目标检测数据集PASCAL VOC简介

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。

很多优秀的计算机视觉模型比如分类,定位,检测,分割,动作识别等模型都是基于PASCAL VOC挑战赛及其数据集上推出的,尤其是一些目标检测模型(比如大名鼎鼎的R CNN系列,以及后面的YOLO,SSD等)。

PASCAL VOC从2005年开始举办挑战赛,每年的内容都有所不同,从最开始的分类,到后面逐渐增加检测,分割,人体布局,动作识别(Object Classification 、Object Detection、Object Segmentation、Human Layout、Action Classification)等内容,数据集的容量以及种类也在不断的增加和改善。该项挑战赛催生出了一大批优秀的计算机视觉模型(尤其是以深度学习技术为主的)。

1523021796702

1523021824909

1523021854631

我们知道在 ImageNet挑战赛上涌现了一大批优秀的分类模型,而PASCAL挑战赛上则是涌现了一大批优秀的目标检测和分割模型,这项挑战赛已于2012年停止举办了,但是研究者仍然可以在其服务器上提交预测结果以评估模型的性能。

虽然近期的目标检测或分割模型更倾向于使用MS COCO数据集,但是这丝毫不影响 PASCAL VOC数据集的重要性,毕竟PASCAL对于目标检测或分割类型来说属于先驱者的地位。对于现在的研究者来说比较重要的两个年份的数据集是 PASCAL VOC 2007 与 PASCAL VOC 2012,这两个数据集频频在现在的一些检测或分割类的论文当中出现。

  • PASCAL主页排行榜 (榜上已几乎看不到传统的视觉模型了,全是基于深度学习的)

  • PASCAL VOC 2007 挑战赛主页PASCAL VOC 2012 挑战赛主页PASCAL VOC Evaluation Server.

  • 以及在两个重要时间点对 PASCAL VOC挑战赛 成绩进行总结的两篇论文

    • The PASCAL Visual Object Classes Challenge: A Retrospective

      Everingham, M., Eslami, S. M. A., Van Gool, L., Williams, C. K. I., Winn, J. and Zisserman, A.
      International Journal of Computer Vision, 111(1), 98-136, 2015
      Bibtex source | Abstract | PDF

      主要总结PASCAL VOC 2012的数据集情况,以及2011年-2013年之间出现的模型及其性能对比

    • The PASCAL Visual Object Classes (VOC) Challenge
      Everingham, M., Van Gool, L., Williams, C. K. I., Winn, J. and Zisserman, A.
      International Journal of Computer Vision, 88(2), 303-338, 2010
      Bibtex source | Abstract | PDF

      主要总结PASCAL VOC 2007的数据集情况,以及2008年之前出现的模型及其性能对比

    • 不过在以上论文中出现的深度学习模型只有一个 R-CNN吧,大部分都是传统方式的模型,毕竟深度学习模型主要在14年以后才大量涌现。

本文也是以PASCAL VOC 2007 和 2012 为例简要介绍VOC数据集的结构。

1 数据集整体概况

1.1 层级结构

PASCAL VOC 数据集的20个类别及其层级结构:

1522997065951

  • 从2007年开始,PASCAL VOC每年的数据集都是这个层级结构

  • 总共四个大类:vehicle,household,animal,person

  • 总共20个小类,预测的时候是只输出图中黑色粗体的类别

  • 数据集主要关注分类和检测,也就是分类和检测用到的数据集相对规模较大。关于其他任务比如分割,动作识别等,其数据集一般是分类和检测数据集的子集。

1.2 发展历程与使用方法

简要提一下在几个关键时间点数据集的一些关键变化,详细的请查看PASCAL VOC主页

  • 2005年:还只有4个类别: bicycles, cars, motorbikes, people. Train/validation/test共有图片1578 张,包含2209 个已标注的目标objects.

  • 2007年 :在这一年PASCAL VOC初步建立成一个完善的数据集。类别扩充到20类,Train/validation/test共有9963张图片,包含24640 个已标注的目标objects.

