本文介绍Microsoft COCO 数据集内容、格式、下载方式以及使用官方COCO API 处理训练、预测过程中数据以及可视化功能使用等等。

MSCOCO数据集是微软开发维护的大型图像数据集，数据集标注类型对应任务包括物体检测、关键点检测、实例分割、 stuff分割 （没有特定形状的物体） ，全景分割人体关键点， 人体密度检测 等等。

数据特点：

目标级分割 图像情景识别 超像素分割 超过33万张图象，标注过的图像超过20+万张 150万个对象实例 80 Object categories (80个目标类别) 91个 stuff 类别

每张图图像有5段情景描述 对25万个人进行了关键点标注

与pascal VOC 数据集对比：

COCO数据集在类别上，包含了VOC数据集的种类

在训练自己的数据集，可以先用COCO数据集预训练好的权重（训练比较耗时间，硬件GPU训练有一定的要求），再做一个迁移学习，可以达到一个更好的效果。

关于COCO数据集官方给出的标注文件的格式说明： 具体参见官方链接： https://cocodataset.org/#format-data.

根据官方文档：预测的结果格式以列表的形式保存，列表中的每个元素对应一个检测目标（每个元素都是字典类型），每个目标（列表）中记录了四个信息：

数据集官方网址：https://cocodataset.org/ 数据集介绍论文地址：https://arxiv.org/pdf/1504.00325.pdf. 数据集下载参赛选用参考：（自己跑无所谓，哪一个都可以）

针对于目标检测的需求，要下载的数据：

在本地计算机中创建一个新的文件夹存放下载到的数据集：

注意： 虽然每个json文件都有"info", “images” , “annotations”, "licenses"关键字，但不同的任务对应的json文件中annotation的形式不同。

在制作自己的数据集时候，文件夹的格式可以保持一致，标注的信息要提前筛选和检查一遍，避免在标注的过程中出现标定框的高度、宽度为0的情况，影响训练进行。

上述的文件夹框架中，在标注信息文件夹下，训练涉及的主要注意文件是：含有训练集标注信息的json文件 和 验证集的验证集标注信息的json文件。

自己训练的时候，没有必要自己划分测试集。只有特别需求的时候，比如参加什么比赛有要求,防止人为修改参数在模型和数据、结果之间作弊。一般通过训练集得到模型，用验证集进行验证就可以满足基本要求了。

pycocotools：帮助使用python加载、解析和可视化coco中的标注文件

示例：

通过pycocotools可以读取图片以及对应的并标签信息，将预测的结果在原图中显示出来。

https://www.bilibili.com/video/BV1TK4y1o78H https://www.bilibili.com/video/BV19h411C7pK/?spm_id_from=autoNext https://blog.csdn.net/u013832707/article/details/93710810 https://blog.csdn.net/qq_37541097/article/details/113247318