目标检测标注格式

这是一个非常核心且重要的问题。理解这三种主流标注格式的区别，对于进行目标检测任务至关重要。

我将通过一个 核心对比表格 和 详细的逐一解析 来帮助你彻底弄懂它们。

核心对比一览表

1. PASCAL VOC (Visual Object Classes) 格式

这是早期目标检测研究中非常流行的格式，许多标注工具都支持导出为这种格式。

• 特点：

  • 文件类型： XML 格式，具有良好的可读性。

  • 文件结构： 一对一。每张图片（如 image001.jpg）都有一个同名的XML文件（image001.xml）与之对应。

  • 坐标系统： 使用绝对像素值来定义边界框的左上角和右下角两个点。

    • <xmin>: 边界框左上角点的 x 坐标。

    • <ymin>: 边界框左上角点的 y 坐标。

    • <xmax>: 边界框右下角点的 x 坐标。

    • <ymax>: 边界框右下角点的 y 坐标。

• 示例 (image001.xml):

        <annotation>
      <folder>images</folder>
      <filename>image001.jpg</filename>
      <path>/path/to/images/image001.jpg</path>
      <size>
          <width>800</width>
          <height>600</height>
          <depth>3</depth>
      </size>
      <object>
          <name>cat</name>
          <pose>Unspecified</pose>
          <truncated>0</truncated>
          <difficult>0</difficult>
          <bndbox>
              <xmin>150</xmin>
              <ymin>200</ymin>
              <xmax>450</xmax>
              <ymax>500</ymax>
          </bndbox>
      </object>
  </annotation>
      

2. YOLO (You Only Look Once) 格式

这是为YOLO系列模型量身定制的格式，追求极致的简洁和高效。

• 特点：

  • 文件类型： TXT 纯文本格式。

  • 文件结构： 一对一。和VOC一样，每张图片（image001.jpg）都有一个同名的TXT文件（image001.txt）。

  • 坐标系统： 使用归一化的相对坐标，所有值都在 0 到 1 之间。这使得它对图像尺寸变化不敏感。

    • <class_id>: 物体类别的索引（整数），从0开始。通常需要一个单独的 classes.txt 或 data.yaml 文件来映射索引和类别名称。

    • <x_center>: 边界框中心的 x 坐标 / 图像总宽度。

    • <y_center>: 边界框中心的 y 坐标 / 图像总高度。

    • <width>: 边界框的宽度 / 图像总宽度。

    • <height>: 边界框的高度 / 图像总高度。

• 示例 (image001.txt):
  假设 cat 在 classes.txt 中是第0类，图片尺寸为 800x600，猫的边界框是 (xmin:150, ymin:200, xmax:450, ymax:500)。

  • x_center = (150 + 450) / 2 / 800 = 0.375

  • y_center = (200 + 500) / 2 / 600 = 0.583

  • width = (450 - 150) / 800 = 0.375

  • height = (500 - 200) / 600 = 0.5

  image001.txt 文件的内容将是（每行代表一个物体）：

        0 0.375000 0.583333 0.375000 0.500000
      

  IGNORE_WHEN_COPYING_START

  content_copydownload

  Use code with caution.

  IGNORE_WHEN_COPYING_END

3. COCO (Common Objects in Context) 格式

这是目前学术界和工业界最流行、功能最强大的标注格式，由微软团队推出。

• 特点：

  • 文件类型： JSON 格式，结构化但非常庞大。

  • 文件结构： N对一。整个数据集（如训练集或验证集）只有一个JSON文件，里面包含了所有图片的信息、所有物体的标注信息、类别信息等。

  • 坐标系统： 使用绝对像素值，但格式与VOC不同。

    • [x_min, y_min, width, height]: 分别是边界框左上角点的x、y坐标，以及边界框的宽度和高度。

  • 标注丰富度： 这是其最大优势。除了目标检测的边界框，它还支持：

    • 实例分割 (Instance Segmentation): 用多边形点集精确勾勒物体轮廓。

    • 关键点检测 (Keypoint Detection): 标注人体关节点等。

    • 图像描述 (Image Captioning): 对图片进行文字描述。

• 示例 (JSON文件片段):

        {
      "info": {...},
      "licenses": [...],
      "images": [
          {
              "id": 1,
              "width": 800,
              "height": 600,
              "file_name": "image001.jpg"
          }
      ],
      "annotations": [
          {
              "id": 1,
              "image_id": 1, // 关联到ID为1的图片
              "category_id": 17, // 关联到ID为17的类别
              "segmentation": [[150, 200, 450, 200, 450, 500, 150, 500]], // 分割多边形
              "area": 90000,
              "bbox": [150, 200, 300, 300], // [x, y, width, height]
              "iscrowd": 0
          }
      ],
      "categories": [
          {
              "id": 17,
              "name": "cat",
              "supercategory": "animal"
          }
      ]
  }
      

  IGNORE_WHEN_COPYING_START

  content_copydownload

  Use code with caution. Json

  IGNORE_WHEN_COPYING_END

我应该用哪种格式？

• 如果你正在训练 YOLO 模型： 首选 YOLO 格式。如果你的数据是其他格式，最好先将其转换为YOLO格式。

• 如果你想进行复杂的任务（如实例分割、关键点检测）： 必须使用 COCO 格式。它是这类任务的事实标准。

• 如果你需要一个易于人类阅读和调试的格式： VOC 格式 是一个不错的选择，但它的功能不如COCO。

• 如果你刚开始学习目标检测： 从 YOLO 格式 入手最简单，因为它只需要创建简单的文本文件。

许多标注工具（如 LabelImg, CVAT, LabelMe）都支持在这些格式之间进行导出和转换，非常方便。