    07年之前的数据集中test部分都是公布的,但是之后的都没有公布。

  • 2009年:从这一年开始,通过在前一年的数据集基础上增加新数据的方式来扩充数据集。比如09年的数据集是包含了08年的数据集的,也就是说08年的数据集是09年的一个子集,以后每年都是这样的扩充方式,直到2012年;09年之前虽然每年的数据集都在变大(08年比07年略少),但是每年的数据集都是不一样的,也就是说每年的数据集都是互斥的,没有重叠的图片。

  • 2012年:从09年到11年,数据量仍然通过上述方式不断增长,11年到12年,用于分类、检测和person layout 任务的数据量没有改变。主要是针对分割和动作识别,完善相应的数据子集以及标注信息。

对于分类和检测来说,也就是下图所示的发展历程,相同颜色的代表相同的数据集:

1523028261517

分割任务的数据集变化略有不同:

  • VOC 2012用于分类和检测的数据包含 2008-2011年间的所有数据,并与VOC2007互斥。
  • VOC 2012用于分割的数据中train+val包含 2007-2011年间的所有数据,test包含2008-2011年间的数据,没有包含07年的是因为07年的test数据已经公开了。

2012年是最后一次挑战赛,最终用于分类和检测的数据集规模为:train/val :11540 张图片,包含 27450 个已被标注的 ROI annotated objects ;用于分割的数据集规模为:trainval:2913张图片,6929个分割,用于其他任务的不再细说,参考这里

即便挑战赛结束了,但是研究者们仍然可以上传预测结果进行评估。上传入口: PASCAL VOC Evaluation Server.

目前广大研究者们普遍使用的是 VOC2007和VOC2012数据集,因为二者是互斥的,不相容的。

论文中针对 VOC2007和VOC2012 的具体用法有以下几种:

  • 只用VOC2007的trainval 训练,使用VOC2007的test测试
  • 只用VOC2012的trainval 训练,使用VOC2012的test测试,这种用法很少使用,因为大家都会结合VOC2007使用
  • 使用 VOC2007 的 train+val 和 VOC2012的 train+val 训练,然后使用 VOC2007的test测试,这个用法是论文中经常看到的 07+12 ,研究者可以自己测试在VOC2007上的结果,因为VOC2007的test是公开的。
  • 使用 VOC2007 的 train+val+test 和 VOC2012的 train+val训练,然后使用 VOC2012的test测试,这个用法是论文中经常看到的 07++12 ,这种方法需提交到VOC官方服务器上评估结果,因为VOC2012 test没有公布。
  • 先在 MS COCO 的 trainval 上预训练,再使用 VOC2007 的 train+val、 VOC2012的 train+val 微调训练,然后使用 VOC2007的test测试,这个用法是论文中经常看到的 07+12+COCO 。
  • 先在 MS COCO 的 trainval 上预训练,再使用 VOC2007 的 train+val+test 、 VOC2012的 train+val 微调训练,然后使用 VOC2012的test测试 ,这个用法是论文中经常看到的 07++12+COCO,这种方法需提交到VOC官方服务器上评估结果,因为VOC2012 test没有公布。

在各自数据集上分别进行建模和评测的用法比较少,基本上在早期论文里出现就是起个对照作用;现在的大部分论文都会为了增加数据量而将二者合起来使用。

2 数据量统计

由于现在的研究基本上都是在VOC2007和VOC2012上面进行,因此只介绍这两个年份的。

2.1 VOC 2007

一些示例图片展示:Classification/detection example images

数据集总体统计:

1522998627620

  • 以上是数据集总体的统计情况,这个里面是包含了测试集的,可见person 类是最多的。

训练集,验证集,测试集划分情况

1522998585710

  • PASCAL VOC 2007 数据集分为两部分:训练和验证集trainval,测试集test ,两部分各占数据总量的约 50%。其中trainval 又分为训练集和测试集,二者分别各占trainval的50%。
  • 每张图片中有可能包含不只一个目标object。

