PASCAL VOC为图像识别和分类提供了一整套标准化的优秀的数据集，从2005年到2012年每年都会举行一场图像识别challenge。该挑战的主要目的是识别真实场景中一些类别的物体。在该挑战中，这是一个监督学习的问题，训练集以带标签的图片的形式给出。这些物体包括20类：
Person: person
Animal: bird, cat, cow, dog, horse, sheep
Vehicle: aeroplane, bicycle, boat, bus, car, motorbike, train
Indoor: bottle, chair, dining table, potted plant, sofa, tv/monitor
该挑战主要包括三类任务：分类（classification），检测（detection），和分割（segmentation） 所有的标注图片都有Detection需要的label， 但只有部分数据有Segmentation Label。
VOC2007中包含9963张标注过的图片， 由train/val/test三部分组成， 共标注出24,640个物体。
VOC2007的test数据label已经公布， 之后的没有公布（只有图片，没有label）。 对于检测任务，VOC2012的trainval/test包含08-11年的所有对应图片。
trainval有11540张图片共27450个物体。 对于分割任务， VOC2012的trainval包含07-11年的所有对应图片， test只包含08-11。trainval有 2913张图片共6929个物体。
在这里采用PASCAL VOC2012作为例子。下载地址为：点击打开链接。
下载完之后解压，可以在VOCdevkit目录下的VOC2012中看到如下的文件夹：
JPEGImages
JPEGImages文件夹中包含了PASCAL VOC所提供的所有的图片信息，包括了训练图片和测试图片。一共9963张图片。
这些图像都是以“编号.jpg”格式命名的。
图片的像素尺寸大小不一，但是横向图的尺寸大约在500375左右，纵向图的尺寸大约在375500左右，基本不会偏差超过100。（在之后的训练中，第一步就是将这些图片都resize到300300或是500500，所有原始图片不能离这个标准过远。）
这些图像就是用来进行训练和测试验证的图像数据。
Annotations
Annotations文件夹中存放的是xml格式的标签文件，每一个xml文件都对应于JPEGImages文件夹中的一张图片。
1 <annotation> 2 <folder>VOC2007</folder> 3 <filename>000xxx.jpg</filename> //文件名 4 <source> //图像来源（不重要） 5 <database>The VOC2007 Database</database> 6 <annotation>PASCAL VOC2007</annotation> 7 <image>flickr</image> 8 </source> 9 <size> //图像尺寸（长宽以及通道数） 10 <width>500</width> 11 <height>332</height> 12 <depth>3</depth> 13 </size> 14 <segmented>1</segmented> //是否用于分割（在图像物体识别中01无所谓） 15 <object> //检测到的物体 16 <name>horse</name> //物体类别 17 <pose>Right</pose> //拍摄角度 18 <truncated>0</truncated> //是否被截断（0表示完整） 19 <difficult>0</difficult> //目标是否难以识别（0表示容易识别） 20 <bndbox> //bounding-box（包含左下角和右上角xy坐标） 21 <xmin>100</xmin> 22 <ymin>96</ymin> 23 <xmax>355</xmax> 24 <ymax>324</ymax> 25 </bndbox> 26 </object> 27 <object> //检测到多个物体 28 <name>person</name> 29 <pose>Unspecified</pose> 30 <truncated>0</truncated> 31 <difficult>0</difficult> 32 <bndbox> 33 <xmin>198</xmin> 34 <ymin>58</ymin> 35 <xmax>286</xmax> 36 <ymax>197</ymax> 37 </bndbox> 38 </object> 39 </annotation>
ImageSets
ImageSets存放的是每一种类型的challenge对应的图像数据。在ImageSets下有四个文件夹：
Layout下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）
Main下存放的是图像物体识别的数据，总共分为20类。
Segmentation下存放的是可用于分割的数据。
- 在这里主要考察Main文件夹。
Main文件夹下包含了20个分类的***_train.txt、***_val.txt和***_trainval.txt。
这些txt中的内容都差不多如下：
前面的表示图像的name，后面的1代表正样本，-1代表负样本。
_train中存放的是训练使用的数据，每一个class的train数据都有2501个。
_val中存放的是验证结果使用的数据，每一个class的val数据都有2510个。
_trainval将上面两个进行了合并，每一个class有5011个。
需要保证的是train和val两者没有交集，也就是训练数据和验证数据不能有重复，在选取训练数据的时候 ，也应该是随机产生的。
---------------------
REF：https://blog.csdn.net/zw__chen/article/details/82856231
原文地址：https://www.cnblogs.com/wind-chaser/p/11351550.html