VOC数据集解析 VOC2007解析

这里以常用的 VOC2007数据集 作为代表来讲解一下VOC数据集

1.下载数据

官网：http://host.robots.ox.ac.uk/pascal/VOC/voc2007/index.html

训练集/验证集： http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar

DevKit：http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar

带有标记的测试集：http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar

这里说明一下，VOC官方给出的数据集中，只有VOC2007是给出了带有标记的测试集的，

其他年份的数据集是没有 Anotated test data的

至于训练集train set、验证集validation set 和 测试集 test set 分别是用来干什么的，属实是没有必要在这里讲...常识性知识

那么下载完成后得到如下压缩包：

分开来讲这三个包：

2. VOCdevikit：

其实就是 development kit code and documentation ，开发工具包代码和文档，换句话说就是怎么做出这个数据集的一些代码，和关于此数据集的说明书。解压后如下：

得到一个VOCdevkit，再打开里面：

如图所示，就是一些MATLAB代码，就是用这些代码处理的这个数据集，基本上没什么用，唯一可以看看的就是那个devkit_doc.pdf， 就是一个比较详细的说明书，有兴趣可以自己看看，比较细。

总结起来，这个压缩包对于我们使用数据 并没有什么用…，因为真正的图片并没有装在这里面，所以其实可下可不下；

3、VOCtrainval_06-Nov-2007,

这就是我们的训练集和验证集，解压后如下：

同样也是一个VOCdevkit，然后打开：

里面便是VOC2007，再点开，就得到5个文件夹：

这就是我们需要搞清楚的5个文件夹了，

A. Annotations

字面意思，就是标注信息，打开之后全是xml文件，文件名就是图像名称，

每个文件里面有该图片的一些标注信息，训练时要用的label信息其实就来源于此文件夹

B.ImageSets

这个文件夹值得好好看一下，从名称可以猜到，这个是文件夹是 图像集合 ，

点开之后有3个文件夹：Layout 、 Main、 Segmentation

为什么会有3个文件夹呢，这其实对应的是 VOC challenge 3类不同的任务！！！

VOC challenge的 Main task，其实是 classification 和 detection，

所以在Main文件夹中，包含的就是这两个任务要用到的图像集合！

此外还有两个 taster tasks ：Layout 和 Segmentation，

这两个任务 也有各自需要用到的图像，就分别存于两个文件夹中

所以这3个文件夹中包含的是3类不同的任务需要用到的不同的图片集合

我们可以点开看一看，比如点开Layout，会有train.txt 、trainval.txt 、val.txt：

点开Segmentation，也有train.txt 、trainval.txt、 val.txt：

这三个文本文档中，写的是图像的 ID号码 ，

train表示的是训练集，val表示的是验证集， trainval是把前两者写到了一起，

Main文件夹单独讲一下：

如图，打开之后有很多文本文档，一共有63个，这63个怎么来的呢？

首先你可以从中找到 train.txt、 trainval.txt、 val.txt 这 3 个，就如同前面两个文件夹一样，这三个文本文档肯定是有的，意思也是一样的。

还有20个是怎么来的？那就是20个类：

• person

• bird, cat, cow, dog, horse, sheep

• aeroplane, bicycle, boat, bus, car, motorbike, train

• bottle, chair, dining table, pottedplant, sofa, tv/monitor

一共20个类别，每个类别有该类的 类别名_train.txt 类别名_trainval.txt 类别名_val.txt 这3个文本，则20 x 3 = 60，

加上上面的3个，就是 63个文本文档。

注意一点，这里面有三个文本文档名字是：train_train.txt 、train_trainval.txt 、train_val.txt，

下划线前面的 train 是 ‘火车’， 下划线后面的 train 才是‘训练’，千万不要混到一起了

然后打开这些子类的文本文档的时候，会稍显不同，

比如打开aeroplane_train.txt （飞机）和 bicycle_train.txt （自行车）和 train.txt，

你会发现它们都有2501行，是说此任务训练集图片共有2501个

只不过 aeroplane_train.txt 和 bicycle_train.txt 每一行的图像ID后面 还跟了一个数字，

要么是-1， 要么是1，有时候也可能会出现0.

意义如下：

-1表示当前图像中，没有该类物体；

1 表示当前图像中有该类物体；

0 的话，我看了几张标0 的图像，似乎是说当前图像中，该类物体只露出了一部分。

所以我们在做训练时，读取图像的时候，其实就是先从这个ImageSets文件夹中，找到对应任务的子文件夹，

然后读取其中txt文本文档的图像ID号码, 按照这个ID号码去找图像，从哪儿找呢？就在下一个文件夹中：

C、JPEGImages

字面意思，就是装的图片，点开之后全是jpg图片，

ImageSets中文本文档记录的图像编号的所有图片，都装在这一个文件夹中了，

所以我们要先通过读取不同文本中的图像ID（因为不同任务的需求），然后才来根据ID在这 JPEGImages 读取实体图像。

共有5011张个图像。

D、SegmentationClass

这个图像中装的是专门为 Segmentation任务做的一个文件夹，里面存放的是Segmentation任务的label信息，

就是那些花花绿绿的图片。因为Segmentation的label是需要每个像素点有一个label，

这个东西就不方便记录在Annotations文件夹中的xml文件中，更方便用同样大小的图像来记录label，每个点有一个类别信息，

你会发现该文件夹中的图片共有422张，而Imagesets文件夹中，Segmentation文件夹中的trainval.txt文档，也有422行。

这就对上号了。

实际上该文件夹中的图像的像素点上应该是0、1、2、...、20这些像素值才对，是一副灰度图。

但很明显这些像素值太低了，肉眼其实看不见什么，所以它就把这些数字转换成了较大的像素值，且是3通道的像素值，这样肉眼就方便观看，每一类（或者说每一个灰度图上的数字）对应的是同一种颜色。

这个东西叫做colormap，那么是怎么样的对应关系呢？

很明显，这个就需要去VOCdevkit_08-Jun-2007 里面找咯，那里面有创建这个数据集的所有代码

VOCdevkit_08-Jun-2007\VOCdevkit\VOCcode 中的 VOClabelcolormap.m文件，其实就是干的这个事儿，

其实这个VOCcode 文件夹里面的m文件还挺有意思的，还有各个任务的评价准则，比如那几个VOCeval文件，我以前还不知道VOC文件夹里面就写的有

E、SegmentationObject

这个其实现在管这个任务叫做Instance Segmentation，样例分割，

就同一图像中的同一类别的不同个体要分别标出来，也是单独给的label信息，因为每个像素点要有一个label信息

至此，VOCtrainval_06-Nov-2007 文件夹就解析完毕了

4、VOCtest_06-Nov-2007

其实这个文件夹可以比照着trainval那个文件夹来理解，两个的结构是完全一样的，最里面也是5个文件夹：

所以其实解压的时候，往往是把他俩直接解压到同一个地方，然后相同名字的文件夹会合并在一起，

这个VOCtest_06-Nov-2007 和 VOCtrainval_06-Nov-2007

唯一不同的就是 这里装得是test data，即测试用的图像，及其相关的annotations，所以不再赘述

这里再次重申，再官网上，只有2007年时给了Annotated test data的，其余年份即使能下载到test data也应该是没有Annotation标注信息的，

然后真的不想再解释什么叫 train 、val 、test了

水平有限，难免挂一漏万，欢迎指正。