放按照 object 分割的图片
  

├── Main
│ ├── train.txt 写着用于训练的图片名称， 共 2501 个
│ ├── val.txt 写着用于验证的图片名称，共 2510 个
│ ├── trainval.txt train与val的合集。共 5011 个
│ ├── test.txt 写着用于测试的图片名称，共 4952 个

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12

---

三、标注标准及 XML 解析

• 标注标准：VOC2011 Annotation Guidelines
• 标注信息是用 xml 文件组织的如下：

  <annotation>
  	<folder>VOC2007folder>
  	<filename>000001.jpgfilename>  # 文件名 
  	<source>
  		<database>The VOC2007 Databasedatabase>
  		<annotation>PASCAL VOC2007annotation>
  		<image>flickrimage>
  		<flickrid>341012865flickrid>
  	source>
  	<owner>
  		<flickrid>Fried Camelsflickrid>
  		<name>Jinky the Fruit Batname>
  	owner>
  	<size>  # 图像尺寸, 用于对 bbox 左上和右下坐标点做归一化操作
  		<width>353width>
  		<height>500height>
  		<depth>3depth>
  	size>
  	<segmented>0segmented>  # 是否用于分割
  	<object>
  		<name>dogname>  # 物体类别
  		<pose>Leftpose>  # 拍摄角度：front, rear, left, right, unspecified 
  		<truncated>1truncated>  # 目标是否被截断（比如在图片之外），或者被遮挡（超过15%）
  		<difficult>0difficult>  # 检测难易程度，这个主要是根据目标的大小，光照变化，图片质量来判断
  		<bndbox>
  			<xmin>48xmin>
  			<ymin>240ymin>
  			<xmax>195xmax>
  			<ymax>371ymax>
  		bndbox>
  	object>
  	<object>
  		<name>personname>
  		<pose>Leftpose>
  		<truncated>1truncated>
  		<difficult>0difficult>
  		<bndbox>
  			<xmin>8xmin>
  			<ymin>12ymin>
  			<xmax>352xmax>
  			<ymax>498ymax>
  		bndbox>
  	object>
  annotation>
  
       
       
       
       
  
       
       
       
       
  
        
        
        
        
  1
        
        
        
        
  2
        
        
        
        
  3
        
        
        
        
  4
        
        
        
        
  5
        
        
        
        
  6
        
        
        
        
  7
        
        
        
        
  8
        
        
        
        
  9
        
        
        
        
  10
        
        
        
        
  11
        
        
        
        
  12
        
        
        
        
  13
        
        
        
        
  14
        
        
        
        
  15
        
        
        
        
  16
        
        
        
        
  17
        
        
        
        
  18
        
        
        
        
  19
        
        
        
        
  20
        
        
        
        
  21
        
        
        
        
  22
        
        
        
        
  23
        
        
        
        
  24
        
        
        
        
  25
        
        
        
        
  26
        
        
        
        
  27
        
        
        
        
  28
        
        
        
        
  29
        
        
        
        
  30
        
        
        
        
  31
        
        
        
        
  32
        
        
        
        
  33
        
        
        
        
  34
        
        
        
        
  35
        
        
        
        
  36
        
        
        
        
  37
        
        
        
        
  38
        
        
        
        
  39
        
        
        
        
  40
        
        
        
        
  41
        
        
        
        
  42
        
        
        
        
  43
        
        
        
        
  44
       
       
       
       

---

四、提交格式

1、Classification Task

• 每一类都有一个 txt 文件，里面每一行都是测试集中的一张图片，前面一列是图片名称，后面一列是预测的分数。

# comp1_cls_test_car.txt, 内容如下

000004 0.702732
000006 0.870849
000008 0.532489
000018 0.477167
000019 0.112426

• 1
• 2
• 3
• 4
• 5
• 6
• 7

2、Detection Task

• 每一类都有一个 txt 文件，里面每一行都是测试集中的一张图片，每行的格式为： ，confidence 用来计算 mAP

# comp3_det_test_car.txt，内容如下
# comp3：只允许用所给训练数据，comp4：允许使用外部数据

000004 0.702732 89 112 516 466
000006 0.870849 373 168 488 229
000006 0.852346 407 157 500 213
000006 0.914587 2 161 55 221
000008 0.532489 175 184 232 201

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

---

五、评估标准

• PASCAL的评估标准是 mAP(mean average precision)，关于 mAP 可参考以下资料：
  • average precision
  • 性能指标（模型评估）之mAP
  • 多标签图像分类任务的评价方法-mAP
  • 周志华老师 《机器学习》 模型评估标准一节
  • PASCAL官方给了 MATLAB 版的 mAP 评估脚本和示例代码 development kit code and documentation
• eg：下面是一个二分类的 P-R 曲线（precision-recall curve），对于 PASCAL 来说，每一类都有一个这样的 P-R曲线，P-R 曲线下面与 x 轴围成的面积称为 average precision，每个类别都有一个 AP，20个类别的 AP 取平均值 就是 mAP。
  

---

六、参考资料

1、The PASCAL Visual Object Classes Homepage
2、目标检测数据集PASCAL VOC简介