PASCAL VOC數據集分析（轉）

PASCAL VOC數據集分析

PASCAL VOC為圖像識別和分類提供了一整套標准化的優秀的數據集，從2005年到2012年每年都會舉行一場圖像識別challenge。

本文主要分析PASCAL VOC數據集中和圖像中物體識別相關的內容。

 

在這里采用PASCAL VOC2012作為例子。下載地址為：點擊打開鏈接。（本文中的系統環境為ubuntu14.04）

下載完之后解壓，可以在VOCdevkit目錄下的VOC2012中看到如下的文件：

其中在圖像物體識別上着重需要了解的是Annotations、ImageSets和JPEGImages。

①JPEGImages

 

JPEGImages文件夾中包含了PASCAL VOC所提供的所有的圖片信息，包括了訓練圖片和測試圖片。

這些圖像都是以“年份_編號.jpg”格式命名的。

圖片的像素尺寸大小不一，但是橫向圖的尺寸大約在500*375左右，縱向圖的尺寸大約在375*500左右，

基本不會偏差超過100。（在之后的訓練中，第一步就是將這些圖片都resize到300*300或是500*500，所有原始圖片不能離這個標准過遠。）

這些圖像就是用來進行訓練和測試驗證的圖像數據。

②Annotations

Annotations文件夾中存放的是xml格式的標簽文件，每一個xml文件都對應於JPEGImages文件夾中的一張圖片。

xml文件的具體格式如下：（對於2007_000392.jpg）

<annotation>
    <folder>VOC2012</folder>
    <filename>2007_000392.jpg</filename>                               //文件名
    <source>                                                           //圖像來源（不重要）
        <database>The VOC2007 Database</database>
        <annotation>PASCAL VOC2007</annotation>
        <image>flickr</image>
    </source>
    <size>                                               //圖像尺寸（長寬以及通道數）
        <width>500</width>
        <height>332</height>
        <depth>3</depth>
    </size>
    <segmented>1</segmented>                                   //是否用於分割（在圖像物體識別中01無所謂）
    <object>                                                           //檢測到的物體
        <name>horse</name>                                         //物體類別
        <pose>Right</pose>                                         //拍攝角度
        <truncated>0</truncated>                                   //是否被截斷（0表示完整）
        <difficult>0</difficult>                                   //目標是否難以識別（0表示容易識別）
        <bndbox>                                                   //bounding-box（包含左下角和右上角xy坐標）
            <xmin>100</xmin>
            <ymin>96</ymin>
            <xmax>355</xmax>
            <ymax>324</ymax>
        </bndbox>
    </object>
    <object>                                                           //檢測到多個物體
        <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>

對應的圖片為：

 

③ImageSets

ImageSets存放的是每一種類型的challenge對應的圖像數據。

在ImageSets下有四個文件夾：

其中Action下存放的是人的動作（例如running、jumping等等，這也是VOC challenge的一部分）

Layout下存放的是具有人體部位的數據（人的head、hand、feet等等，這也是VOC challenge的一部分）

Main下存放的是圖像物體識別的數據，總共分為20類。

Segmentation下存放的是可用於分割的數據。

在這里主要考察Main文件夾。

Main文件夾下包含了20個分類的***_train.txt、***_val.txt和***_trainval.txt。

這些txt中的內容都差不多如下：

前面的表示圖像的name，后面的1代表正樣本，-1代表負樣本。

_train中存放的是訓練使用的數據，每一個class的train數據都有5717個。

_val中存放的是驗證結果使用的數據，每一個class的val數據都有5823個。

_trainval將上面兩個進行了合並，每一個class有11540個。

需要保證的是train和val兩者沒有交集，也就是訓練數據和驗證數據不能有重復，在選取訓練數據的時候 ，也應該是隨機產生的。

 

④SegmentationClass和SegmentationObject

這兩個文件夾下保存了物體分割后的圖片，在物體識別中沒有用到，在這里不做詳細展開。

接下來需要研究的是如何自己生成訓練數據和測試數據，將在下一篇中闡述。

 

轉自：http://blog.csdn.net/zhangjunbob/article/details/52769381