介绍
PASCAL VOC挑战赛 （The PASCAL Visual Object Classes ）是一个世界级的计算机视觉挑战赛
PASCAL全称：Pattern Analysis, Statical Modeling and Computational Learning，是一个由欧盟资助的网络组织。
官方网址
http://host.robots.ox.ac.uk/pascal/VOC/
贡献
很多优秀的计算机视觉模型比如 分类，定位，检测，分割，动作识别 等模型都是基于PASCAL VOC挑战赛及其数据集上推出的
该项挑战赛催生出了一大批优秀的计算机视觉模型（以深度学习技术为主的）。
尤其是一些 目标检测模型 ，如R CNN系列、YOLO、SSD等
| Image | Person Layout |
|---|---|
 |
 |
发展
PASCAL VOC从2005年开始举办挑战赛，每年 的内容都有所不同，从最开始的 分类，到后面逐渐增加 检测，分割，人体布局，动作识别（Object Classification 、Object Detection、Object Segmentation、Human Layout、Action Classification）等内容，数据集的容量以及种类也在不断的增加和改善。
| Image | Object segmentation | Class segmentation |
|---|---|---|
 |
 |
 |
2012年停办
这项挑战赛已于2012年停止举办了，但是研究者仍然可以在其服务器上提交预测结果以评估模型的性能。
常用数据集
比较常用的数据集是 VOC 2007 与 VOC 2012
VOC 2012 用于分类和检测的数据 包含 2008-2011年 间的所有数据，并 与VOC2007互斥
所以研究者们普遍使用 VOC2007 和 VOC2012 数据集，这两个数据集经常在 检测 或 分割 的论文当中出现。
对比ImageNet
在 ImageNet 挑战赛上涌现了一大批优秀的分类模型
而PASCAL挑战赛上则是涌现了一大批优秀的 目标检测 和 分割 模型
对比MS COCO
近期的目标检测或分割模型更倾向于使用MS COCO数据集
VOC 常用数据集组合
目前目标检测常用的是 VOC2007 和 VOC2012 数据集，因为二者是互斥的，论文中的常用组合有以下几种：
07+12： 使用 VOC2007 和 VOC2012 的 train+val（16551） 上训练，然后使用 VOC2007 的 test（4952） 测试
07++12： 使用 VOC2007 的 train+val+test（9963） 和 VOC2012的 train+val（11540） 训练，然后使用 VOC2012 的 test 测试，这种方法需提交到 PASCAL VOC Evaluation Server 上评估结果，因为 VOC2012 test 没有公布
07+12+COCO： 先在 MS COCO 的 trainval 上 预训练，再使用 VOC2007 和 VOC2012 的 train+val 微调训练，然后使用 VOC2007 的 test 测试
07++12+COCO： 先在 MS COCO 的 trainval 上预训练，再使用 VOC2007 的 train+val+test 和 VOC2012 的 train+val微调训练，然后使用 VOC2012 的 test 测试 ，这种方法需提交到 PASCAL VOC Evaluation Server上评估结果，因为VOC2012 test 没有公布
VOC 2007 数据集
详见：https://www.malaoshi.top/show_1EF577eu6y6N.html
VOC 2012 数据集
2012年是最后一次挑战赛，最终用于 分类 和 检测 的数据集规模为：train/val ：11540 张图片，包含 27450 个已被标注的 ROI annotated objects ；
用于分割的数据集规模为：trainval：2913张图片，6929个分割
VOC 2012用于分类和检测的数据包含 2008-2011年间的所有数据，并与VOC2007互斥
官方网址：
http://host.robots.ox.ac.uk/pascal/VOC/voc2012/
下载地址：
VOC2007 train_val_test & VOC2012 train_val
百度云下载链接：
https://pan.baidu.com/s/1TdoXJP99RPspJrmJnSjlYg
提取码: jz27
感谢：
https://www.zhihu.com/question/41055017
https://arleyzhang.github.io/articles/1dc20586/
https://blog.csdn.net/Julialove102123/article/details/78330752
https://blog.csdn.net/akenseren/article/details/82696108