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 2205 个字符，预计需要花费 6 分钟才能阅读完成。

在计算机视觉领域，数据集格式的选择直接影响着项目的开发效率。相比经典的 PASCAL VOC 格式，COCO（Common Objects in Context）数据集因其丰富的标注信息和灵活的结构设计，逐渐成为目标检测和实例分割任务的事实标准。

标注丰富度：COCO 提供了 80 个常见类别的物体标注，包含目标检测、实例分割、关键点检测等多任务标注
数据结构化程度：采用单一 JSON 文件管理所有标注，比 PASCAL VOC 的 XML 分文件存储更易批量处理
场景复杂性：图像包含更多现实场景中的遮挡、小目标等情况，更接近实际应用场景

COCO 的核心是一个精心设计的 JSON 结构，主要包含三个顶层字段：

graph TD
    A[COCO JSON] --> B[images]
    A --> C[annotations]
    A --> D[categories]
    B --> E[image metadata]
    C --> F[object annotations]
    D --> G[category definitions]

images 数组：存储所有图像的基本信息
关键字段：id, width, height, file_name
示例：{"id": 1, "width": 640, "height": 480, "file_name": "000001.jpg"}
annotations 数组：包含所有物体的标注信息
核心字段：id, image_id, category_id, bbox, segmentation, area
一个图像可能对应多个 annotation 对象
categories 数组：定义类别体系
关键字段：id, name, supercategory
示例：{"id": 1, "name": "person", "supercategory": "living thing"}

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

(x,y)表示矩形框左上角坐标
width/height 表示框的宽高
所有值都是相对于图像宽高的绝对像素值

# 转换 bbox 为 OpenCV 格式的(x1,y1,x2,y2)
def coco_bbox_to_xyxy(bbox):
    x, y, w, h = bbox
    return [x, y, x + w, y + h]

COCO 支持两种分割标注格式：

多边形格式 ：多个[x1,y1,x2,y2,…] 点序列组成的列表
RLE(Run Length Encoding)：压缩存储的二进制掩码

from pycocotools import mask as coco_mask

# 解码 RLE 标注
def decode_rle(rle_obj):
    if isinstance(rle_obj, list):  # 已经是多边形格式
        return rle_obj
    return coco_mask.decode(rle_obj)

对于 bbox：area = width * height
对于 segmentation：实际多边形区域面积
该字段主要用于评估指标计算，实际使用时可考虑实时计算

from pycocotools.coco import COCO

# 初始化 API（lazy loading 模式）coco = COCO(annotation_file)

# 获取特定类别的所有标注
cat_ids = coco.getCatIds(catNms=['person'])
img_ids = coco.getImgIds(catIds=cat_ids)

# 按需加载标注数据
for img_id in img_ids[:10]:  # 只加载前 10 张示例
    img_info = coco.loadImgs(img_id)[0]
    ann_ids = coco.getAnnIds(imgIds=img_id)
    annotations = coco.loadAnns(ann_ids)

    # 处理每个标注
    for ann in annotations:
        bbox = ann['bbox']  # 获取 bbox 坐标
        seg = ann['segmentation']  # 获取分割标注