这里我就只贴出用于分类和检测的划分情况,关于分割或者其他任务的划分方式 点击这里查看

2.2 VOC 2012

一些示例图片展示:Classification/detection example images

数据集总体统计

1523029741268

  • 这个统计是没有包含 test部分的,仍然是person类最多

trainval部分的数据统计:

1523030152755

test部分没有公布,同样的 除了分类和检测之外的数据统计,参考这里

2.3 VOC 2007 与 2012 的对比

VOC 2007 与 2012 数据集及二者的并集 数据量对比

1523033381386

  • 黑色字体所示数字是官方给定的,由于VOC2012数据集中 test 部分没有公布,因此红色字体所示数字为估计数据,按照PASCAL 通常的划分方法,即 trainval 与test 各占总数据量的一半。

3 标注信息

数据集的标注还是很谨慎的,有专门的标注团队,并遵从统一的标注标准,参考 guidelines

标注信息是用 xml 文件组织的如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
<annotation>
<folder>VOC2007</folder>
<filename>000001.jpg</filename>
<source>
<database>The VOC2007 Database</database>
<annotation>PASCAL VOC2007</annotation>
<image>flickr</image>
<flickrid>341012865</flickrid>
</source>
<owner>
<flickrid>Fried Camels</flickrid>
<name>Jinky the Fruit Bat</name>
</owner>
<size>
<width>353</width>
<height>500</height>
<depth>3</depth>
</size>
<segmented>0</segmented>
<object>
<name>dog</name>
<pose>Left</pose>
<truncated>1</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>48</xmin>
<ymin>240</ymin>
<xmax>195</xmax>
<ymax>371</ymax>
</bndbox>
</object>
<object>
<name>person</name>
<pose>Left</pose>
<truncated>1</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>8</xmin>
<ymin>12</ymin>
<xmax>352</xmax>
<ymax>498</ymax>
</bndbox>
</object>
</annotation>
  • filename :文件名

  • source,owner:图片来源,及拥有者

  • size:图片大小

  • segmented:是否分割

  • object:表明这是一个目标,里面的内容是目标的相关信息

    • name:object名称,20个类别

    • pose:拍摄角度:front, rear, left, right, unspecified

    • truncated:目标是否被截断(比如在图片之外),或者被遮挡(超过15%)

    • difficult:检测难易程度,这个主要是根据目标的大小,光照变化,图片质量来判断

      difficult 标签示例:图中白色虚线,被标记为 difficult。

      1523035226829

    • bndbox:bounding box 的左上角点和右下角点的4个坐标值。

4 提交格式

4.1 Classification Task

每一类都有一个txt文件,里面每一行都是测试集中的一张图片,前面一列是图片名称,后面一列是预测的分数。

comp1_cls_test_car.txt:

1
2
3
4
5
000004 0.702732
000006 0.870849
000008 0.532489
000018 0.477167
000019 0.112426

4.2 Detection Task

comp3_det_test_car.txt:

1
2
3
4
5
000004 0.702732 89 112 516 466
000006 0.870849 373 168 488 229
000006 0.852346 407 157 500 213
000006 0.914587 2 161 55 221
000008 0.532489 175 184 232 201

每一类都有一个txt文件,里面每一行都是测试集中的一张图片,每行的格式按照如下方式组织

1
<image identifier> <confidence> <left> <top> <right> <bottom>

confidence 用来计算 mAP.

