MS COCO：Microsoft Common Objects in Context
官網：http://cocodataset.org/#download
用途：CV方向通用目標檢測或者語義分割的benchmark
這篇博客寫給和我一樣的新手（被各種複雜的一逼的github代碼看花了眼），能夠快速構建屬於自己的pipeline。
本文以 COCO2017 做 Object Detection 爲例：
- 第一步：下載數據
COCO API # coco的API，根據github中的提示配置基於coco的python API
2017 Train images [118K/18GB]
2017 Val images [5K/1GB]
2017 Test images [41K/6GB] # 圖像
2017 Train/Val annotations [241MB]
2017 Testing Image info [1MB] # 註釋 --根據自己的目標（檢測、分割等）去下載
- 第二步：整理數據
COCO數據集下載好後，將圖像（train2017\val2017\test2017）和標註（annotations）放在一起。
注意：annotation中包含所有的標註信息，這裏我把目標檢測用到的標註: instances_train2017.json和instances_val2017.json
以及測試用的image_info_test-dev2017.json放在自己用的文件夾裏，其他不要。
coco
`-- |-- annotations
| |-- instances_train2017.json
| |-- instances_val2017.json
| |-- image_info_test-dev2017.json
|--- train2017
|--- val2017
`--- test2017
- 第三步，理解數據
1. train2017\val2017\test2017中都是圖片，圖片名稱就是其id，很好理解。
2. annotations部分：
（1）inatance_train2017.json、instance_val2017.json兩個json文件內容如何理解：
http://cocodataset.org/#format-data
可以打開文件對照着看，這裏安利Notepad++，可以打開各種不知道是什麼亂七八糟的文件。
（2）如何進行test：
http://cocodataset.org/#guidelines（其實2017 Testing Image info [1MB]下載後有兩個test_info文件，這兩個的區別就在這個鏈接裏說明，論文中的結果一般採用test-dev）
http://cocodataset.org/#format-results
注：這部分我直接放了官網的鏈接，因爲COCO官網解釋的最清楚。估計有很多朋友和我一樣英語不好，就想着有中文比較清楚的教程，然而中文搜索各種解釋其實都是對官網的照抄翻譯，還有的會漏很多細節，與其把精力放在無用的查找上，還不如硬着頭皮去看官網，堅持住就是豁然開朗。
第四步，構建pipeline調用數據