上期介紹了VOC數(shù)據(jù)集的一些基本知識，相信有需要的小伙伴已經下載從百度網盤下載了VOC的數(shù)據(jù)。今天筆者就帶領大家一起對VOC進行深入的研究和學習。
【題外話：有的人可能認為第一篇文章太過于簡單，干貨不夠。但是筆者認為，要想掌握一門知識，合理的知識陡峭程序很重要。如果一上來筆者直接介紹VOC數(shù)據(jù)在各類模型中的使用，恐怕對于剛剛接觸到VOC的小伙伴們來說簡直是如墜云里霧里。所以筆者堅持由簡單到復雜，希望給大家?guī)韺崒嵲谠诘膸椭?/p>
下面全部的操作都是在Win10中。
1.VOC數(shù)據(jù)集
下載下來的VOC數(shù)據(jù)如下圖所示：
可以看到，分為3個獨立的tar壓縮文件，分別是VOCtest_06-Nov-2007.tar，VOCtrainval_06-Nov-2007.tar和VOCtrainval_11-May-2012.tar。
VOCtest_06-Nov-2007.tar：測試集合（2007）
VOCtrainval_06-Nov-2007.tar：訓練集合和驗證集合（2007）
VOCtrainval_11-May-2012.tar：訓練集合和驗證集合（2012）
【注意：這里并沒有缺少文件，根據(jù)官方的說法，VOC2012是沒有提供測試集的，即沒有test集合】
好了，下面我們把這3個tar文件解壓到該文件夾下。這里有個小技巧，選中全部的3個tar，然后選擇解壓到當前文件夾下。
（1）選中3個tar->（2）右鍵解壓到當前文件夾（X） 【注意:這里不要選解壓每個壓縮文件到到單獨的文件夾(s)】
因為本身VOC的數(shù)據(jù)集也不是很大，幾分鐘就可以解壓完畢。
好了，這個VOCdevkit就是我們需要的。為了看起來清爽，這里我們可以直接把下面的3個tar壓縮文件刪除了。其實也是筆者一直倡導的理念，學習不僅要知其然，更要知其所以然。這里我們的目的就是為了得到解壓后的VOC數(shù)據(jù)庫，顯然tar就不再需要了。所以明白每一步其實很重要，而不是機械的生搬硬套。我們只保留VOCdevkit文件夾即可。
OK，終于得到她！讓我們一睹芳容。
VOC2007：2007年發(fā)布的VOC數(shù)據(jù)集
VOC2012：2012年發(fā)布的VOC數(shù)據(jù)集
這里我們以VOC2007為例，來看一下到底VOC數(shù)據(jù)集包含哪些部分？
（1）Annotations:標注信息。這里所謂的標注信息，實際上是圖片中物體（instances）的位置坐標和。文件的形式是xml，并且是1個xml和1張圖片相對應。
一共有9963個xml文件，意味著會有9963張圖片，也即VOC2007全部的數(shù)據(jù)集有9963張。
打開其中的任意一個xml，比如000001.xml
這里有很多的干貨，這里我們逐一來解析：
首先，該xml文件是以<annotation> 開頭，</annotation>結尾的。在<annotation> ...</annotation>包裹的范圍內，
有如下幾個關鍵的信息：
<size>:代表圖片的分辨率，以該xml為例，對應的圖片寬度是353pixel，高度是500pixel，通道數(shù)是3.
<object>:代表物體，里面有name，pose和bndbox。其中比較重要的是name和bndbox。name是指物體屬于的類別，bndbox是標注框的信息
? ? ? ? ? ? ? ?顯然這里的xml里面有2個物體（instances），分別是dog和person。
? ? ? ? ? ? ? ? 以dog的bndbox為例：
? ??????????????<bndbox>
????????????????????????????????<xmin>48</xmin>
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?<ymin>240</ymin>
????????????????????????????????<xmax>195</xmax>
????????????????????????????????<ymax>371</ymax>
????????????????</bndbox>
xmin和ymin構成了bndbox的左上角,xmax和ymax構成了bndbox的右下角。那么有人肯定要問了：什么是bndbox？
其實bndbox是boundingbox縮寫，深度學習的模型檢測出了目標之后，會畫一個框框，標定這個框內的東西，認為是一個object。
例如：
上面我們說到，00001.xml這個標注文件對應的圖片中有2個instances，分別是dog和person。那么我們現(xiàn)在來看下，是不是這樣的。
首先我們先找到這張圖片，請大家記住，VOC數(shù)據(jù)集中，圖片的名稱和xml文件的名稱是一致的，除了后綴名不一樣。例如這里的000001.xml，其對應的圖片是：000001.jpg
經過觀察，該圖片中確實如xml中描述的那樣，有2個instances，分別是person和dog。
（2）ImageSets：
????????Layout下存放的是具有人體部位的數(shù)據(jù)（人的head、hand等）
????????Segmentation下存放的是可用于分割的數(shù)據(jù)。
????????Main下存放的是圖像物體識別的數(shù)據(jù)，總共分為20類。
????????我們主要關注Main下面的文件.
可以看到，在Main下有很多的txt文件，一共是再仔細觀察會發(fā)現(xiàn)，每個類別有4個txt文件，比如aeroplane（飛機）就有4個txt文件，
分別是:aeroplane_test.txt/aeroplane_train.txt/aeroplane_trainval.txt/aeroplane_val.txt
其他的，比如bicycle，也是有4個txt。
我們來看下：aeroplane_trainval.txt
1代表正樣本,-1代表負樣本
由于VOC一共有20個類別，所以這里的4*20=80。那么另外的4個txt是什么呢？
其實是train.txt/val.txt/trainval.txt/test.txt,里面記錄的是訓練和驗證以及測試的樣本的名稱。
