PASCAL VOC Veri Kümesi#

21,500

VOC

ultralytics

publicDetect

PASCAL VOC is a foundational object-detection benchmark spanning 20 everyday classes, including people, animals, vehicles, and household objects. Its diverse real-world scenes and standardized evaluation established a widely used reference point for model comparison.

1020 classes1.4 GBSep 2, 2026

aeroplanebicyclebirdboat+16

PASCAL VOC (Görsel Nesne Sınıfları) veri kümesi, 20 gündelik nesne sınıfı içeren klasik bir nesne tespiti kıyaslama veri kümesidir. Ultralytics VOC.yaml yapılandırması, VOC2007 ve VOC2012 trainval bölümlerini birleştirerek 16.551 görüntülük bir eğitim kümesi oluşturur; herkese açık şekilde açıklamaları bulunan 4.952 VOC2007 test görüntüsünü doğrulama için kullanır ve ilk kullanımda her şeyi otomatik olarak indirir (2,8 GB).

PASCAL VOC yarışmaları 2005'ten 2012'ye kadar sürdü ve nesne tespiti modellerinin değerlendirilme biçimini şekillendirdi: kıyaslama veri kümesi görüntü sınıflandırma, tespit ve segmentasyon görevlerini kapsar; ayrıca Ortalama Ortalama Kesinliği (mAP) standart tespit metriği olarak yaygınlaştı. Ultralytics VOC.yaml yapılandırması tespit açıklamalarını kullanır ve indirme sırasında özgün XML sınırlayıcı kutularını YOLO biçimine dönüştürür.

Temel Özellikler#

• 20 gündelik nesne sınıfı: kişi; altı hayvan (kuş, kedi, inek, köpek, at, koyun); yedi taşıt (uçak, bisiklet, tekne, otobüs, otomobil, motosiklet, tren) ve altı iç mekân nesnesi (şişe, sandalye, yemek masası, saksı bitkisi, kanepe, televizyon monitörü).
• İki yarışma dönemi birleştirildi: eğitim kümesi, VOC2007 trainval (5.011 görüntü) ile VOC2012 trainval (11.540 görüntüyü) bir araya getirir.
• Standartlaştırılmış değerlendirme: Yıllar boyunca yayımlanan VOC temel sonuçları, bu veri kümesini tespit modellerini karşılaştırmak için kullanışlı bir referans noktası hâline getirir.
• YOLO kullanımına hazır: indirme betiği arşivleri getirir ve açıklamaları otomatik olarak dönüştürür; elle hazırlık gerekmez.

Veri Kümesi Yapısı#

Ultralytics VOC.yaml yapılandırması aşağıdaki bölümleri tanımlar:

VOC2007 test açıklamaları o yılın yarışmasından sonra kamuya açıldı; bu sayede bu bölüm etiketli bir doğrulama kümesi olarak kullanılabiliyor. VOC2012 test açıklamaları ise gizli tutuluyor; bu bölümdeki sonuçlar yalnızca resmî PASCAL değerlendirme sunucusu üzerinden puanlanabiliyor, bu nedenle bu yapılandırmaya dâhil değil.

Görüntüleri açıklama katmanlarıyla incelemek, sınıf dağılımını ve sınırlayıcı kutu ısı haritalarını Grafikler sekmesinde görüntülemek ve bulutta kendi modelini eğitmek için klonlamak üzere Ultralytics Platform'da VOC'yi keşfet.

Uygulamalar#

Daha büyük COCO veri kümesinden önceki yıllarda PASCAL VOC, nesne tespiti araştırmalarının başlıca kıyaslama veri kümesiydi: Faster R-CNN ve SSD gibi algılayıcılar ilk sonuçlarını bu veri kümesinde yayımladı ve Ultralytics YOLO modelleri bu veri kümesinde ek ayar gerektirmeden eğitilebilir. Günümüzde de şu amaçlarla yaygın olarak kullanılır:

• Yeni tespit mimarilerini, yayımlanmış temel sonuçların uzun geçmişiyle karşılaştırarak değerlendirme
• Hızlı deneyler ve ders çalışmaları — 16.551 eğitim görüntüsüyle eğitim, COCO'ya kıyasla çok daha hızlıdır
• Gündelik sınıflardan oluşan küçük ve iyi anlaşılmış bir küme üzerinde aktarım öğrenimi çalışmaları

Veri Kümesi YAML Dosyası#

VOC.yaml dosyası; veri kümesi yollarını, 20 sınıf adını ve otomatik indirme-dönüştürme betiğini içeren veri kümesi yapılandırmasını tanımlar. Dosya, Ultralytics deposunda https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/VOC.yaml konumunda tutulur.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# PASCAL VOC dataset https://www.robots.ox.ac.uk/~vgg/projects/pascal/VOC by University of Oxford
# Documentation: https://docs.ultralytics.com/datasets/detect/voc
# Example usage: yolo train data=VOC.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── VOC ← downloads here (2.8 GB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: VOC
train: # train images (relative to 'path') 16551 images
  - images/train2012
  - images/train2007
  - images/val2012
  - images/val2007
val: # val images (relative to 'path') 4952 images
  - images/test2007
test: # test images (optional)
  - images/test2007

