Le jeu de données PASCAL VOC (classes d’objets visuels) est un benchmark classique de détection d’objets comprenant 20 classes d’objets du quotidien. La configuration VOC.yaml d’Ultralytics regroupe les partitions trainval de VOC2007 et VOC2012 pour former un ensemble d’entraînement de 16,551 images, effectue la validation sur les 4,952 images de test VOC2007 annotées publiquement et télécharge automatiquement l’ensemble des données (2,8 Go) lors de la première utilisation.
Regarder : Comment entraîner Ultralytics YOLO sur le jeu de données Pascal VOC | Détection d’objets | Vision par ordinateur 🚀
Les défis PASCAL VOC se sont déroulés de 2005 à 2012 et ont façonné les méthodes d’évaluation des modèles de détection d’objets : le benchmark couvre des tâches de classification d’images, de détection et de segmentation, et a popularisé la précision moyenne (mAP) comme métrique standard de détection. La configuration VOC.yaml d’Ultralytics utilise les annotations de détection et convertit les boîtes englobantes XML d’origine au format YOLO pendant le téléchargement.
20 classes d’objets du quotidien : personne ; six animaux (bird, cat, cow, dog, horse, sheep) ; sept véhicules (aeroplane, bicycle, boat, bus, car, motorbike, train) ; et six objets d’intérieur (bottle, chair, diningtable, pottedplant, sofa, tvmonitor).
Deux générations de défis réunies : l’entraînement regroupe la partition trainval de VOC2007 (5,011 images) et celle de VOC2012 (11,540 images).
Évaluation standardisée : des décennies de résultats de référence publiés sur VOC en font un point de comparaison pratique pour évaluer les modèles de détection.
Prêt pour YOLO : le script de téléchargement récupère les archives et convertit automatiquement les annotations — aucune préparation manuelle n’est nécessaire.
Test VOC2007, utilisé pour l’évaluation pendant l’entraînement
Test
4,952
Les mêmes images de test VOC2007 — la configuration ne définit aucune partition distincte réservée au test
Les annotations du test VOC2007 ont été rendues publiques après le défi de cette année-là, ce qui permet d’utiliser cette partition comme ensemble de validation annoté. Les annotations du test VOC2012 restent confidentielles — les résultats ne peuvent être évalués que via le serveur d’évaluation officiel PASCAL — et ne font donc pas partie de cette configuration.
Objets difficiles exclus
Le convertisseur automatique ignore les objets marqués difficult dans les annotations XML VOC d’origine ; le nombre d’instances par classe diffère donc légèrement des statistiques officielles de VOC.
Explore VOC sur Ultralytics Platform pour parcourir les images avec leurs superpositions d’annotations, consulter la répartition des classes et les cartes thermiques des boîtes englobantes dans l’onglet Charts, puis en créer un clone pour entraîner ton propre modèle dans le cloud.
PASCAL VOC a été le benchmark principal de la recherche sur la détection d’objets avant l’apparition du jeu de données COCO, plus vaste : des détecteurs comme Faster R-CNN et SSD y ont publié leurs premiers résultats, et les modèles Ultralytics YOLO peuvent être entraînés dessus directement. Aujourd’hui, il reste populaire pour :
Comparer de nouvelles architectures de détection à un vaste historique de résultats de référence publiés
Réaliser rapidement des expériences et des travaux pratiques — avec 16,551 images d’entraînement, l’entraînement est bien plus rapide que sur COCO
Étudier l’apprentissage par transfert sur un ensemble compact et bien connu de classes d’objets du quotidien
VOC se télécharge automatiquement lors du premier entraînement — trois archives totalisant 2,8 Go — et nécessite environ 6 Go d’espace disque disponible pour l’extraction et la conversion.
Pour entraîner un modèle YOLO26n sur le jeu de données VOC pendant 100 époques, avec une taille d’image de 640, tu peux utiliser les extraits de code suivants.
Exemple d’entraînement
from ultralytics import YOLO
# Charger un modèle
model = YOLO("yolo26n.pt") # charger un modèle préentraîné (recommandé pour l’entraînement)
# Entraîner le modèle - le jeu de données se télécharge automatiquement à la première exécution
results = model.train(data="VOC.yaml", epochs=100, imgsz=640)
L’image ci-dessous montre un lot d’entraînement mosaïqué provenant du jeu de données VOC. La mosaïque combine plusieurs images en un seul échantillon d’entraînement, ce qui augmente la variété des objets, des échelles et des contextes de scène que le modèle voit dans chaque lot — consulte le guide d’augmentation des données YOLO pour en savoir plus.
Si tu utilises le jeu de données VOC dans tes travaux de recherche ou de développement, cite l’article suivant :
Citation
@article{everingham2010pascal,
author={Everingham, Mark and Van Gool, Luc and Williams, Christopher K. I. and Winn, John and Zisserman, Andrew},
journal={International Journal of Computer Vision},
title={The Pascal Visual Object Classes (VOC) Challenge},
year={2010},
volume={88},
number={2},
pages={303-338},
doi={10.1007/s11263-009-0275-4}}
Nous tenons à remercier le Consortium PASCAL VOC d’avoir créé et maintenu cette précieuse ressource pour la communauté de la vision par ordinateur. Pour en savoir plus sur le jeu de données VOC et ses créateurs, consulte le site Web du jeu de données PASCAL VOC.
