https://github.com/facebookresearch/detectron2/blob/master/datasets/README.md
使用内置数据集
数据集可以通过进入detectron2.data package API（或者class name）的数据被使用，这个文档解释了如何设置内置的数据集，以便它们可以被上面的api使用，Use Custom Datasets（之后会翻译Use Custom Datasets）
https://detectron2.readthedocs.io/tutorials/datasets.html 更好地教我们怎么用数据目录和元数据目录，怎么为他们添加新的数据集
Detectron2已经对一些数据集提供了支持，假定这些数据集存在于由环境变量（DETECTRON2_DATASETS）特定的目录中，在这个目录下，如果需要的话，detectron2将会在如下描述的结构中搜寻数据：
$DETECTRON2_DATASETS/ coco/ lvis/ cityscapes/ VOC20{07,12}/
你可以通过export DETECTRON2_DATASETS=/path/to/datasets为内置的数据集设置位置，如果不设置的话，对你的当前的工作目录来讲，默认的为./datasets,
model zoo包含了使用这些内置数据集的配置和模型
COCO instance/keypoint detection的理想型数据集结构：
coco/ annotations/ instances_{train,val}2017.json person_keypoints_{train,val}2017.json {train,val}2017/ # image files that are mentioned in the corresponding json
你同样可以使用2014版本的数据集
一些内置的测试（dev/run_*_tests.sh）使用了你可以用(./prepare_for_tests.sh)下载的COCO数据集tiny版本
PanopticFPN(语义分割和实例分割的FCN和Mask R-CNN结合起来的全景分割研究)的理想型数据集结构：
coco/ annotations/ panoptic_{train,val}2017.json panoptic_{train,val}2017/ # png annotations panoptic_stuff_{train,val}2017/ # generated by the script mentioned below
通过以下指令安装panopticapi:
pip install git+https://github.com/cocodataset/panopticapi.git
接着，运行 python prepare_panoptic_fpn.py 从展示全景的注释（panoptic annotations）提取语义标注
大规模的词汇实例分割数据集（LVIS instance segmentation）的理想型数据集结构：
coco/ {train,val,test}2017/ lvis/ lvis_v0.5_{train,val}.json lvis_v0.5_image_info_test.json lvis_v1_{train,val}.json lvis_v1_image_info_test{,_challenge}.json
安装lvis-api：
pip install git+https://github.com/lvis-dataset/lvis-api.git
运行 python prepare_cocofied_lvis.py 评估使用 LVIS annotations 在COCO数据集上训练的模型来准备“COCO化”的 LVIS annotations
（城市环境中驾驶场景）cityscapes 的理想型数据集结构：
cityscapes/ gtFine/ train/ aachen/ color.png, instanceIds.png, labelIds.png, polygons.json, labelTrainIds.png ... val/ test/ # below are generated Cityscapes panoptic annotation cityscapes_panoptic_train.json cityscapes_panoptic_train/ cityscapes_panoptic_val.json cityscapes_panoptic_val/ cityscapes_panoptic_test.json cityscapes_panoptic_test/ leftImg8bit/ train/ val/ test/
安装cityscapes scripts ：
pip install git+https://github.com/mcordts/cityscapesScripts.git
注意：为了创造 labelTrainIds.png, 首先准备以上的结构，接着运行cityscapesescript with：
CITYSCAPES_DATASET=/path/to/abovementioned/cityscapes python cityscapesscripts/preparation/createTrainIdLabelImgs.py
实力分割不需要这些文件
注意：为了获得Cityscapes panoptic数据集，运行cityscapesescript with：
CITYSCAPES_DATASET=/path/to/abovementioned/cityscapes python cityscapesscripts/preparation/createPanopticImgs.py
语义（像素级别的分类）和实例分割（类的具体对象）不需要这些文件。（语义分割：人，实例分割：甲乙丙）
Pascal VOC期望的数据集结构：
VOC20{07,12}/ Annotations/ ImageSets/ Main/ trainval.txt test.txt # train.txt or val.txt, if you use these splits JPEGImages/
ADE20k Scene Parsing期望的数据集结构：
ADEChallengeData2016/ annotations/ annotations_detectron2/ images/ objectInfo150.txt
annotations_detectron2目录是通过运行 python prepare_ade20k_sem_seg.py 生成的。