一、简介

• MS-COCO 数据集是微软构建的一个数据集，其包含 detection, segmentation, keypoints 等任务

• MS-COCO 总共包含 91 个类别（检测任务使用 80 类），每个类别的图片数量如下：
  

• 与 PASCAL VOC 数据集相比：

  • COCO 中的图片包含了自然图片以及生活中常见的目标图片，背景比较复杂，目标数量比较多，目标尺寸更小，因此 COCO 数据集上的任务更难
  • COCO 数据集平均每张图片包含 3.5 个类别和 7.7 个实例目标，仅有不到 20% 的图片只包含一个类别，仅有 10% 的图片包含一个实例目标；而 PASCAL VOC 数据集平均每张图片仅包含 1.4 个类别和 2.3 个实例目标，有多于 70% 的图片上都只有一个类别

二、MS-COCO 数据下载及组织结构

• MS-COCO-2017 train_val_test 百度云下载链接，提取码: 6N62
  • train2017： 带标签，117266 张，这里使用 YOLOv5 作者提供的 label (xc/width, yc/height, w/width, h/height)
  • val2017： 带标签，4952 张，这里使用 YOLOv5 作者提供的 label(xc/width, yc/height, w/width, h/height)
  • test2017： 无标签，40670 张
  • Note： 这里使用 YOLOv5 作者提供的 label，训练和验证集比原数据少了一些（1021/48）
• 数据集组织结构如下，其中 train2017.txt 和 val2017.txt 存储在训练和验证图片的路径
  
• JSON 解析可参考 YOLOv5 作者提供的脚本：Convert JSON annotations into YOLO format 或者直接使用作者转换好的 label 链接：https://github.com/ultralytics/yolov5/releases/download/v1.0/coco2017labels.zip

三、评估标准

• COCO 中的 AP 是指在 10 个 IOU 层面（0.5 到 0.95 每变化 0.05 就测试一次 AP）及 80 个类别层面的平均值
• COCO 还针对 三种不同大小（small，medium，large） 的图片提出了测量标准，COCO 中包含大约 41% 的小目标 ($area<32\times 32$)，34% 的中等目标 ($32\times 32<area<96\times 96$)，和 24% 的大目标 ($area>96\times 96$)

四、参考资料

1、MS-COCO 官网
2、MS-COCO 数据集使用和模型评估的代码
3、目标检测数据集 MS-COCO 简介
4、MS-COCO 数据集格式简介