Pascal VOC数据集详细介绍
Pascal VOC数据集详细介绍
前言
因为最近打算尝试一下Faster-RCNN的复现，不要多想，我还没有厉害到可以一个人复现所有代码。所以，是参考别人的代码，进行自己的解读。
代码来自于B站的UP主（大佬666），其把代码都放到了GitHub上了，我把链接都放到下面了（应该不算侵权吧，毕竟代码都开源了_）：
b站链接：https://www.bilibili.com/video/BV1of4y1m7nj/?vd_source=afeab8b555e5eb1bfa1e7f267262cbf2
GitHub链接：https://github.com/WZMIAOMIAO/deep-learning-for-image-processing
目的
其实UP主已经做了很好的视频讲解了他的代码，只是有时候我还是喜欢阅读博客来学习，视频不能享受随心所欲的感觉（另外视频很长，6个小时），所以才打算写博客。
目前完成的内容
第一篇：VOC数据集详细介绍（本文）
目录结构
文章目录
-
- Pascal VOC数据集详细介绍
-
- 1. 数据集下载：
- 2. Annotations文件夹：
- 3. ImageSets文件夹：
- 4. JPEGImage文件夹：
- 5. SegmentationClass文件夹：
- 6. SegmentationObject文件夹：
- 7. 总结：
1. 数据集下载：
Pascal VOC2012 训练集和验证集下载地址：
http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
下载后，可以把它解压缩，得到下面的目录结构：
2. Annotations文件夹：
Annotation，翻译过来为注释，里面为xml文件，一种类似于html的格式，一个xml文件对应一张图片，里面通过标签包围数据，随意打开一个xml文件，部分内容如下：
你可以把xml文件当作txt文件，两者的区别在于存储数据的格式不同。在xml文件中，主要的结构就是节点/标签，比如上图中红色的内容：
<folder>VOC2012folder>
尖括号包围的内容（folder），就是我们之后获取数据的定位信息，而两者之间的VOC2012就是这个标签包围的数据信息。而，看蓝色框起来的部分，可以知道，xml里的标签可以是嵌套的。
知道了这些信息，我们就可以对里面的内容进行解读了：（看下面代码的注释即可）
<annotation>
<folder>VOC2012folder>
<filename>2007_000027.jpgfilename>
<source>
<database>The VOC2007 Databasedatabase>
<annotation>PASCAL VOC2007annotation>
<image>flickrimage>
source>
<size>
<width>486width>
<height>500height>
<depth>3depth>
size>
<segmented>0segmented>
<object>
<name>personname>
<pose>Unspecifiedpose>
<truncated>0truncated>
<difficult>0difficult>
<bndbox>
<xmin>174xmin>
<ymin>101ymin>
<xmax>349xmax>
<ymax>351ymax>
bndbox>
<part>
<name>headname>
<bndbox>
<xmin>169xmin>
<ymin>104ymin>
<xmax>209xmax>
<ymax>146ymax>
bndbox>
part>
<part>
<name>handname>
<bndbox>
<xmin>278xmin>
<ymin>210ymin>
<xmax>297xmax>
<ymax>233ymax>
bndbox>
part>
<part>
<name>footname>
<bndbox>
<xmin>273xmin>
<ymin>333ymin>
<xmax>297xmax>
<ymax>354ymax>
bndbox>
part>
<part>
<name>footname>
<bndbox>
<xmin>319xmin>
<ymin>307ymin>
<xmax>340xmax>
<ymax>326ymax>
bndbox>
part>
object>
annotation>
在后面的代码中，获取的信息都是通过这些节点来获取的，比如xxx['object']之类的。
3. ImageSets文件夹：
其下有四个文件夹，其中：
Action
指的是人的动作，比如：
一般是三个三个一起出现的，分别为训练集、训练的验证集和测试集。文件的名字前面表示的是动作，比如上图中第一个jumping，表示人的跳跃。我们打开这个文件夹，发现共有三列构成，第一行内容为：
2011_003279 1 -1
为了体现后面数字的差别，我们再找两行：
2011_003285 3 -1
2011_003298 1 1
然后，分别找到它们的图片：
不难猜测，第三列应该是这个动作是否出现在图片中的意思。
而这个第二列，我是猜测的，因为我发现一个东西：
2011_003285 1 -1
2011_003285 2 -1
2011_003285 3 -1
2011_003285 4 -1
2011_003285 5 -1
一张图片居然出现了几次，而且第二列数字不同，所以我猜测第二列可能是**系统觉得处于跳跃中人的个数（猜测）。**具体第二列是什么，我没有找到具体的说明，如果有朋友知道可以告知一声。
Layout
人的具体部位的信息文件夹。它不像Action一样，还分为很多的动作，而是就只有三个文件，即训练集、训练的验证集和测试集三个。
打开任意一个文件，里面的内容格式都为：
2007_000027 1
其中第一列肯定是图片的名字，第二列具体是什么也不太清楚，猜测和Action的第三列一样，是部分出现的可能数目。
Main
**最重要的文件夹，**里面是图像检测的数据，共20个类别，比如：
每个类别由三个文件构成，分别为训练集、训练的验证集和测试集。其中，打开任意一个文件，一行的内容为（我这里打开的bicycle文件）：
2008_003075 1
第一列是对应的图片名字，第二列表示这个对象是否出现在该图像中，1表示出现，-1表示没有出现。
我们找到上面对应的图片为（红色的框是我画的）：
注意，在Main文件夹下，有两个最重要的txt文件，分别为train.txt和val.txt。这两个文件夹是总的划分，即相当于机器学习中的训练集和测试集的划分一样，需要保证两者数据不交叉。而这个文件也是我们后面训练需要用到的文件。
Segmentation
里面包含是三个文件，分别为图像分割用到的训练、训练的验证集和测试集三个。任意打开一个文件，里面的内容为：
2007_000032
这里对应的不仅仅是图片名字，还对应了分割文件夹下的分割图片。
4. JPEGImage文件夹：
这个文件夹里面就是所有的图片文件，这倒没啥好说的。
5. SegmentationClass文件夹：
这个是**语义分割（即同一类别不区分颜色）**后的图像，比如：
6. SegmentationObject文件夹：
这个是**图像分割（即同一类别也要区分颜色）**后的图像，如：
7. 总结：
熟悉数据文件，才可以在后面读代码的时候，搞清楚很多东西，比如真实边界框如何获取，边界框变量的值什么等等。