# Classes
names:
  0: aeroplane
  1: bicycle
  2: bird
  3: boat
  4: bottle
  5: bus
  6: car
  7: cat
  8: chair
  9: cow
  10: diningtable
  11: dog
  12: horse
  13: motorbike
  14: person
  15: pottedplant
  16: sheep
  17: sofa
  18: train
  19: tvmonitor

# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
  import xml.etree.ElementTree as ET
  from pathlib import Path

  from ultralytics.utils.downloads import download
  from ultralytics.utils import ASSETS_URL, TQDM

  def convert_label(path, lb_path, year, image_id):
      """Converts XML annotations from VOC format to YOLO format by extracting bounding boxes and class IDs."""

      def convert_box(size, box):
          dw, dh = 1.0 / size[0], 1.0 / size[1]
          x, y, w, h = (box[0] + box[1]) / 2.0 - 1, (box[2] + box[3]) / 2.0 - 1, box[1] - box[0], box[3] - box[2]
          return x * dw, y * dh, w * dw, h * dh

      with open(path / f"VOC{year}/Annotations/{image_id}.xml") as in_file, open(lb_path, "w", encoding="utf-8") as out_file:
          tree = ET.parse(in_file)
          root = tree.getroot()
          size = root.find("size")
          w = int(size.find("width").text)
          h = int(size.find("height").text)

          names = list(yaml["names"].values())  # names list
          for obj in root.iter("object"):
              cls = obj.find("name").text
              if cls in names and int(obj.find("difficult").text) != 1:
                  xmlbox = obj.find("bndbox")
                  bb = convert_box((w, h), [float(xmlbox.find(x).text) for x in ("xmin", "xmax", "ymin", "ymax")])
                  cls_id = names.index(cls)  # class id
                  out_file.write(" ".join(str(a) for a in (cls_id, *bb)) + "\n")

  # Download
  dir = Path(yaml["path"])  # dataset root dir
  urls = [
      f"{ASSETS_URL}/VOCtrainval_06-Nov-2007.zip",  # 446MB, 5011 images
      f"{ASSETS_URL}/VOCtest_06-Nov-2007.zip",  # 438MB, 4952 images
      f"{ASSETS_URL}/VOCtrainval_11-May-2012.zip",  # 1.95GB, 17125 images
  ]
  download(urls, dir=dir / "images", threads=3, exist_ok=True)  # download and unzip over existing (required)

  # Convert
  path = dir / "images/VOCdevkit"
  for year, image_set in ("2012", "train"), ("2012", "val"), ("2007", "train"), ("2007", "val"), ("2007", "test"):
      imgs_path = dir / "images" / f"{image_set}{year}"
      lbs_path = dir / "labels" / f"{image_set}{year}"
      imgs_path.mkdir(exist_ok=True, parents=True)
      lbs_path.mkdir(exist_ok=True, parents=True)

      with open(path / f"VOC{year}/ImageSets/Main/{image_set}.txt") as f:
          image_ids = f.read().strip().split()
      for id in TQDM(image_ids, desc=f"{image_set}{year}"):
          f = path / f"VOC{year}/JPEGImages/{id}.jpg"  # old img path
          lb_path = (lbs_path / f.name).with_suffix(".txt")  # new label path
          f.rename(imgs_path / f.name)  # move image
          convert_label(path, lb_path, year, id)  # convert labels to YOLO format

Kullanım#

640 görüntü boyutuyla VOC veri kümesinde 100 epoch boyunca bir YOLO26n modelini eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Eğitim sayfasına bak.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli eğit — veri kümesi ilk çalıştırmada otomatik indirilir
results = model.train(data="VOC.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Ek Açıklamalar#

Aşağıdaki görüntüde VOC veri kümesinden mozaiklenmiş bir eğitim grubu gösteriliyor. Mozaikleme, birden fazla görüntüyü tek bir eğitim örneğinde birleştirerek modelin her grupta gördüğü nesne, ölçek ve sahne bağlamı çeşitliliğini artırır — ayrıntılar için YOLO veri artırma kılavuzuna bak.

Atıflar ve Teşekkürler#

VOC veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki makaleye atıfta bulun:

@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}}

Bu değerli kaynağı oluşturup sürdürdüğü için PASCAL VOC Konsorsiyumu'na bilgisayarlı görü topluluğu adına teşekkür ederiz. VOC veri kümesi ve oluşturucuları hakkında daha fazla bilgi için PASCAL VOC veri kümesi web sitesini ziyaret et.

Sık Sorulan Sorular#