COCO数据集格式深度解析：从结构设计到标注细节的工程实践

1次阅读

共计 2419 个字符，预计需要花费 7 分钟才能阅读完成。

COCO（Common Objects in Context）是当前计算机视觉领域最常用的基准数据集之一，尤其在目标检测和实例分割任务中。与 PASCAL VOC 相比，COCO 具有以下优势：

更大规模：包含超过 20 万张图像和 80 个物体类别
更丰富的标注：不仅包含边界框，还有实例分割 mask、关键点等
更复杂的场景：图像中的物体通常处于自然环境中，且有多个实例

COCO 数据集的核心是一个巨大的 JSON 文件，主要包含三个关键部分：

graph TD
    A[COCO JSON] --> B[images]
    A --> C[annotations]
    A --> D[categories]
    B --> E[id, file_name, width, height]
    C --> F[id, image_id, category_id, bbox, segmentation, area]
    D --> G[id, name, supercategory]

images 数组：记录所有图像的基本信息
每个元素包含 id、file_name、width 和height等字段
annotations 数组：存储所有标注信息
每个标注与特定图像关联（通过image_id）
包含物体类别 (category_id)、边界框(bbox) 和分割 mask
categories 数组：定义所有类别信息
包含类别 id、name 和supercategory

COCO 的 bbox 采用 [x,y,width,height] 格式，其中：

x,y是框左上角的坐标
width,height是框的宽高
所有值都是像素单位的绝对数值

# 示例：从标注中提取并绘制 bbox
import cv2

def draw_bbox(image, annotation):
    x, y, w, h = annotation['bbox']
    cv2.rectangle(image, (int(x), int(y)), 
                 (int(x+w), int(y+h)), (0,255,0), 2)

有两种表示方式：

多边形格式：用一系列点表示物体轮廓
格式：[[x1,y1,x2,y2,...,xn,yn]]
一个物体可能有多个不连通的部分（对应多个多边形）
RLE(Run Length Encoding)格式：压缩存储二值 mask
更节省空间，适合大型数据集

# 使用 pycocotools 解码 RLE
from pycocotools import mask as maskUtils

rle = annotation['segmentation']
binary_mask = maskUtils.decode(rle)

对于 bbox：area = width * height
对于 segmentation：实际像素面积
注意：这两个值可能不同（当物体不是矩形时）

from pycocotools.coco import COCO

# 初始化 COCO API
annFile = 'instances_train2017.json'
coco = COCO(annFile)

# 获取特定类别的所有图像
catIds = coco.getCatIds(catNms=['person'])
imgIds = coco.getImgIds(catIds=catIds)

# 按需加载标注（减少内存占用）for img_id in imgIds:
    annIds = coco.getAnnIds(imgIds=img_id, catIds=catIds)
    annotations = coco.loadAnns(annIds)

延迟加载：只加载当前需要的标注，可降低 30% 内存
使用生成器：避免一次性加载所有数据
RLE 压缩：保持分割数据以 RLE 格式直到需要解码

有些标注的 bbox 可能超出图像边界，需要裁剪：

def clip_bbox(bbox, img_width, img_height):
    x, y, w, h = bbox
    x1 = max(0, min(x, img_width-1))
    y1 = max(0, min(y, img_height-1))
    x2 = max(0, min(x+w, img_width-1))
    y2 = max(0, min(y+h, img_height-1))
    return [x1, y1, x2-x1, y2-y1]