数据集介绍与准备：COCO、VOC、KITTI

做障碍物检测，第一步不是调模型，而是搞定数据。

我见过太多同学，模型结构背得滚瓜烂熟，结果一跑训练就报错——不是路径不对，就是标注格式解析失败。说白了，数据准备这个环节，决定了你后面90%的调试时间。

今天咱们就把三个主流数据集——COCO、VOC、KITTI——彻底讲透。包括它们的目录结构、标注格式、下载方式，以及我踩过的坑。

4.1 三大数据集概览

先给个全景图，让你心里有个数。

你可能会问：「为什么障碍物检测要用COCO？它不是通用数据集吗？」

嗯，这里有个关键点：COCO虽然包含80类，但其中「car」「truck」「bus」「person」这些类别，正好是自动驾驶障碍物检测的核心目标。所以很多团队直接用COCO做预训练，再在自己的场景上微调。

4.2 COCO数据集详解

4.2.1 下载与目录结构

COCO的下载方式我建议直接用官方脚本，别手动去网页点。我当年第一次下载时，手动点了十几个链接，结果发现版本不对……

# 下载2017年训练集和验证集
wget http://images.cocodataset.org/zips/train2017.zip
wget http://images.cocodataset.org/zips/val2017.zip
wget http://images.cocodataset.org/annotations/annotations_trainval2017.zip

解压后的目录结构长这样：

coco/
├── images/
│   ├── train2017/        # 训练集图片
│   └── val2017/          # 验证集图片
└── annotations/
    ├── instances_train2017.json   # 训练集标注
    ├── instances_val2017.json     # 验证集标注
    └── stuff_train2017.json       # 语义分割标注（可选）

我个人习惯把数据集放在一个独立的硬盘分区里，因为COCO解压后将近25GB，频繁读写会拖慢系统。

4.2.2 标注格式：JSON

COCO的标注格式是JSON，结构清晰但嵌套较深。我第一次解析时，差点被它的字典套列表、列表套字典搞晕。

核心结构如下：

{
  "images": [
    {
      "id": 1,
      "file_name": "000000000001.jpg",
      "width": 640,
      "height": 480
    },
    ...
  ],
  "annotations": [
    {
      "id": 1,
      "image_id": 1,
      "category_id": 3,
      "bbox": [100, 150, 200, 300],  // [x, y, width, height]
      "area": 60000,
      "iscrowd": 0
    },
    ...
  ],
  "categories": [
    {
      "id": 1,
      "name": "person",
      "supercategory": "person"
    },
    ...
  ]
}

这里有个坑：bbox的格式是[x, y, width, height]，不是[x1, y1, x2, y2]。很多新手直接拿[x, y, w, h]去画框，结果画出来是歪的。我曾经在项目里因为这个bug排查了整整一个下午……

def coco_bbox_to_xyxy(bbox):
    x, y, w, h = bbox
    return [x, y, x + w, y + h]

4.3 VOC数据集详解

4.3.1 下载与目录结构

VOC数据集相对轻量，适合快速验证算法。下载命令：

wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
tar -xvf VOCtrainval_11-May-2012.tar

目录结构：

VOCdevkit/
└── VOC2012/
    ├── JPEGImages/        # 所有图片
    ├── Annotations/       # XML标注文件
    ├── ImageSets/
    │   └── Main/          # 训练/验证/测试的图片列表
    │       ├── train.txt
    │       ├── val.txt
    │       └── trainval.txt
    └── SegmentationClass/ # 语义分割标注（可选）

注意看，VOC的标注文件和图片是分开存放的。图片在JPEGImages，标注在Annotations。两者通过文件名关联——比如图片叫000001.jpg，标注就叫000001.xml。

4.3.2 标注格式：XML

VOC的XML标注格式非常直观，我当年第一次看就懂了：

<annotation>
  <folder>VOC2012</folder>
  <filename>000001.jpg</filename>
  <size>
    <width>500</width>
    <height>375</height>
    <depth>3</depth>
  </size>
  <object>
    <name>car</name>
    <bndbox>
      <xmin>100</xmin>
      <ymin>150</ymin>
      <xmax>300</xmax>
      <ymax>450</ymax>
    </bndbox>
  </object>
  <object>
    <name>person</name>
    <bndbox>
      <xmin>50</xmin>
      <ymin>50</ymin>
      <xmax>120</xmax>
      <ymax>200</ymax>
    </bndbox>
  </object>
</annotation>

你看，VOC的bbox格式是[xmin, ymin, xmax, ymax]，跟COCO不一样。所以如果你要在两个数据集之间切换，记得做格式转换。

4.4 KITTI数据集详解

4.4.1 下载与目录结构

KITTI是自动驾驶领域最经典的数据集之一。下载方式稍微麻烦点，需要从官网注册获取链接。不过你可以用这个镜像：

wget https://s3.eu-central-1.amazonaws.com/avg-kitti/data_object_image_2.zip
wget https://s3.eu-central-1.amazonaws.com/avg-kitti/data_object_label_2.zip

目录结构：

KITTI/
├── training/
│   ├── image_2/          # 左目彩色图像
│   ├── label_2/          # 标注文件（TXT格式）
│   └── calib/            # 相机标定参数
└── testing/
    ├── image_2/
    └── calib/

KITTI的标注文件是TXT格式，每行一个目标。我刚开始看的时候觉得有点简陋，但用久了发现其实很高效。

4.4.2 标注格式：TXT

每行格式如下：

Car 0.00 0 0.00 387.63 181.54 423.17 203.09 1.52 1.57 3.48 -1.56 1.63 46.69 1.65

各字段含义：

这里有个关键点：KITTI不仅提供2D框，还提供3D框信息。如果你要做3D障碍物检测，KITTI几乎是必选数据集。

4.5 标注格式对比与转换

三个数据集的标注格式各不相同，但核心信息是一样的：类别 + 位置。下面这张SVG图帮你理清关系：

在实际项目中，我建议你统一使用一种内部格式。我个人偏好YOLO格式——[class_id, x_center, y_center, width, height]，所有值归一化到0~1。这样不管从哪个数据集来，都能快速适配。

4.6 避坑指南

最后分享几个我踩过的坑：

• 路径问题： 数据集路径不要包含中文和空格。我曾经因为文件夹名叫「数据集(2024)」，结果OpenCV死活读不了图片。
• 类别索引： COCO的类别ID从1开始，VOC从0开始？不对，VOC的XML里类别是字符串，你需要自己建一个映射表。我建议统一从0开始编号。
• 图片损坏： 下载的数据集里偶尔会有损坏的图片。写个脚本检查一下，别等到训练到一半才报错。
• 标注缺失： KITTI的测试集没有标注，只有训练集有。别傻乎乎地拿测试集去训练。