MS COCO：Microsoft Common Objects in Context
官网：http://cocodataset.org/#download
用途：CV方向通用目标检测或者语义分割的benchmark
这篇博客写给和我一样的新手（被各种复杂的一逼的github代码看花了眼），能够快速构建属于自己的pipeline。
本文以 COCO2017 做 Object Detection 为例：
- 第一步：下载数据
COCO API # coco的API，根据github中的提示配置基于coco的python API
2017 Train images [118K/18GB]
2017 Val images [5K/1GB]
2017 Test images [41K/6GB] # 图像
2017 Train/Val annotations [241MB]
2017 Testing Image info [1MB] # 注释 --根据自己的目标（检测、分割等）去下载
- 第二步：整理数据
COCO数据集下载好后，将图像（train2017\val2017\test2017）和标注（annotations）放在一起。
注意：annotation中包含所有的标注信息，这里我把目标检测用到的标注: instances_train2017.json和instances_val2017.json
以及测试用的image_info_test-dev2017.json放在自己用的文件夹里，其他不要。
coco
`-- |-- annotations
| |-- instances_train2017.json
| |-- instances_val2017.json
| |-- image_info_test-dev2017.json
|--- train2017
|--- val2017
`--- test2017
- 第三步，理解数据
1. train2017\val2017\test2017中都是图片，图片名称就是其id，很好理解。
2. annotations部分：
（1）inatance_train2017.json、instance_val2017.json两个json文件内容如何理解：
http://cocodataset.org/#format-data
可以打开文件对照着看，这里安利Notepad++，可以打开各种不知道是什么乱七八糟的文件。
（2）如何进行test：
http://cocodataset.org/#guidelines（其实2017 Testing Image info [1MB]下载后有两个test_info文件，这两个的区别就在这个链接里说明，论文中的结果一般采用test-dev）
http://cocodataset.org/#format-results
注：这部分我直接放了官网的链接，因为COCO官网解释的最清楚。估计有很多朋友和我一样英语不好，就想着有中文比较清楚的教程，然而中文搜索各种解释其实都是对官网的照抄翻译，还有的会漏很多细节，与其把精力放在无用的查找上，还不如硬着头皮去看官网，坚持住就是豁然开朗。
第四步，构建pipeline调用数据