开始使用

PASCAL VOC 数据集

PASCAL VOC(视觉目标类别)数据集是一个经典的目标检测基准,包含 20 个日常物体类别。Ultralytics 的 VOC.yaml 配置将 VOC2007 和 VOC2012 的 trainval 划分合并为一个包含 16,551 张图像的训练集,使用 4,952 张带有公开标注的 VOC2007 测试图像进行验证,并会在首次使用时自动下载所有数据(2.8 GB)。



观看: 如何在 Pascal VOC 数据集上训练 Ultralytics YOLO | 目标检测 | 计算机视觉 🚀

PASCAL VOC 挑战赛于 2005 年至 2012 年举办,塑造了目标检测模型的评估方式:该基准涵盖图像分类、检测和分割任务,并使平均精度均值 (mAP) 成为标准检测指标。Ultralytics 的 VOC.yaml 配置使用检测标注,并在下载期间将原始 XML 边界框转换为 YOLO 格式。

主要功能#

  • 20 个日常物体类别:人;六种动物(鸟、猫、牛、狗、马、羊);七种车辆(飞机、自行车、船、公交车、汽车、摩托车、火车);以及六种室内物体(瓶子、椅子、餐桌、盆栽、沙发、电视显示器)。
  • 合并两代挑战赛数据:训练集由 VOC2007 trainval(5,011 张图像)和 VOC2012 trainval(11,540 张图像)合并而成。
  • 标准化评估:数十年来发表的 VOC 基准结果,使其成为比较检测模型的便捷参考。
  • 适用于 YOLO:下载脚本会获取数据压缩包并自动转换标注——无需手动准备。

数据集结构#

Ultralytics 的 VOC.yaml 配置定义了以下划分:

划分图像数据源
训练16,551VOC2007 trainval(5,011)+ VOC2012 trainval(11,540)
验证4,952VOC2007 test,用于训练期间的评估
测试4,952与验证集相同的 VOC2007 测试图像——配置未定义单独的留出划分

VOC2007 测试标注在当年挑战赛结束后公开发布,因此这一划分可以作为带标签的验证集。VOC2012 测试标注仍未公开——只能通过官方 PASCAL 评估服务器对结果评分——因此不包含在此配置中。

不包含困难目标

自动转换器会跳过原始 VOC XML 标注中标记为 difficult 的目标,因此每个类别的实例数与 VOC 官方统计数据略有不同。

在 Ultralytics Platform 上探索 VOC,浏览带有标注叠加层的图像,在 Charts 选项卡中查看类别分布和边界框热图,并克隆数据集以在云端训练自己的模型。

应用场景#

在规模更大的 COCO 数据集出现之前,PASCAL VOC 是目标检测研究的主要基准:Faster R-CNN 和 SSD 等检测器都在该数据集上报告了最初的结果,而 Ultralytics YOLO 模型开箱即用即可在其上训练。如今,它仍广泛用于:

  • 将新的检测架构与长期以来发表的基准结果进行比较
  • 快速实验和课程作业——训练集只有 16,551 张图像,训练速度远快于 COCO
  • 在规模小且广为人知的日常类别集合上开展迁移学习研究

数据集 YAML#

VOC.yaml 文件定义了数据集配置,包括数据集路径、20 个类别名称以及自动下载和转换脚本。该文件由 Ultralytics 仓库维护,地址为 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/VOC.yaml。

ultralytics/cfg/datasets/VOC.yaml
# 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

用法#

2.8 GB 下载

VOC 会在首次训练时自动下载——共三个压缩包,总计 2.8 GB——解压和转换期间需要约 6 GB 的可用磁盘空间。

如需在 VOC 数据集上以 640 的图像尺寸训练一个 YOLO26n 模型,训练 100 个周期,可以使用以下代码片段。

训练示例
from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n.pt")  # 加载预训练模型(推荐用于训练)

