PASCAL VOC 2012 数据集详解

{TOC}

在目标检测中，如果对数据不了解，在数据集处理这块有时候会看得云里雾里。比如

1. trainval 这个词到底指什么
2. 标签中的 bbox 中的 ymax, xmax, ymin, xmin 取值范围是多少，如何计算的？
3. 图片与标签是如何关联起来的等等

本文的目的：

1. 明白数据集是如何组织的
2. TensorFlow 是如何对数据做处理的。

数据集详解

在目标检测中，主要用到了 Annotations，ImageSets，JPEGImages

其中 ImageSets/Main/ 保存了具体数据集的索引，Annotations 保存了标签数据， JPEGImages 保存了图片内容。

ImageSets

ImageSets/Main/ 文件夹以 , {class}_trainval.txt {class}_val.txt 的格式命名。 train.txt val.txt 例外

包括 Action，Layout，Main，Segmentation 四个文件夹

1. Action：存放的是人的动作（例如running、jumping等等，这也是VOC challenge的一部分）
2. Layout：存放的是具有人体部位的数据（人的head、hand、feet等等，这也是VOC challenge的一部分
3. Main：存放的是图像物体识别的数据，总共分为20类。
4. Segmentation：存放的是可用于分割的数据。

ImageSets/Main/ 文件夹以 , {class}_trainval.txt {class}_val.txt 的格式命名。 train.txt val.txt 例外

aeroplane_train.txt
aeroplane_trainval.txt
aeroplane_val.txt
bicycle_train.txt
bicycle_trainval.txt
bicycle_val.txt
bird_train.txt
bird_trainval.txt
bird_val.txt
boat_train.txt
boat_trainval.txt
boat_val.txt
bottle_train.txt
bottle_trainval.txt
bottle_val.txt
bus_train.txt
bus_trainval.txt
bus_val.txt
car_train.txt
car_trainval.txt
car_val.txt
cat_train.txt
cat_trainval.txt
cat_val.txt
chair_train.txt
chair_trainval.txt
chair_val.txt
cow_train.txt
cow_trainval.txt
cow_val.txt
diningtable_train.txt
diningtable_trainval.txt
diningtable_val.txt
dog_train.txt
dog_trainval.txt
dog_val.txt
horse_train.txt
horse_trainval.txt
horse_val.txt
motorbike_train.txt
motorbike_trainval.txt
motorbike_val.txt
person_train.txt
person_trainval.txt
person_val.txt
pottedplant_train.txt
pottedplant_trainval.txt
pottedplant_val.txt
sheep_train.txt
sheep_trainval.txt
sheep_val.txt
sofa_train.txt
sofa_trainval.txt
sofa_val.txt
train.txt
train_train.txt
train_trainval.txt
train_val.txt
trainval.txt
tvmonitor_train.txt
tvmonitor_trainval.txt
tvmonitor_val.txt
val.txt

1. {class}_train.txt 保存类别为 class 的训练集的所有索引，每一个 class 的 train 数据都有 5717 个。
2. {class}_val.txt 保存类别为 class 的验证集的所有索引，每一个 class 的val数据都有 5823 个
3. {class}_trainval.txt 保存类别为 class 的训练验证集的所有索引，每一个 class 的val数据都有11540 个

每个文件包含内容为

2011_003194 -1
2011_003216 -1
2011_003223 -1
2011_003230  1
2011_003236  1
2011_003238  1
2011_003246  1
2011_003247  0
2011_003253 -1
2011_003255  1
2011_003259  1
2011_003274 -1
2011_003276 -1

注：1代表正样本，-1代表负样本。

VOC2012/ImageSets/Main/train.txt 保存了所有训练集的文件名，从 VOC2012/JPEGImages/ 找到文件名对应的图片文件。VOC2012/Annotations/ 找到文件名对应的标签文件

VOC2012/ImageSets/Main/val.txt 保存了所有验证集的文件名，从 VOC2012/JPEGImages/ 找到文件名对应的图片文件。VOC2012/Annotations/ 找到文件名对应的标签文件

读取 JPEGImages 和 Annotation 文件转换为 tf 的 Example 对象，写入 {train|test}{index}_of{num_shard} 文件。每个文件写的 Example 的数量为 total_size/num_shard。（不同数据集可以适当调节 num_shard 来控制每个输出文件的大小）

Annotations

文件夹中文件以 {id}.xml (id 保存在 VOC2012/ImageSets/Main/文件夹 ) 格式命名的 xml 文件，保存如下关键信息

1. 物体 label : name ，如下例子为 person
2. 图片尺寸： depth, height, width
3. 物体 bbox : bndbox 下 xmax, xmin, ymax, ymin

    <annotation>
        <filename>2009_001137.jpg</filename>
        <folder>VOC2012</folder>
        <object>
            <name>person</name>
            <bndbox>
                <xmax>355</xmax>
                <xmin>187</xmin>
                <ymax>334</ymax>
                <ymin>121</ymin>
            </bndbox>
            <difficult>0</difficult>                //目标是否难以识别（0表示容易识别）
            <occluded>0</occluded>
            <pose>Unspecified</pose>                //拍摄角度
            <truncated>0</truncated>                //是否被截断（0表示完整）
        </object>
        <object>
            <name>pottedplant</name>
            <bndbox>
                <xmax>500</xmax>
                <xmin>376</xmin>
                <ymax>261</ymax>
                <ymin>1</ymin>
            </bndbox>
            <difficult>0</difficult>
            <occluded>1</occluded>
            <pose>Unspecified</pose>
            <truncated>1</truncated>
        </object>
        <segmented>1</segmented>
        <size>
            <depth>3</depth>
            <height>334</height>
            <width>500</width>
        </size>
        <source>
            <annotation>PASCAL VOC2009</annotation>
            <database>The VOC2009 Database</database>
            <image>flickr</image>
        </source>
    </annotation>

JPEGImages

以 2009_001137.jpg 为例，解码之后获取 image_data（图片内容的二进制)，height, width

数据集转换为 TF Record

以上面例子为例，最终的 TFRecord 为

TF Example 
{
'filename' : 'VOC{year}/JPEGImages/{id}.jpg'
'height' :  height
'width' :   width
'classes' : [classes.index(person), classes.index(person)]
'y_mins' : [float(121)/334, float(1)/334]  # 各个 object 的  ymin
'x_mins' : [float(187)/500, float(376)/500]
'y_maxes' : [float(334)/334, float(261)/334]
'x_maxes' : [ float(355)/500, float(500)/500]
'encoded' : '图片内容二进制'
}

其中

classes = [
    "aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat",
    "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person",
    "pottedplant", "sheep", "sofa", "train", "tvmonitor"
]

注：difficult = 1 的直接跳过，不进行处理。

以上为将一张图片及标签转为 TF Example，对于整个数据集，依次遍历数据集即可。