5 评估标准

PASCAL的评估标准是 mAP(mean average precision)

关于mAP不再详细解释,参考以下资料:

这里简单的提一下:

下面是一个二分类的P-R曲线(precision-recall curve),对于PASCAL来说,每一类都有一个这样的 P-R曲线,P-R曲线下面与x轴围成的面积称为 average precision,每个类别都有一个 AP, 20个类别的AP 取平均值就是 mAP。

1523345052854

PASCAL官方给了评估脚本mAP的脚本和示例代码 development kit code and documentation ,是用MATLAB写的。

6 数据集组织结构

数据集的下载:

1
2
3
4
5
6
7
8
9
# Download the data.
cd $HOME/data
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
# Extract the data.
tar -xvf VOCtrainval_11-May-2012.tar
tar -xvf VOCtrainval_06-Nov-2007.tar
tar -xvf VOCtest_06-Nov-2007.tar

或者支直接点击下面链接下载:

上面的解压命令会将VOC2007的trainval和test解压到一块,数据会混在一起,如果不想,可以自己指定解压路径。以VOC 2007 为例,解压后的文件:

1
2
3
4
5
6
.
├── Annotations 进行detection 任务时的 标签文件,xml文件形式
├── ImageSets 存放数据集的分割文件,比如train,val,test
├── JPEGImages 存放 .jpg格式的图片文件
├── SegmentationClass 存放 按照class 分割的图片
└── SegmentationObject 存放 按照 object 分割的图片

Annotations 文件夹:

1
2
3
4
5
6
7
8
9
10
.
├── 000001.xml
├── 000002.xml
├── 000003.xml
├── 000004.xml
……
……
……
├── 009962.xml
└── 009963.xml

以xml 文件的形式,存放标签文件,文件内容如前述,文件名与图片名是一样的,6位整数

ImageSets文件夹:

存放数据集的分割文件

包含三个子文件夹 Layout,Main,Segmentation,其中Main文件夹存放的是用于分类和检测的数据集分割文件,Layout文件夹用于 person layout任务,Segmentation用于分割任务

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
.
├── Layout
│   ├── test.txt
│   ├── train.txt
│   ├── trainval.txt
│   └── val.txt
├── Main
│   ├── aeroplane_test.txt
│   ├── aeroplane_train.txt
│   ├── aeroplane_trainval.txt
│   ├── aeroplane_val.txt
│   ├── bicycle_test.txt
│   ├── bicycle_train.txt
│   ├── bicycle_trainval.txt
│   ├── bicycle_val.txt
│   ├── bird_test.txt
│   ├── bird_train.txt
│   ├── bird_trainval.txt
│   ├── bird_val.txt
│   ├── boat_test.txt
│   ├── boat_train.txt
│   ├── boat_trainval.txt
│   ├── boat_val.txt
│   ├── bottle_test.txt
│   ├── bottle_train.txt
│   ├── bottle_trainval.txt
│   ├── bottle_val.txt
│   ├── bus_test.txt
│   ├── bus_train.txt
│   ├── bus_trainval.txt
│   ├── bus_val.txt
│   ├── car_test.txt
│   ├── car_train.txt
│   ├── car_trainval.txt
│   ├── car_val.txt
│   ├── cat_test.txt
│   ├── cat_train.txt
│   ├── cat_trainval.txt
│   ├── cat_val.txt
│   ├── chair_test.txt
│   ├── chair_train.txt
│   ├── chair_trainval.txt
│   ├── chair_val.txt
│   ├── cow_test.txt
│   ├── cow_train.txt
│   ├── cow_trainval.txt
│   ├── cow_val.txt
│   ├── diningtable_test.txt
│   ├── diningtable_train.txt
│   ├── diningtable_trainval.txt
│   ├── diningtable_val.txt
│   ├── dog_test.txt
│   ├── dog_train.txt
│   ├── dog_trainval.txt
│   ├── dog_val.txt
│   ├── horse_test.txt
│   ├── horse_train.txt
│   ├── horse_trainval.txt
│   ├── horse_val.txt
│   ├── motorbike_test.txt
│   ├── motorbike_train.txt
│   ├── motorbike_trainval.txt
│   ├── motorbike_val.txt
│   ├── person_test.txt
│   ├── person_train.txt
│   ├── person_trainval.txt
│   ├── person_val.txt
│   ├── pottedplant_test.txt
│   ├── pottedplant_train.txt
│   ├── pottedplant_trainval.txt
│   ├── pottedplant_val.txt
│   ├── sheep_test.txt
│   ├── sheep_train.txt
│   ├── sheep_trainval.txt
│   ├── sheep_val.txt
│   ├── sofa_test.txt
│   ├── sofa_train.txt
│   ├── sofa_trainval.txt
│   ├── sofa_val.txt
│   ├── test.txt
│   ├── train_test.txt
│   ├── train_train.txt
│   ├── train_trainval.txt
│   ├── train.txt
│   ├── train_val.txt
│   ├── trainval.txt
│   ├── tvmonitor_test.txt
│   ├── tvmonitor_train.txt
│   ├── tvmonitor_trainval.txt
│   ├── tvmonitor_val.txt
│   └── val.txt
└── Segmentation
├── test.txt
├── train.txt
├── trainval.txt
└── val.txt
3 directories, 92 files

