1.首先了解VOC2012資料集的內容

資料集下載後解壓得到一個名為VOCdevkit的資料夾，該資料夾結構如下： 

.
└── VOCdevkit     #根目錄
    └── VOC2012   #不同年份的資料集，這裡只下載了2012的，還有2007等其它年份的
        ├── Annotations        #存放xml檔案，與JPEGImages中的圖片一一對應，解釋圖片的內容等等
        ├── ImageSets          #該目錄下存放的都是txt檔案，txt檔案中每一行包含一個圖片的名稱，末尾會加上±1表示正負樣本
        │   ├── Action         #存放的是人的動作，我們暫時不用
        │   ├── Layout         #存放的人體部位的資料。我們暫時不用
        │   ├── Main
        │   └── Segmentation   #存放的是可用於分割的資料,做檢測識別也是用不到的.
        ├── JPEGImages         #存放源圖片
        ├── SegmentationClass  #存放的是圖片，分割後的效果，見下文的例子
        └── SegmentationObject #存放的是圖片，分割後的效果，見下文的例子
 

1)JPEGImages資料夾

資料夾裡包含了訓練圖片和測試圖片，混放在一起，即資料集的原圖片 

2)Annatations資料夾

資料夾存放的是xml格式的標籤檔案，每個xml檔案都對應於JPEGImages資料夾的一張圖片

3)ImageSets資料夾

Action存放的是人的動作，我們暫時不用 Layout存放的人體部位的資料。我們暫時不用 Main存放的是影象物體識別的資料，分為20類，Main裡面有test.txt , train.txt, val.txt ,trainval.txt.這四個檔案我們後面會生成 Segmentation存放的是可用於分割的資料,做檢測識別也是用不到的.

4)其他的資料夾不解釋了.

如果你下載了VOC2012資料集，那麼把它解壓，把各個資料夾裡面的東西刪除，保留資料夾名字。如果沒下載，那麼就仿照他的資料夾格式，自己建好空資料夾就行。

2.Annatations資料夾下xml介紹

<annotation>
    <folder>VOC2012</folder>             #表明圖片來源
    <filename>2007_000027.jpg</filename> #圖片名稱
    <source>                             #圖片來源相關資訊
        <database>The VOC2007 Database</database>
        <annotation>PASCAL VOC2007</annotation>
        <image>flickr</image>
    </source>
    <size>                               #影象尺寸
        <width>486</width>
        <height>500</height>
        <depth>3</depth>
    </size>
    <segmented>0</segmented>             #是否用於分割
    <object>                             #包含的物體
        <name>person</name>              #物體類別
        <pose>Unspecified</pose>
        <truncated>0</truncated>
        <difficult>0</difficult>
        <bndbox>                         #物體的bbox
            <xmin>174</xmin>
            <ymin>101</ymin>
            <xmax>349</xmax>
            <ymax>351</ymax>
        </bndbox>
        <part>                           #物體的頭
            <name>head</name>
            <bndbox>
                <xmin>169</xmin>
                <ymin>104</ymin>
                <xmax>209</xmax>
                <ymax>146</ymax>
            </bndbox>
        </part>
        <part>                            #物體的手
            <name>hand</name>
            <bndbox>
                <xmin>278</xmin>
                <ymin>210</ymin>
                <xmax>297</xmax>
                <ymax>233</ymax>
            </bndbox>
        </part>
        <part>
            <name>foot</name>
            <bndbox>
                <xmin>273</xmin>
                <ymin>333</ymin>
                <xmax>297</xmax>
                <ymax>354</ymax>
            </bndbox>
        </part>
        <part>
            <name>foot</name>
            <bndbox>
                <xmin>319</xmin>
                <ymin>307</ymin>
                <xmax>340</xmax>
                <ymax>326</ymax>
            </bndbox>
        </part>
    </object>
</annotation>