# 训练模型 - 数据集会在首次运行时自动下载
results = model.train(data="VOC.yaml", epochs=100, imgsz=640)

示例图像和标注#

下图展示了 VOC 数据集中的一个马赛克训练批次。马赛克增强会将多张图像合并为一个训练样本,增加模型在每个批次中看到的物体、尺度和场景上下文的多样性——详情请参阅 YOLO 数据增强指南。

Pascal VOC 数据集马赛克训练批次

引用与致谢#

如果你在研究或开发工作中使用 VOC 数据集,请引用以下论文:

引用
@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}}

我们感谢 PASCAL VOC Consortium 创建并维护这一宝贵资源,为计算机视觉社区作出贡献。有关 VOC 数据集及其创建者的更多信息,请访问 PASCAL VOC 数据集网站。

常见问题#

  • PASCAL VOC 用于在 20 个常见物体类别(例如人、汽车、狗和椅子)上训练和基准测试目标检测模型。由于它规模紧凑、标注完整,且有多年来公开发表的基线结果作为参考,因此常用于验证新架构、开展课程实验和进行快速迁移学习研究。

  • Ultralytics VOC 配置包含 21,503 张图像:16,551 张用于训练(VOC2007 trainval + VOC2012 trainval),4,952 张用于验证(VOC2007 测试集)。所有划分使用相同的 20 个类别。完整细分请参阅数据集结构。

  • 首次使用 data="VOC.yaml" 训练时,VOC 会自动下载——无需手动操作。脚本会从 Ultralytics GitHub 发布资源中获取三个压缩包(2.8 GB),并将 XML 标注转换为 YOLO 格式。

  • 使用 VOC 训练 YOLO26n 模型 100 个 epochs,图像尺寸设为 640:

    训练示例
    from ultralytics import YOLO
    
    # 加载模型
    model = YOLO("yolo26n.pt")  # 加载预训练模型(推荐用于训练)
    
    # 训练模型
    results = model.train(data="VOC.yaml", epochs=100, imgsz=640)

    详细配置请参见训练页面和模型训练技巧。

  • 两项挑战使用相同的 20 个类别,但包含不同的图像。VOC2007 提供 5,011 张 trainval 图像,以及一个包含 4,952 张图像、标注公开的测试集;VOC2012 提供 11,540 张 trainval 图像,但其测试标注不公开,只能通过官方评估服务器评分。Ultralytics VOC.yaml 会合并两个 trainval 集用于训练,并在 VOC2007 测试集上进行验证。

  • VOC 规模更小、结构更简单:包含 20 个类别和 21,503 张图像,而 COCO 有 80 个类别和 330K 张图像。VOC 结果传统上以 IoU 为 0.5 时的 mAP 报告 IoU,而 COCO 则对 0.5 到 0.95 的 IoU 阈值范围内的 mAP 取平均。VOC 训练速度快,适合快速实验;COCO 数据集则是生产规模基准测试的标准。

  • 不可以——VOC.yaml 是仅用于检测的配置:其转换器会从 VOC XML 标注中提取边界框,不会转换原始基准中包含的分割掩码。要训练实例分割模型,请使用带多边形标签的数据集,例如配合 YOLO26n-seg 模型使用 COCO-Seg。

评论8

提出问题、分享结果,或帮助其他人。

  1. mengdxiranGitHub

    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'

    1. mengdxiranGitHub

      I've identified the issue—it was due to a problem with the data download, where some of the data failed to download successfully

    2. Glenn JocherUltralytics

      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.

    1. Glenn JocherUltralytics(已编辑)

      @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)

      Refer to the VOC Dataset Docs for detailed guidance.

  2. YustasDevGitHub

    So, I have a train dataset in Pascal VOC format, i.e. /train/ - 1.jpg - 1.xml - 2.jpg - 2.xml ...... and so on.

    Where the xml file format is as follows:

    1.jpg unknown 640 640 3 0 led Unspecified 0 0 0 359 368 82 94

    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?

    1. Glenn JocherUltralytics(已编辑)

      @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!