另一方面，个人资料PASCAL VOC挑战主要包括对象类识别、对象检测、对象分段、人力布局、 名为Action Classification的子任务PASCAL主页、排名PASCAL VOC 2007挑战主页、PASCAL VOC 2012挑战主页、 pascalvocevaluationserverpascalvoc 2007和2012数据集共分为4 个大类:vehicle、household、animal和person，共33335个数据集
二、引出VOC常用组合、数据量统计及组织结构VOC 2007 train _ val _ testvoc 2012 train _ val百度云下载链接、代码： jz27
目前，VOC2007和VOC2012数据集经常用于目标检测。 由于两者是互斥的，论文中的20 个小类（加背景 21 类）有以下几种：
在使用33558www.Sina.com/VOC2007和VOC2012的trainval(16551 )上培训，然后使用VOC2007的test(4952 )进行http://www.Sina.com/测试VOC2007的trainvaltest (9963 )和VOC2012的train val (11540 )的训练，使用VOC2012的test的该方法在PASCAL VOC Evaluation Server上提交评估结果VOC2012 test没有在http://www.Sina.com/mscoco的trainval上发布3358www.Sina.com/，因此VOC2007和VOC2012的train val 3http://www.Sina 然后使用VOC2007的test测试3358www.Sina.com/在MS COCO的trainval上测试3358 www.Sina.com/VOC 2007的trainval测试和VOC2012的train val 3333 此方法必须提交到PASCAL VOC Evaluation Server以评估结果。 由于VOC2012测试未公布VOC2007和VOC2012目标检测任务中的培训、验证和测试数据统计，具体各类数据分布如下表所示
以3358www.Sina.com/VOC2007为例，解压缩后的文件如下：
.annotations执行检测任务时标记文件、xml格式、文件名和图像名称一一对应imagesets包含三个子文件夹Layout、Main和Segmentation 其中Main表示分类和检查数据集分割文件JPEGimages为. jpg格式的图像文件segmentationclass由class分割的图像( SegmentationObject由object 共有2501个 val.txt上写着验证用的图像名称。 共有2510个 trainval.txt train和val的组合。 一共5011个() test.txt上写着用于测试的图像名称。 共4952个三，标记标准和XML分析3358 www.Sina.com/VOC 2011 annotation guidelines标记信息在XML文件中进行了组织。 annotationfoldervoc 2007/folder filename 00007 filename #文件名sourcedatabasethevoc 2007 database/databaseannotationpascalvoc 200007
Fruit Bat</name></owner><size> # 图像尺寸, 用于对 bbox 左上和右下坐标点做归一化操作<width>353</width><height>500</height><depth>3</depth></size><segmented>0</segmented> # 是否用于分割<object><name>dog</name> # 物体类别<pose>Left</pose> # 拍摄角度：front, rear, left, right, unspecified <truncated>1</truncated> # 目标是否被截断（比如在图片之外），或者被遮挡（超过15%）<difficult>0</difficult> # 检测难易程度，这个主要是根据目标的大小，光照变化，图片质量来判断<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> 四、提交格式 1、Classification Task 每一类都有一个 txt 文件，里面每一行都是测试集中的一张图片，前面一列是图片名称，后面一列是预测的分数。 # comp1_cls_test_car.txt, 内容如下000004 0.702732000006 0.870849000008 0.532489000018 0.477167000019 0.112426 2、Detection Task 每一类都有一个 txt 文件，里面每一行都是测试集中的一张图片，每行的格式为：<image identifier> <confidence> <left> <top> <right> <bottom>，confidence 用来计算 mAP # comp3_det_test_car.txt，内容如下# comp3：只允许用所给训练数据，comp4：允许使用外部数据000004 0.702732 89 112 516 466000006 0.870849 373 168 488 229000006 0.852346 407 157 500 213000006 0.914587 2 161 55 221000008 0.532489 175 184 232 201 五、评估标准 PASCAL的评估标准是 mAP(mean average precision)，关于 mAP 可参考以下资料： average precision性能指标（模型评估）之mAP多标签图像分类任务的评价方法-mAP周志华老师 《机器学习》 模型评估标准一节PASCAL官方给了 MATLAB 版的 mAP 评估脚本和示例代码 development kit code and documentation eg：下面是一个二分类的 P-R 曲线（precision-recall curve），对于 PASCAL 来说，每一类都有一个这样的 P-R曲线，P-R 曲线下面与 x 轴围成的面积称为 average precision，每个类别都有一个 AP，20个类别的 AP 取平均值 就是 mAP。六、参考资料
1、The PASCAL Visual Object Classes Homepage
2、目标检测数据集PASCAL VOC简介