PASCAL VOC (XML格式)

在计算机视觉中，PASCAL VOC 数据集格式是进行目标检测任务时非常常见的一种标注格式。它使用 XML 文件来存储图像中目标的位置和类别信息
文件结构

VOC2012/
├── Annotations/       # 存放与 JPEGImages 文件夹中图像一一对应的 XML 标注文件。
├── JPEGImages/        # 存放所有原始图像文件
└── ImageSets/Main/    # 存放用于训练、验证和测试的图像列表文件train.txt、val.txt 和 test.txt

xml格式

<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>Junk Food</flickrid>
        <name>E.J.</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>

标签说明：
`
annotation: 整个 XML 文件的根标签。
folder: 包含图像的文件夹名称。
filename: 图像文件的名称，例如 000001.jpg。这是最重要的信息之一，用于将标注文件与图像文件对应起来。
size: 描述图像的尺寸。
width: 图像的宽度（像素）。
height: 图像的高度（像素）。
depth: 图像的通道数，通常为 3（RGB）。
object: 每个目标都用一个 object 标签来描述。一个图像可以有多个 object 标签，代表多个目标。
name: 目标的类别名称，例如 dog、car、person 等。
pose: 目标的姿态信息，如 Unspecified。
truncated: 标记目标是否部分被截断或超出图像边界，1 表示是，0 表示否。
difficult: 标记目标是否难以识别（例如，目标很小或严重遮挡），1 表示是，0 表示否。在评估时，通常会忽略这些 difficult 的目标。
bndbox: 目标的边界框坐标。这是目标检测任务中最核心的信息。
xmin: 边界框左上角的 x 坐标。
ymin: 边界框左上角的 y 坐标。
xmax: 边界框右下角的 x 坐标。
ymax: 边界框右下角的 y 坐标。

COCO (JSON格式)

与 VOC 格式不同，COCO 数据集的所有标注信息都集中在一个巨大的 JSON 文件中，例如 instances_train2017.json。这个 JSON 文件包含多个顶级键，每个键对应一类信息，这种集中式的存储方式非常适合大规模数据的管理和自动化处理。

coco/
├── train2017/       # 训练图片
├── val2017/         # 验证图片
└── annotations/     # 标注文件
    ├── instances_train2017.json
    └── instances_val2017.json

{
    "info": {
        "description": "COCO 2017 Dataset"
    },
    "licenses": [],
    "images": [
        {
            "id": 1,
            "width": 640,
            "height": 480,
            "file_name": "000000000001.jpg"
        },
    ],
    "annotations": [
        {
            "id": 1,
            "image_id": 1,
            "category_id": 1,
            "bbox": [198.8, 142.3, 37.8, 88.6],
            "area": 3350.28,
            "iscrowd": 0,
            "segmentation": [
                [200.0, 150.0, 230.0, 160.0, 235.0, 220.0, ...]
            ]
        },
    ],
    "categories": [
        {
            "id": 1,
            "name": "person",
            "supercategory": "person"
        },
        {
            "id": 2,
            "name": "bicycle",
            "supercategory": "vehicle"
        }
    ]
}

images:
id: 图像的唯一 ID。这个 ID 用于在 annotations 中引用该图像。
file_name: 图像的文件名，例如 000000000001.jpg。
width 和 height: 图像的宽度和高度，以像素为单位。
annotations:
id: 标注的唯一 ID。
image_id: 关联的图像 ID。这是将标注与特定图像关联起来的关键。
category_id: 目标的类别 ID。这个 ID 对应 categories 列表中的 id。
bbox: 边界框。这是一个包含四个浮点数的列表，格式为 [x, y, width, height]。这里的坐标是非归一化的，即像素值。
x: 边界框左上角的 x 坐标（水平位置）。
y: 边界框左上角的 y 坐标（垂直位置）。
width: 边界框的 宽度。
height: 边界框的 高度。
area: 边界框的面积，单位为像素平方。
iscrowd: 标记该标注是否代表一个群组或密集区域。0 表示单个物体，1 表示一群物体。
segmentation: 实例分割的标注信息。对于目标检测任务，这个字段通常不使用或可以忽略。它通常是一个多边形点列表。
categories:
id: 类别的唯一 ID。
name: 类别的名称，例如 person、car。
supercategory: 超类别，用于组织相关联的类别，例如 bicycle 和 car 的超类别可以是 vehicle。

YOLO (TXT格式)

yolov5_dataset/
├── images/
│   ├── train/       # 训练图片
│   └── val/		 # 验证图片
├── labels/
│   ├── train/       # 标签（.txt）
│   └── val/
└── dataset.yaml     # 这是一个配置文件，用于指定数据集的路径、类别名称等信息

<class_id> <x_center> <y_center> <width> <height> 

0 0.534884 0.354167 0.170543 0.291667
1 0.768133 0.655833 0.457805 0.583333

class_id: 这是一个整数，代表目标的类别索引。通常从 0 开始。例如，0 可能代表“人”，1 代表“自行车”。这些索引与 data.yaml 文件中定义的类别名称列表相对应。
x_center, y_center: 这是边界框中心的归一化坐标。
width, height: 这是边界框的归一化宽度和高度。
归一化的意思是，坐标值已经被缩放到 0.0 到 1.0 的范围内。
x_center = 边界框中心x坐标 / 图像宽度
y_center = 边界框中心y坐标 / 图像高度
width = 边界框宽度 / 图像宽度
height = 边界框高度 / 图像高度

YOLO OBB格式

5参数表示法

它在原始的 YOLO 格式基础上增加了一个旋转角度参数

<class_id> <x_center> <y_center> <width> <height> <angle>

class_id: 类别 ID，从 0 开始。
x_center、y_center: 旋转边界框中心点的归一化坐标（0 到 1 之间）。
width、height: 旋转边界框的宽度和高度的归一化值。
angle: 旋转角度，通常也是归一化值，或以弧度、度为单位。

角度的表示方法：

角度的表示方式非常关键，因为它直接影响模型的训练和预测。常见的角度定义方式有：
弧度制： [-pi/2, pi/2] 或 [-pi, pi]。
角度制： [-90, 90] 或 [-180, 180]。
归一化角度： 将角度归一化到 [0, 1] 范围内。

角度的定义方向和范围需要明确。 例如，是逆时针旋转还是顺时针旋转？0 度代表什么方向？通常，width 是长边，height 是短边，angle 是 width 边与水平轴的夹角。

这种格式的缺点是，由于 width 和 height 的互换性，以及角度的周期性，可能会产生歧义。比如，一个 90 度旋转的边界框，其 width 和 height 互换后，角度就变成了 0 或 180 度，但表示的是同一个框。

8参数表示法

这种方法通过直接列出旋转边界框的四个角点坐标，来完全避免角度表示的歧义。

<class_id> <x1> <y1> <x2> <y2> <x3> <y3> <x4> <y4>

class_id: 类别 ID。
x1 y1 … x4 y4: 旋转边界框四个角点的归一化坐标。

角点的顺序需要预先约定，通常是顺时针或逆时针，从某个固定的点（如左上角）开始

优点：
无歧义： 直接用四个点唯一确定一个旋转框，没有角度周期性或宽高的互换问题。
表达更直接： 特别适合那些不规则形状的旋转目标。
缺点：
参数更多： 相比 5 参数，需要表示更多的信息。

异同