主要介绍一下Main文件夹中的组织结构,先来看以下这几个文件:

1
2
3
4
5
├── Main
│   ├── train.txt 写着用于训练的图片名称 共2501个
│   ├── val.txt 写着用于验证的图片名称 共2510个
│   ├── trainval.txt train与val的合集 共5011个
│   ├── test.txt 写着用于测试的图片名称 共4952个

里面的文件内容是下面这样的:以train.txt文件为例

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
000012
000017
000023
000026
000032
000033
000034
000035
000036
000042
……
……
009949
009959
009961

就是对数据库的分割,这一部分图片用于train,其他的用作val,test等。

Main中剩下的文件很显然就是每一类别在train或val或test中的ground truth,这个ground truth是为了方便classification 任务而提供的;如果是detection的话,使用的是上面的xml标签文件。

1
2
3
4
5
6
7
├── Main
│   ├── aeroplane_test.txt 写着用于训练的图片名称 共2501个,指定正负样本
│   ├── aeroplane_train.txt 写着用于验证的图片名称 共2510个,指定正负样本
│   ├── aeroplane_trainval.txt train与val的合集 共5011个,指定正负样本
│   ├── aeroplane_val.txt 写着用于测试的图片名称 共4952个,指定正负样本
……
……

里面文件是这样的(以aeroplane_train.txt为例):

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
000012 -1
000017 -1
000023 -1
000026 -1
000032 1
000033 1
000034 -1
000035 -1
000036 -1
000042 -1
……
……
009949 -1
009959 -1
009961 -1

前面一列是训练集中的图片名称,这一列跟train.txt文件中的内容是一样的,后面一列是标签,即训练集中这张图片是不是aeroplane,是的话为1,否则为-1.

其他所有的 (class)_(imgset).txt 文件都是类似的。

  • (class)_train 存放的是训练使用的数据,每一个class都有2501个train数据。
  • (class)_val 存放的是验证使用的数据,每一个class都有2510个val数据。
  • (class)_trainval 将上面两个进行了合并,每一个class有5011个数据。
  • (class)_test 存放的是测试使用的数据,每一个class有4952个test数据。

所有文件都 指定了正负样本,每个class的实际数量为正样本的数量,train和val两者没有交集。

VOC2012 的数据集组织结构是类似的,不一样的地方在于VOC2012 中没有 test类的图片和以及相关标签和分割文件,因为这部分数据 VOC2012没有公布。

参考资料

  1. http://host.robots.ox.ac.uk/pascal/VOC/
  2. 性能指标(模型评估)之mAP
  3. 多标签图像分类任务的评价方法-mAP
  4. average precision

本文标题:目标检测数据集PASCAL VOC简介

本文作者:arleyzhang

发布时间:2018年06月03日 - 23:06

最后更新:2018年11月16日 - 22:11

本文链接:https://arleyzhang.github.io/articles/1dc20586/

版权声明: 本文由 arleyzhang 原创,采用 保留署名-非商业性使用-禁止演绎 4.0-国际许可协议,转载请保留原文链接及作者!