Microsoft Common Objects in Context(简写COCO)数据集是微软团队提供的一个可以用来进行图像识别，分割，注解等开发工作的数据集。
其官方说明网址：http://mscoco.org/。
该数据集主要有的特点如下：
（1）Object segmentation
（2）Recognition in Context
（3）Multiple objects per image
（4）More than 300,000 images
（5）More than 2 Million instances
（6）80 object categories
（7）5 captions per image
（8）Keypoints on 100,000 people
为了更好的介绍这个数据集，微软在ECCV Workshops里发表这篇文章：Microsoft COCO: Common Objects in Context。从这篇文章中，我们了解了这个数据集以物体识别为目标，主要从复杂的日常场景中截取，图像中的目标通过精确的标定。图像包括91类目标，328,000张图片和2,500,000个标签。
下面，我们以2014年的数据集合，来简单介绍一下这个数据集在Python环境中的使用。
首先是去下载需要的数据集，下载地址为http://mscoco.org/dataset/#download，页面内容如下所示：
对于我们此次的测试来说，只需要下载2014 Training images [80K/13GB]，2014 Train/Val object instances [158MB]即可。
建议使用aria2去下载，执行命令如下:
|
1 2 3 4 5 6 |
$ sudo apt-get install aria2 $ cd ~ $ mkdir coco $ cd coco $ aria2c -c http://msvocds.blob.core.windows.net/coco2014/train2014.zip $ aria2c -c http://msvocds.blob.core.windows.net/annotations-1-0-3/instances_train-val2014.zip |
下载完成后，解压缩到当前目录
|
1 2 3 |
$ sudo apt-get install unzip $ unzip instances_train-val2014.zip $ unzip train2014.zip |
接下来，去下载源代码COCO API的源代码
|
1 2 3 4 5 6 7 |
$ sudo apt-get install git $ git clone https://github.com/pdollar/coco.git $ cd coco/PythonAPI $ make $ sudo make install $ sudo python setup.py install $ cd ../.. |
参考https://github.com/pdollar/coco/blob/master/PythonAPI/pycocoDemo.ipynb里面的例子。
我们写如下的测试例子：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 |
from pycocotools.coco import COCO import numpy as np import skimage.io as io import matplotlib.pyplot as plt import pylab pylab.rcParams['figure.figsize'] = (10.0, 8.0) dataDir='.' dataType='train2014' annFile='%s/annotations/instances_%s.json'%(dataDir,dataType) # initialize COCO api for instance annotations coco=COCO(annFile) # display COCO categories and supercategories cats = coco.loadCats(coco.getCatIds()) nms=[cat['name'] for cat in cats] print 'COCO categories: \n\n', ' '.join(nms) nms = set([cat['supercategory'] for cat in cats]) print 'COCO supercategories: \n', ' '.join(nms) # get all images containing given categories, select one at random catIds = coco.getCatIds(catNms=['person','dog','skateboard']); imgIds = coco.getImgIds(catIds=catIds ); img = coco.loadImgs(imgIds[np.random.randint(0,len(imgIds))])[0] # load and display image I = io.imread('%s/%s/%s'%(dataDir,dataType,img['file_name'])) plt.figure(); plt.axis('off') plt.imshow(I) plt.show() # load and display instance annotations plt.imshow(I); plt.axis('off') annIds = coco.getAnnIds(imgIds=img['id'], catIds=catIds, iscrowd=None) anns = coco.loadAnns(annIds) coco.showAnns(anns) plt.show() |
执行脚本的代码如下：
|
1 2 |
$ cd ~/coco $ python testCoco.py |