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。該挑戰的主要目的是識別真實場景中一些類別的物體。在該挑戰中，這是一個監督學習的問題，訓練集以帶標簽的圖片的形式給出。這些物體包括20類：
Person: person
Animal: bird, cat, cow, dog, horse, sheep
Vehicle: aeroplane, bicycle, boat, bus, car, motorbike, train
Indoor: bottle, chair, dining table, potted plant, sofa, tv/monitor
該挑戰主要包括三類任務：分類（classification），檢測（detection），和分割（segmentation） 所有的標注圖片都有Detection需要的label， 但只有部分數據有Segmentation Label。
VOC2007中包含9963張標注過的圖片， 由train/val/test三部分組成， 共標注出24,640個物體。
VOC2007的test數據label已經公布， 之后的沒有公布（只有圖片，沒有label）。 對於檢測任務，VOC2012的trainval/test包含08-11年的所有對應圖片。
trainval有11540張圖片共27450個物體。 對於分割任務， VOC2012的trainval包含07-11年的所有對應圖片， test只包含08-11。trainval有 2913張圖片共6929個物體。
在這里采用PASCAL VOC2012作為例子。下載地址為：點擊打開鏈接。
下載完之后解壓，可以在VOCdevkit目錄下的VOC2012中看到如下的文件夾：
JPEGImages
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。一共9963張圖片。
這些圖像都是以“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500375左右，縱向圖的尺寸大約在375500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300300或是500500，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。
Annotations
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。
1 <annotation> 2 <folder>VOC2007</folder> 3 <filename>000xxx.jpg</filename> //文件名 4 <source> //圖像來源（不重要） 5 <database>The VOC2007 Database</database> 6 <annotation>PASCAL VOC2007</annotation> 7 <image>flickr</image> 8 </source> 9 <size> //圖像尺寸（長寬以及通道數） 10 <width>500</width> 11 <height>332</height> 12 <depth>3</depth> 13 </size> 14 <segmented>1</segmented> //是否用於分割（在圖像物體識別中01無所謂） 15 <object> //檢測到的物體 16 <name>horse</name> //物體類別 17 <pose>Right</pose> //拍攝角度 18 <truncated>0</truncated> //是否被截斷（0表示完整） 19 <difficult>0</difficult> //目標是否難以識別（0表示容易識別） 20 <bndbox> //bounding-box（包含左下角和右上角xy坐標） 21 <xmin>100</xmin> 22 <ymin>96</ymin> 23 <xmax>355</xmax> 24 <ymax>324</ymax> 25 </bndbox> 26 </object> 27 <object> //檢測到多個物體 28 <name>person</name> 29 <pose>Unspecified</pose> 30 <truncated>0</truncated> 31 <difficult>0</difficult> 32 <bndbox> 33 <xmin>198</xmin> 34 <ymin>58</ymin> 35 <xmax>286</xmax> 36 <ymax>197</ymax> 37 </bndbox> 38 </object> 39 </annotation>
ImageSets
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：
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2501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2510個。
_trainval將上面兩個進行了合並，每一個class有5011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。
---------------------
REF：https://blog.csdn.net/zw__chen/article/details/82856231