之前有在Bilibili上简单介绍过这个数据集，但一直没有写博文，今天抽空总结下，如果不想看文章的，可以看下我在Bilibili上的讲解视频。
Pascal VOC2012数据集详解视频:
https://b23.tv/F1kSCK
Pascal VOC2012官网地址：
http://host.robots.ox.ac.uk/pascal/VOC/voc2012/
官方发表关于介绍数据集的文章 《The PASCALVisual Object Classes Challenge: A Retrospective》：
http://host.robots.ox.ac.uk/pascal/VOC/pubs/everingham15.pdf
1 简介
PASCAL VOC挑战赛 （The PASCAL Visual Object Classes ）是一个世界级的计算机视觉挑战赛，PASCAL全称：Pattern Analysis, Statical Modeling and Computational Learning，是一个由欧盟资助的网络组织。PASCAL VOC挑战赛主要包括以下几类：
图像分类(Object Classification)
，
目标检测(Object Detection)
，
目标分割(Object Segmentation)
，
行为识别(Action Classification)
等。
-
图像分类与目标检测任务
-
分割任务，注意，图像分割一般包括语义分割、实例分割和全景分割，实例分割是要把每个单独的目标用一种颜色表示（下图中间的图像），而语义分割只是把同一类别的所有目标用同一颜色表示（下图右侧的图片）。
-
行为识别任务
-
人体布局检测任务
2 Pascal VOC数据集目标类别
在Pascal VOC数据集中主要包含20个目标类别，下图展示了所有类别的名称以及所属超类。
3 数据集下载与目录结构
下载地址：
http://host.robots.ox.ac.uk/pascal/VOC/voc2012/index.html#devkit
打开链接后如下图所示，只用下载
training/validation data (2GB tar file)
文件即可。
下载后将文件进行解压，解压后的文件目录结构如下所示：
VOCdevkit
└── VOC2012
├── Annotations 所有的图像标注信息(XML文件)
├── ImageSets
│ ├── Action 人的行为动作图像信息
│ ├── Layout 人的各个部位图像信息
│ │
│ ├── Main 目标检测分类图像信息
│ │ ├── train.txt 训练集(5717)
│ │ ├── val.txt 验证集(5823)
│ │ └── trainval.txt 训练集+验证集(11540)
│ │
│ └── Segmentation 目标分割图像信息
│ ├── train.txt 训练集(1464)
│ ├── val.txt 验证集(1449)
│ └── trainval.txt 训练集+验证集(2913)
│
├── JPEGImages 所有图像文件
├── SegmentationClass 语义分割png图（基于类别）
└── SegmentationObject 实例分割png图（基于目标）
注意，
train.txt
、
val.txt
和
trainval.txt
文件里记录的是对应标注文件的索引，每一行对应一个索引信息。如下图所示：
4 目标检测任务
接下来简单介绍下如何使用该数据集中目标检测的数据。
-
首先在Main文件中，读取对应的txt文件（注意，在
Main
文件夹里除了
train.txt
、
val.txt
和
trainval.txt
文件外，还有针对每个类别的文件，例如
bus_train.txt
、
bus_val.txt
和
bus_trainval.txt
）。比如使用
train.txt
中的数据进行训练，那么读取该txt文件，解析每一行。上面说了每一行对应一个标签文件的索引。
├── Main 目标检测分类图像信息
│ ├── train.txt 训练集(5717)
│ ├── val.txt 验证集(5823)
│ └── trainval.txt 训练集+验证集(11540)
-
接着通过索引在
Annotations
文件夹下找到对应的标注文件（.xml）。比如索引为
2007_000323
，那么在
Annotations
文件夹中能够找到
2007_000323.xml
文件。如下图所示，在标注文件中包含了所有需要的信息，比如
filename
，通过在字段能够在
JPEGImages
文件夹中能够找到对应的图片。
size
记录了对应图像的宽、高以及channel信息。每一个
object
代表一个目标，其中的
name
记录了该目标的名称，
pose
表示目标的姿势（朝向），
truncated
表示目标是否被截断（目标是否完整），
difficult
表示该目标的检测难易程度（0代表简单，1表示困难），
bndbox
记录了该目标的边界框信息。
-
接着通过在标注文件中的
filename
字段在
JPEGImages
文件夹中找到对应的图片。比如在
2007_000323.xml
文件中的
filename
字段为
2007_000323.jpg
，那么在
JPEGImages
文件夹中能够找到
2007_000323.jpg
文件。
5 语义分割任务
接下来简单介绍下如何使用该数据集中语义分割的数据。
-
首先在Segmentarion文件中，读取对应的txt文件。比如使用
train.txt
中的数据进行训练，那么读取该txt文件，解析每一行，每一行对应一个图像的索引。
└── Segmentation 目标分割图像信息
├── train.txt 训练集(1464)
├── val.txt 验证集(1449)
└── trainval.txt 训练集+验证集(2913)
-
根据索引在
JPEGImages
文件夹中找到对应的图片。还是以
2007_000323
为例，可以找到
2007_000323.jpg
文件。
-
根据索引在
SegmentationClass
文件夹中找到相应的标注图像（.png）。还是以
2007_000323
为例，可以找到
2007_000323.png
文件。
注意，在语义分割中对应的标注图像（.png）用PIL的
Image.open()
函数读取时，默认是
P
模式，即一个单通道的图像。在背景处的像素值为0，目标边缘处用的像素值为255(训练时一般会忽略像素值为255的区域)，目标区域内根据目标的类别索引信息进行填充，例如人对应的目标索引是15，所以目标区域的像素值用15填充。
6 实例分割任务
-
同样首先在Segmentarion文件中，读取对应的txt文件。比如使用
train.txt
中的数据进行训练，那么读取该txt文件，解析每一行，每一行对应一个图像的索引。
└── Segmentation 目标分割图像信息
├── train.txt 训练集(1464)
├── val.txt 验证集(1449)
└── trainval.txt 训练集+验证集(2913)
-
根据索引在
JPEGImages
文件夹中找到对应的图片。这里以
2007_000032
为例，可以找到
2007_000032.jpg
文件，如下图所示。
-
再根据索引在
SegmentationObject
文件夹中找到相应的标注图像（.png）。还是以
2007_000032
为例，可以找到
2007_000032.png
文件。
注意，在实例分割中对应的标注图像（.png）用PIL的
Image.open()
函数读取时，默认是
P
模式，即一个单通道的图像。在背景处的像素值为0，目标边缘处或需要忽略的区域用的像素值为255(训练时一般会忽略像素值为255的区域)。然后在
Annotations
文件夹中找到对应的xml文件，解析xml文件后会得到每个目标的信息，而对应的标注文件（.png）的每个目标处的像素值是按照xml文件中目标顺序排列的。如下图所示，xml文件中每个目标的序号是与标注文件（.png）中目标像素值是对应的。
7 类别索引与名称对应关系
下面给出在Pascal VOC数据集中各目标类别名称与类别索引对应关系：
{
"background": 0,
"aeroplane": 1,
"bicycle": 2,
"bird": 3,
"boat": 4,
"bottle": 5,
"bus": 6,
"car": 7,
"cat": 8,
"chair": 9,
"cow": 10,
"diningtable": 11,
"dog": 12,
"horse": 13,
"motorbike": 14,
"person": 15,
"pottedplant": 16,
"sheep": 17,
"sofa": 18,
"train": 19,
"tvmonitor": 20
}