PASCAL VOC sert à entraîner et à évaluer des modèles de détection d’objets sur 20 catégories d’objets courants, comme les personnes, les voitures, les chiens et les chaises. Compact et entièrement annoté, il bénéficie en outre de nombreuses années de résultats de référence publiés. C’est donc un choix fréquent pour valider de nouvelles architectures, réaliser des expériences dans le cadre de cours et mener rapidement des études d’apprentissage par transfert.
La configuration VOC d’Ultralytics contient 21 503 images : 16 551 pour l’entraînement (VOC2007 trainval + VOC2012 trainval) et 4 952 pour la validation (l’ensemble de test VOC2007). Les trois partitions partagent les mêmes 20 classes. Consulte la page Structure du jeu de données pour obtenir la répartition complète.
VOC se télécharge automatiquement lors du premier entraînement avec data="VOC.yaml" — aucune étape manuelle n’est nécessaire. Le script récupère trois archives (2,8 Go) depuis les ressources des versions GitHub d’Ultralytics et convertit les annotations XML au format YOLO.
Entraîne un modèle YOLO26n sur VOC pendant 100 époques avec une taille d’image de 640 :
Exemple d’entraînement
from ultralytics import YOLO
# Charger un modèle
model = YOLO("yolo26n.pt") # charger un modèle préentraîné (recommandé pour l’entraînement)
# Entraîner le modèle
results = model.train(data="VOC.yaml", epochs=100, imgsz=640)
Les deux défis partagent les mêmes 20 classes, mais contiennent des images différentes. VOC2007 fournit 5 011 images trainval ainsi qu’un ensemble de test de 4 952 images dont les annotations sont publiques ; VOC2012 fournit 11 540 images trainval, tandis que les annotations de son ensemble de test ne sont pas publiées et que les résultats sont évalués uniquement par le serveur officiel. La configuration Ultralytics VOC.yaml fusionne les deux ensembles trainval pour l’entraînement et effectue la validation sur l’ensemble de test VOC2007.
VOC est plus petit et plus simple : 20 classes et 21 503 images, contre 80 classes et 330 000 images pour COCO. Les résultats VOC sont traditionnellement présentés sous forme de mAP à 0,5 IoU, tandis que COCO calcule la moyenne de la mAP pour des seuils d’IoU allant de 0,5 à 0,95. L’entraînement sur VOC est bien plus rapide et convient aux expérimentations rapides ; le jeu de données COCO est la référence pour l’évaluation comparative à l’échelle de la production.
Non — VOC.yaml est une configuration réservée à la détection : son convertisseur extrait les BBox des annotations XML de VOC, mais ne convertit pas les masques de segmentation inclus dans la référence d’origine. Pour entraîner un modèle de segmentation d’instances, utilise un jeu de données avec des étiquettes polygonales, comme COCO-Seg, avec un modèle YOLO26n-seg.
raise RuntimeError(emojis(f"Dataset '{clean_url(self.args.data)}' error ❌ {e}")) from e
RuntimeError: Dataset 'VOC.yaml' error ❌ [Errno 2] No such file or directory: '/home/diana/Code/test/datasets/VOC/images/VOCdevkit/VOC2007/ImageSets/Main/train.txt'
Nice find on the root cause. To clean things up, delete the incomplete datasets/VOC folder and run your yolo ... data=VOC.yaml command again so the download/conversion script can fully re-download and unpack everything; if you still hit a path error after that, please share the full command and complete traceback so we can take a closer look.
Respectively, "xmin/ymin" and "xmax/ymax" are the coordinates of the upper-left and lower-right corners of the object.
How can I use this dataset to train the YoloV11 neural network?
@YustasDev to train YOLO26 on your Pascal VOC dataset, you need to convert the XML annotations to YOLO format (class, x_center, y_center, width, height in normalized coordinates). Use the conversion script provided in the VOC.yaml file under the "Download script/URL" section. Once converted, define a custom YAML file for your dataset paths and run the training using:
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="your_dataset.yaml", epochs=100, imgsz=640)
Respectively, "xmin/ymin" and "xmax/ymax" are the coordinates of the upper-left and lower-right corners of the object.
How can I use this dataset to train the YoloV11 neural network?
@YustasDev to use your Pascal VOC dataset for YOLO26 training, you need to convert the XML annotations to YOLO format (class, x_center, y_center, width, height with normalized coordinates). You can adapt the XML-to-YOLO conversion script from the VOC dataset documentation here: https://docs.ultralytics.com/datasets/detect/voc/. Once converted, create a dataset YAML file similar to VOC.yaml, specifying your paths and classes, and then start training using yolo detect train data=your_dataset.yaml model=yolo26n.pt. Let me know if you encounter any issues!
Les cookies nous aident à savoir quels documents, modèles et fonctionnalités tu trouves utiles, afin que nous puissions continuer à les améliorer. Choisis ce que tu partages dans , ou consulte notre Politique de confidentialité.