在目标检测领域，有三种常用的数据集：

数据集	标注文件格式	bbox格式
voc	xml	xmin, ymin, xmax, ymax: bbox左上角(xmin, ymin)和右下角(xmax, ymax)的坐标
coco	json	x, y, w, h: bbox左上角坐标(x, y)以及宽(w)和高(h)
yolo	txt	xcenter, ycenter, w, h: bbox的中心x坐标(xcenter)、y坐标(ycenter)以及宽度(w)和高度(h) xcenter, w相对图片实际宽度W做了归一化，即：xcenter/W, w/W ycenter, h相对图片图片高度H做了归一化，即：ycenter/H, h/H

1. voc格式

1.1 文件结构

该文件结构指的是从 voc 官网下载的数据的文件结构（不同年份的数据集略有不同，但结构大致相同）。

VOCdevkit # 根目录

• VOCXXXX # 不同年份的数据集，目前有 2005 年到 2012 年的
  • Annotations # 存放 xml 格式的标注文件，与 JPEGImages 下的图片一一对应，每个 xml 文件都描述一张图片的信息
  • ImageSets # 存放的是 txt 文件，文件中每一行包含一张图片的名称以及 ±1 表示正负样本
    • Layout # 可用于检测人体部位的数据（train.txt 用于训练的图片、trainval.txt用于训练和验证的图片合集、val.txt 用于验证的图片，下同）
    • Main # 可用于目标检测的数据
    • Segmentation # 可用于图像分割的数据
  • JPEGImages # 存放图片
  • SegmentationClass # 存放按照类别分割的图片，可用于语义分割
  • SegmentationObject # 存放按照个体分割的图片，可用于实例分割

1.2 标注文件

voc格式的数据集使用 xml 文件标注图片及其bbox信息，一张图片对应个xml文件，以 Main 中其中一个xml文件的部分内容为例：

<annotation><folder>VOC2007</folder>  <!--图片所在文件夹（实际用不到）--><filename>000005.jpg</filename> <!--图片文件名--><source> <!--图片来源--><database>The VOC2007 Database</database><annotation>PASCAL VOC2007</annotation><image>flickr</image><flickrid>325991873</flickrid></source><owner> <!--图片拥有者--><flickrid>archintent louisville</flickrid><name>?</name></owner><size> <!--图片宽度、高度、通道数量--><width>500</width><height>375</height><depth>3</depth></size><segmented>0</segmented> <!--是否用于分割--><object> <!--标注目标1--><name>chair</name> <!--物体类别--><pose>Rear</pose> <!--拍摄角度： front, rear, left, right, unspecified--><truncated>0</truncated> <!--目标是否被截断--><difficult>0</difficult> <!--检测难易程度--><bndbox> <!--标注目标1的 bbox--><xmin>263</xmin><ymin>211</ymin><xmax>324</xmax><ymax>339</ymax></bndbox></object><object> <!--标注目标2的 bbox--><name>chair</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>165</xmin><ymin>264</ymin><xmax>253</xmax><ymax>372</ymax></bndbox></object><!--其余标注信息结构同上-->
</annotation>

2. coco格式

2.1 文件结构

该文件结构指的是从 coco 官网下载的数据的文件结构。

• annotations_XXXX # 存放 json 格式的标注文件，一个 json 文件里面包含了多张图片的相关信息
  • annotations
    • caption_xxxx.json # 存储图像标注用于描述图像
    • instances_xxxx.json # 用于目标检测的标注信息
    • person_keypoints_xxxx.json # 目标上的关键点信息
• trainXXX # 存放训练集图片
• valXXXX # 存放验证集图片

2.2 标注文件

coco格式的数据集使用 json 文件标注图片及其 bbox 信息，与voc格式一张图片对应一个xml文件不同，coco格式中一个 json 文件里面存放了若干张图片的信息。以 instances_xxxx.json 中的部分内容为例：

{"info": { #数据集描述信息"description": "COCO 2017 Dataset", # 数据集描述"url": "http://cocodataset.org", # 数据集地址"version": "1.0", # 数据集版本"year": 2017, # 数据集年份"contributor": "COCO Consortium", # 数据集提供者"date_created": "2017/09/01" # 数据集创建日期},"licenses": [ # 许可协议{"url": "http://creativecommons.org/licenses/by-nc-sa/2.0/", # 协议链接"id": 1, # 协议 id ，下面将会用到"name": "Attribution-NonCommercial-ShareAlike License" # 协议名称}# 其他许可协议格式同上],"images": [ # 图片信息{"license": 4, # 使用的许可协议"file_name": "000000397133.jpg", # 图片文件名"coco_url": "http://images.cocodataset.org/val2017/000000397133.jpg", # 图片在 coco 上的url"height": 427, # 图片高度"width": 640, # 图片宽度"date_captured": "2013-11-14 17:02:52", # 图片获取日期"flickr_url": "http://farm7.staticflickr.com/6116/6255196340_da26cf2c9e_z.jpg", 图片在 flickr 上的url"id": 397133 # 图片 id}# 其他图片信息格式同上],"annotations": [ # 标注信息{"segmentation": [ # 实例分割时的边界点坐标[x1, y1, x2, y2 …… xn, yn][510.66,423.01,……,510.45,423.01]],"area": 702.1057499999998, # 区域面积"iscrowd": 0, # 目标是否被遮盖"image_id": 289343, # 标注所在的图片的 id 编号（与上面 images 中的对应）"bbox": [ # bbox框 [左上角x, 左上角y, 宽度, 高度]473.07,395.93,38.65,28.67],"category_id": 18, # 被标注物体对应的类别 id 编号（与下面 categories 中的对应）"id": 1768 # 该标注的 id 编号（唯一）}# 其他标注信息格式同上],"categories": [ # 类别描述{"supercategory": "person", # 该类别所属的大类"id": 1, # 类别 id 编号"name": "person" # 类别名字}# 其他标注信息格式同上]
}

3. yolo格式

3.1 文件结构

使用yolo时，默认的文件结构如下（不同数据集会略有不同，但结构大致相同）：

XXXX # 根目录，视使用的数据集决定

• images # 存放图片，已划分为训练集、验证集、测试集（部分数据集无测试集）
  • train
  • val
  • test
• labels # 存放的是 txt 文件，每个txt文件对应一张图片，文件中每一行包含一个bbox的相关信息
  • train
  • val
  • test

3.2 标注文件

yolo格式的数据集使用 txt 文件标注图片bbox信息，一张图片对应一个txt文件，txt文件中的每一行都标注了一个bbox的相关信息。标注格式如下：

<类别索引> <bbox的中心x坐标> <bbox的中心y坐标> <bbox的宽度> <bbox的高度>

• 信息之间以空格分割
• bbox的中心xy坐标以及宽度、高度都相对于图片的实际宽度W和高度H做了归一化

以其中一个txt文件的部分内容为例：

45 0.479492 0.688771 0.955609 0.5955
# 标注目标1的 bbox的类别索引是45，中心x坐标是0.479492， 中心y坐标是0.688771， 宽度是0.955609， 高度是0.5955
45 0.736516 0.247188 0.498875 0.476417
# 标注目标2的 bbox
# 其余标注信息结构同上