PASCAL VOC為影象識別和分類提供了一整套標準化的優秀的資料集，從2005年到2012年每年都會舉行一場影象識別challenge。 下載完之後解壓，可以在VOCdevkit目錄下的VOC2012中看到如下的檔案：
其中在影象物體識別上著重需要了解的是Annotations、ImageSets和JPEGImages。 ①JPEGImages JPEGImages資料夾中包含了PASCAL VOC所提供的所有的圖片資訊，包括了訓練圖片和測試圖片。 這些影象都是以“年份_編號.jpg”格式命名的。 圖片的畫素尺寸大小不一，但是橫向圖的尺寸大約在500*375左右，縱向圖的尺寸大約在375*500左右，基本不會偏差超過100。（在之後的訓練中，第一步就是將這些圖片都resize到300*300或是500*500，所有原始圖片不能離這個標準過遠。） 這些影象就是用來進行訓練和測試驗證的影象資料。 ②Annotations Annotations資料夾中存放的是xml格式的標籤檔案，每一個xml檔案都對應於JPEGImages資料夾中的一張圖片。

xml檔案的具體格式如下：

1. <annotation>
2.     <folder>VOC2012</folder>
3.     <filename>2007_000392.jpg</filename>                               //檔名  
4.     <source>
5.         <database>The VOC2007 Database</database>
6.         <annotation>PASCAL VOC2007</annotation>
7.         <
   image>flickr</image>
8.     </source>
9.     <size>                                               //影象尺寸（長寬以及通道數）                        
10.         <width>500</width>
11.         <height>332</height>
12.         <depth>3</depth>
13.     </size>
14.     <segmented>1
    </segmented>
15.     <object>                                                           //檢測到的物體  
16.         <name>horse</name>                                         //物體類別  
17.         <pose>Right</pose>
18.         <truncated>0</truncated>
19.         <difficult>0</difficult>
20.         <bndbox>                                                   //bounding-box（包含左下角和右上角xy座標）  
21.             <xmin>100</xmin>
22.             <ymin>96</ymin>
23.             <xmax>355</xmax>
24.             <ymax>324</ymax>
25.         </bndbox>
26.     </object>
27.     <object>                                                           //檢測到多個物體  
28.         <name>person</name>
29.         <pose>Unspecified</pose>
30.         <truncated>0</truncated>
31.         <difficult>0</difficult>
32.         <bndbox>
33.             <xmin>198</xmin>
34.             <ymin>58</ymin>
35.             <xmax>286</xmax>
36.             <ymax>197</ymax>
37.         </bndbox>
38.     </object>
39. </annotation>

對應的圖片為： ③ImageSets ImageSets存放的是每一種型別的challenge對應的影象資料。 在ImageSets下有四個資料夾： 其中Action下存放的是人的動作（例如running、jumping等等，這也是VOC challenge的一部分） Layout下存放的是具有人體部位的資料（人的head、hand、feet等等，這也是VOC challenge的一部分） Main下存放的是影象物體識別的資料，總共分為20類。 Segmentation下存放的是可用於分割的資料。 在這裡主要考察Main資料夾。 Main資料夾下包含了20個分類的***_train.txt、***_val.txt和***_trainval.txt。 需要保證的是train和val兩者沒有交集，也就是訓練資料和驗證資料不能有重複，在選取訓練資料的時候 ，也應該是隨機產生的。