本文共 4084 字，大约阅读时间需要 13 分钟。
coco数据集
- 类别：80类
- 3种标注类型，使用json文件存储，每种类型包含了训练和验证 object instances （目标实例）： 也就是目标检测object detection object keypoints （目标上的关键点） image captions（看图说话）
要求做的是目标检测，so，我主要做object instances这一块的内容整理。对于其他两块内容的话，网上很多大佬整理得蛮详细的，CSDN一下（其实三者都差不多）。
coco 数据集的特点
推荐一篇博文：，写得很详细。object instances 、object keypoints、 image captions的标注形式介绍都有。
json标注文件的格式
在python里面，读取出json标注格式文件，实际上是一个dict，如下所示：
{ "info": info, "licenses": [license], "images": [image], "annotations": [annotation], "categories": [category]} 包含5个字段信息：info, licenses, images, annotations，categories。上面3种标注类型共享的字段信息有：info、image、license。不共享的是annotation和category这两种字段，他们在不同类型的JSON文件中是不一样的。
object instances中，概述一下其中每个字段的结构与包含的信息：
（1）images字段列表元素的长度等同于划入训练集（或者测试集）的图片的数量； （2）annotations字段列表元素的数量等同于训练集（或者测试集）中bounding box的数量； （3）categories字段列表元素的数量等同于类别的数量，coco为80（2017年）；以下的各个字段，都是object instances中的。
info字段
info字段结构
info: { "year": int,# 年份 "version": str,# 版本 "description": str, # 数据集描述 "contributor": str,# 提供者 "url": str,# 下载地址 "date_created": datetime} info字段的信息一般如下，在写程序时一般用不到：
"info":{ "description":"This is stable 1.0 version of the 2014 MS COCO dataset.", "url":"http:\/\/mscoco.org", "version":"1.0","year":2014, "contributor":"Microsoft COCO group", "date_created":"2015-01-27 09:11:52.357475"}, licenses字段
licenses字段结构
license{ "id": int, "name": str, "url": str,} licenses字段的信息如下，在写程序时一般用不到：
{ "url":"http:\/\/creativecommons.org\/licenses\/by-nc-sa\/2.0\/", "id":1, "name":"Attribution-NonCommercial-ShareAlike License"} images字段
images字段结构：
image{ "id": int,# 图片的ID编号（每张图片ID是唯一的） "width": int,#宽 "height": int,#高 "file_name": str,# 图片名 "license": int, "flickr_url": str,# flickr网路地址 "coco_url": str,# 网路地址路径 "date_captured": datetime # 数据获取日期} Images是包含多个image实例的数组，对于一个image类型的实例：
{ "license":3, "file_name":"COCO_val2014_000000391895.jpg", "coco_url":"http:\/\/mscoco.org\/images\/391895", "height":360,"width":640,"date_captured":"2013-11-14 11:18:45", "flickr_url":"http:\/\/farm9.staticflickr.com\/8186\/8119368305_4e622c8349_z.jpg", "id":391895} 每一个image的实例是一个dict。其中有一个id字段，代表的是图片的id，每一张图片具有唯一的一个独特的id。
annotations字段
annotations字段是包含多个annotation实例的一个列表，annotation类型本身又包含了一系列的字段，如这个目标的category id和segmentation mask。segmentation格式取决于这个实例是一个单个的对象（即iscrowd=0，将使用polygons格式）还是一组对象（即iscrowd=1，将使用RLE格式）。如下所示：
annotation{ "id": int, # 对象ID，因为每一个图像有不止一个对象，所以要对每一个对象编号（每个对象的ID是唯一的） "image_id": int,# 对应的图片ID（与images中的ID对应） "category_id": int,# 类别ID（与categories中的ID对应） "segmentation": RLE or [polygon],# 对象的边界点（边界多边形，此时iscrowd=0）。 #segmentation格式取决于这个实例是一个单个的对象（即iscrowd=0，将使用polygons格式）还是一组对象（即iscrowd=1，将使用RLE格式） "area": float,# 区域面积 "bbox": [x,y,width,height], # 定位边框 [x,y,w,h] "iscrowd": 0 or 1 #见下} 注：单个的对象（iscrowd=0)可能需要多个polygon来表示，比如这个对象在图像中被挡住了。而iscrowd=1时（将标注一组对象，比如一群人）的segmentation使用的就是RLE格式。
什么是RLE格式：
RLE：Run Length Encoding（行程长度压缩算法）
在机器视觉领域的深度学习中，每个数据集都有一份标注好的数据用于训练神经网络。 为了节省空间，很多数据集的标注文件使用RLE的格式，比如 kaggle 挑战赛的 Airbus Ship Detection Challenge。 但是神经网络的输入一定是一张图片，为此必须把RLE格式的文件转变为图像格式。
注意啊，iscrowd=0那么segmentation就是polygon格式；只要iscrowd=1那么segmentation就是RLE格式。另外，每个对象（不管是iscrowd=0还是iscrowd=1）都会有一个矩形框bbox，矩形框左上角的坐标和矩形框的长宽会以数组的形式提供，数组第一个元素就是左上角的横坐标值。polygon格式比较简单，这些数按照相邻的顺序两两组成一个点的xy坐标，如果有n个数（必定是偶数），那么就是n/2个点坐标。
area是area of encoded masks，是标注区域的面积。如果是矩形框，那就是高乘宽；如果是polygon或者RLE，那就复杂点。
在一个annotation的实例中有两个id，其中image_id指的是这个annotation属于哪一张图片，即前面提到的图片的id，另外一个“id”指的是这个annotation的一个id。
注意： annotation的image_id是不唯一的，代表的是，这个annotation是指向image_id图片的标注，因为图片的标注不止一个，可能有好几个标注。
一个annotation为segmentation是polygon格式的实例：
{ "segmentation": [[510.66,423.01,511.72,420.03,510.45......]], "area": 702.1057499999998, "iscrowd": 0, "image_id": 289343, "bbox": [473.07,395.93,38.65,28.67], "category_id": 18, "id": 1768} categories字段
categories是一个包含多个category实例的列表，而一个category结构体描述如下：
{ "supercategory": str,# 主类别 "id": int,# 类对应的id （0 默认为背景） "name": str # 子类别} categories类型实例：
{ "supercategory": "person", "id": 1, "name": "person"},{ "supercategory": "vehicle", "id": 2, "name": "bicycle"} 参考链接：
转载地址：http://xjxen.baihongyu.com/