PASCAL VOC数据集分析

PASCAL VOC为图像识别和分类提供了一整套标准化的优秀的数据集，从2005年到2012年每年都会举行一场图像识别challenge。

本文主要分析PASCAL VOC数据集中和图像中物体识别相关的内容。

在这里采用PASCAL VOC2012作为例子。下载地址为：点击打开链接。（本文中的系统环境为ubuntu14.04）

下载完之后解压，可以在VOCdevkit目录下的VOC2012中看到如下的文件：

其中在图像物体识别上着重需要了解的是Annotations、ImageSets和JPEGImages。

①JPEGImages

JPEGImages文件夹中包含了PASCAL VOC所提供的所有的图片信息，包括了训练图片和测试图片。

这些图像都是以“年份_编号.jpg”格式命名的。

图片的像素尺寸大小不一，但是横向图的尺寸大约在500*375左右，纵向图的尺寸大约在375*500左右，基本不会偏差超过100。（在之后的训练中，第一步就是将这些图片都resize到300*300或是500*500，所有原始图片不能离这个标准过远。）

这些图像就是用来进行训练和测试验证的图像数据。

②Annotations

Annotations文件夹中存放的是xml格式的标签文件，每一个xml文件都对应于JPEGImages文件夹中的一张图片。

xml文件的具体格式如下：（对于2007_000392.jpg）

<annotation>  

    <folder>VOC2012</folder>                             

    <filename>2007_000392.jpg</filename>                               //文件名  

    <source>                                                           //图像来源（不重要）  

        <database>The VOC2007 Database</database>  

        <annotation>PASCAL VOC2007</annotation>  

        <image>flickr</image>  

    </source>  

    <size>                                               //图像尺寸（长宽以及通道数）                        

        <width>500</width>  

        <height>332</height>  

        <depth>3</depth>  

    </size>  

    <segmented>1</segmented>                                   //是否用于分割（在图像物体识别中01无所谓）  

    <object>                                                           //检测到的物体  

        <name>horse</name>                                         //物体类别  

        <pose>Right</pose>                                         //拍摄角度  

        <truncated>0</truncated>                                   //是否被截断（0表示完整）  

        <difficult>0</difficult>                                   //目标是否难以识别（0表示容易识别）  

        <bndbox>                                                   //bounding-box（包含左下角和右上角xy坐标）  

            <xmin>100</xmin>  

            <ymin>96</ymin>  

            <xmax>355</xmax>  

            <ymax>324</ymax>  

        </bndbox>  

    </object>  

    <object>                                                           //检测到多个物体  

        <name>person</name>  

        <pose>Unspecified</pose>  

        <truncated>0</truncated>  

        <difficult>0</difficult>  

        <bndbox>  

            <xmin>198</xmin>  

            <ymin>58</ymin>  

            <xmax>286</xmax>  

            <ymax>197</ymax>  

        </bndbox>  

    </object>  

</annotation>  

对应的图片为：

③ImageSets

ImageSets存放的是每一种类型的challenge对应的图像数据。

在ImageSets下有四个文件夹：

其中Action下存放的是人的动作（例如running、jumping等等，这也是VOC challenge的一部分）

Layout下存放的是具有人体部位的数据（人的head、hand、feet等等，这也是VOC challenge的一部分）

Main下存放的是图像物体识别的数据，总共分为20类。

Segmentation下存放的是可用于分割的数据。

在这里主要考察Main文件夹。

Main文件夹下包含了20个分类的***_train.txt、***_val.txt和***_trainval.txt。

这些txt中的内容都差不多如下：

前面的表示图像的name，后面的1代表正样本，-1代表负样本。

_train中存放的是训练使用的数据，每一个class的train数据都有5717个。

_val中存放的是验证结果使用的数据，每一个class的val数据都有5823个。

_trainval将上面两个进行了合并，每一个class有11540个。

需要保证的是train和val两者没有交集，也就是训练数据和验证数据不能有重复，在选取训练数据的时候 ，也应该是随机产生的。

④SegmentationClass和SegmentationObject

这两个文件夹下保存了物体分割后的图片，在物体识别中没有用到，在这里不做详细展开。

接下来需要研究的是如何自己生成训练数据和测试数据，将在下一篇中阐述。