代碼：轉換用的代碼放在這里
之前用Tensorflow提供的object detection API可以很方便的進行fine-tuning實現所需的特定物體檢測模型（看這里）。那么現在的主要問題就是數據集了，目前公開的數據集已經有很多了，比如綜合的有MSCOCO， ImageNet；人臉的有LFW，CASIA，CelebV等；行人檢測的有Caltech，KITTI等；姿勢檢測的VGG，還有其他等等（具體按分類可以參考下這個）。總之這個數據集資源的總結有很多，在google或者github上搜下有一大堆，這里就不具體介紹了。
1. COCO數據集
這里用到的數據集是object instance/keypoints數據集，用於之后的物體檢測和姿勢檢測，可以在這里進行下載，也可以用git上coco項目提供的api。
一開始的做法是下載train2014和val2014圖片數據集，然后根據instance/keypoints annotation (json)文件根據圖片名從中匹配出所需的圖片。不過后來發現annotation中的鏈接不一定能在下載的數據集里面找到，需要自行下載，所以最后的做法是直接從annotation文件中提取圖片名跟下載鏈接然后下載進行匹配。coco比Imagenet好的一點是除了圖片flickr鏈接之外還提供了coco源的鏈接（比如：http://mscoco.org/images/472），前者在開幾個線程爬取圖片的時候很可能會被封，后者就隨意多了，爬取速度可以很快。
使用:
MSCOCO數據集的注釋說明很清楚，轉換腳本很容易寫。用上面的庫里的anno_json_image_urls.py從annotation文件獲取圖片鏈接，然后用download_coco_images.py下載圖片以及anno_coco2voc.py生產voc格式的xml注釋文件。
2. Caltech pedestrian數據集
這個數據集提供的圖片文件存在seq中，注釋文件是vbb（是這群dalao用matlab寫的），開始還以為需要用matlab進行處理了，不過后來發現用scipy.io.loadmat函數可以讀取vbb文件，用opencv的cv2.VideoCapture()可以讀取seq，那么就可以直接用python來轉換而非matlab。當然如果對matlab很熟的話，可以直接用官方提供的toolbox。
不過這個數據集的annotation文件的說明文檔我好像沒有找到，所以vbb文件的數據格式並不是很清楚，通過直接加載以后查看能夠知道里面提供了一大堆字段比如id（類型：person，people, person-far這種），pos（位置，就是我們需要的），occl（是否遮擋，可能有用），lock， posv（這兩個不太清楚是啥也沒怎么查到，有人查到可以留言下哈）。
使用：
用上面庫里的vbb2voc腳本可以將下載的seq和vbb文件轉換成jpg和xml文件(不過這個數據集的下載有點麻煩，可能需要翻牆)。