上期介绍了VOC数据集的一些基本知识，相信有需要的小伙伴已经下载从百度网盘下载了VOC的数据。今天笔者就带领大家一起对VOC进行深入的研究和学习。

【题外话：有的人可能认为第一篇文章太过于简单，干货不够。但是笔者认为，要想掌握一门知识，合理的知识陡峭程序很重要。如果一上来笔者直接介绍VOC数据在各类模型中的使用，恐怕对于刚刚接触到VOC的小伙伴们来说简直是如坠云里雾里。所以笔者坚持由简单到复杂，希望给大家带来实实在在的帮助】

下面全部的操作都是在Win10中。

1.VOC数据集

下载下来的VOC数据如下图所示：

1.下载下来的压缩的VOC数据集

可以看到，分为3个独立的tar压缩文件，分别是VOCtest_06-Nov-2007.tar，VOCtrainval_06-Nov-2007.tar和VOCtrainval_11-May-2012.tar。

VOCtest_06-Nov-2007.tar：测试集合（2007）

VOCtrainval_06-Nov-2007.tar：训练集合和验证集合（2007）

VOCtrainval_11-May-2012.tar：训练集合和验证集合（2012）

【注意：这里并没有缺少文件，根据官方的说法，VOC2012是没有提供测试集的，即没有test集合】

好了，下面我们把这3个tar文件解压到该文件夹下。这里有个小技巧，选中全部的3个tar，然后选择解压到当前文件夹下。

（1）选中3个tar->（2）右键解压到当前文件夹（X） 【注意:这里不要选解压每个压缩文件到到单独的文件夹(s)】

3.解压进行中

因为本身VOC的数据集也不是很大，几分钟就可以解压完毕。

4.解压完成

好了，这个VOCdevkit就是我们需要的。为了看起来清爽，这里我们可以直接把下面的3个tar压缩文件删除了。其实也是笔者一直倡导的理念，学习不仅要知其然，更要知其所以然。这里我们的目的就是为了得到解压后的VOC数据库，显然tar就不再需要了。所以明白每一步其实很重要，而不是机械的生搬硬套。我们只保留VOCdevkit文件夹即可。

5.只保留VOCdevkit

OK，终于得到她！让我们一睹芳容。

6.VOC2007和VOC2012

VOC2007：2007年发布的VOC数据集

VOC2012：2012年发布的VOC数据集

这里我们以VOC2007为例，来看一下到底VOC数据集包含哪些部分？

7.VOC2007的数据集结构

（1）Annotations:标注信息。这里所谓的标注信息，实际上是图片中物体（instances）的位置坐标和。文件的形式是xml，并且是1个xml和1张图片相对应。

8.Annotations文件夹

一共有9963个xml文件，意味着会有9963张图片，也即VOC2007全部的数据集有9963张。

打开其中的任意一个xml，比如000001.xml

9.标注文件000001.xml

这里有很多的干货，这里我们逐一来解析：

首先，该xml文件是以<annotation> 开头，</annotation>结尾的。在<annotation> ...</annotation>包裹的范围内，

有如下几个关键的信息：

<size>:代表图片的分辨率，以该xml为例，对应的图片宽度是353pixel，高度是500pixel，通道数是3.

<object>:代表物体，里面有name，pose和bndbox。其中比较重要的是name和bndbox。name是指物体属于的类别，bndbox是标注框的信息

               显然这里的xml里面有2个物体（instances），分别是dog和person。

                以dog的bndbox为例：

                <bndbox>

                                <xmin>48</xmin>

                               <ymin>240</ymin>

                                <xmax>195</xmax>

                                <ymax>371</ymax>

                </bndbox>

xmin和ymin构成了bndbox的左上角,xmax和ymax构成了bndbox的右下角。那么有人肯定要问了：什么是bndbox？

其实bndbox是boundingbox缩写，深度学习的模型检测出了目标之后，会画一个框框，标定这个框内的东西，认为是一个object。

例如：

10.在图片上绘制bndbox

上面我们说到，00001.xml这个标注文件对应的图片中有2个instances，分别是dog和person。那么我们现在来看下，是不是这样的。

首先我们先找到这张图片，请大家记住，VOC数据集中，图片的名称和xml文件的名称是一致的，除了后缀名不一样。例如这里的000001.xml，其对应的图片是：000001.jpg

11.图片000001.jpg

经过观察，该图片中确实如xml中描述的那样，有2个instances，分别是person和dog。

（2）ImageSets：

        Layout下存放的是具有人体部位的数据（人的head、hand等）

        Segmentation下存放的是可用于分割的数据。

        Main下存放的是图像物体识别的数据，总共分为20类。

        我们主要关注Main下面的文件.

12.ImageSets下的txt文件

可以看到，在Main下有很多的txt文件，一共是再仔细观察会发现，每个类别有4个txt文件，比如aeroplane（飞机）就有4个txt文件，

分别是:aeroplane_test.txt/aeroplane_train.txt/aeroplane_trainval.txt/aeroplane_val.txt

其他的，比如bicycle，也是有4个txt。

我们来看下：aeroplane_trainval.txt

1代表正样本,-1代表负样本

由于VOC一共有20个类别，所以这里的4*20=80。那么另外的4个txt是什么呢？

其实是train.txt/val.txt/trainval.txt/test.txt,里面记录的是训练和验证以及测试的样本的名称。