随着计算机视觉技术的飞速发展，用于描述图像中边界框位置的文件格式也在不断增加，例如PASCAL VOCXML、COCO JSON、各种CSV注释格式、Darknet .txt文件等。这些格式的多样性使得跟踪和转换它们变得繁琐且耗时。转换文件格式甚至可能分散对核心视觉任务的注意力——创建高质量、可运行的模型。正如所说，开发者花费时间在转换注释格式上，就像花费时间将Word文档转换为PDF一样。
在这篇文章中，将介绍两种常见的注释格式——PASCAL VOC XML和YOLO Darknet，并展示如何将它们相互转换。可以使用类似的步骤来转换任何一对计算机视觉注释格式。
Roboflow可以在几分钟内从任何注释格式生成YOLO Darknet、COCO JSON等格式。文章末尾将展示如何操作。
PASCAL（模式分析、统计建模和计算学习）是由欧盟资助的一个卓越网络。从2005年到2012年，PASCAL举办了视觉对象挑战（VOC）。PASCAL每年发布对象检测数据集并报告基准测试。（一个聚合的PASCAL VOC数据集可以在这里找到。）
PASCAL VOC注释以XML格式发布，每张图像都有一个相应的XML文件描述框架内的边界框。例如，在浣熊检测的浣熊数据集中，一个XML注释示例如下：
<annotation>
<folder></folder>
<filename>raccoon-40.jpg</filename>
<path>raccoon-40.jpg</path>
<source>
<database>roboflow.ai</database>
</source>
<size>
<width>416</width>
<height>416</height>
<depth>3</depth>
</size>
<segmented>0</segmented>
<object>
<name>raccoon</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<occluded>0</occluded>
<bndbox>
<xmin>142</xmin>
<xmax>302</xmax>
<ymin>61</ymin>
<ymax>318</ymax>
</bndbox>
</object>
</annotation>
注意几个关键点：(1) 被注释的图像文件作为相对路径提及；(2) 图像元数据包括宽度、高度和深度；(3) 边界框像素位置由左上角和右下角的xmin、ymin、xmax和ymax表示。
随着YOLO模型家族的流行，YOLO Darknet格式也越来越受到关注。最新的YOLO模型YOLOv5，使得开发高性能、快速推理模型变得极其迅速。YOLOv4在COCO基准测试中继续表现出色，并且在mAP上略胜一筹。
YOLO Darknet注释存储在文本文件中。与VOC XML类似，每张图像都有一个注释。与VOC格式不同，YOLO注释只有文本文件定义每个图像中的对象，每个对象一行。让看看上面的浣熊图像注释，但是以YOLO格式表示：
0 0.534375 0.4555555555555555 0.3854166666666667 0.6166666666666666
YOLO注释位置也是以相对范围书写的。也就是说，每个边界框坐标都从零到一进行缩放，以确定给定点在图像中的位置。最后，因为定义注释的文本文件包含正在注释的对象的ID，看到了对象ID的声明。
在上面的例子中，看到了类别ID 0，和两个点——底部位置（0.534375, 0.4555555555555555）和左上角位置（0.3854166666666667, 0.6166666666666666）。因此，YOLO Darknet格式还必须包含所谓的“标签映射”，这是一个将类别ID映射到类名的文件。在例子中，只有一个类别（浣熊），所以类别ID零映射到浣熊。
要转换注释，可以编写一个脚本来映射上述输入和位置到它们的相对输出位置。另外，可以使用Roboflow，它为完成了这项工作，只需几次点击。
首先，创建一个新的数据集。点击“创建数据集”并给数据集一个名称，并描述所有注释组（例如，BCCD数据集将是“细胞”）。将图像和注释拖放到上传区域。然后Roboflow会检查注释以确保它们是合理的（例如，没有边界框超出框架）。
一旦数据集经过检查和处理，点击右上角的“开始上传”。一旦数据集上传完成，将被引导到主“修改数据集”页面。在这里，可以应用预处理和/或增强步骤，如果需要的话。请注意，“自动定向”和“调整大小”默认是开启的。要将原始图像原样转换，关闭这些并生成导出。
创建一个带有任何预处理步骤的导出。图像已经准备好被下载了。可以将zip文件下载到计算机上，或者可以创建一个代码片段，使用wget将它们下载到Jupyter笔记本中。
Roboflow支持广泛的导出格式：PASCAL VOC XML、CreateML JSON、TuriCreate JSON、COCO JSON、Tensorflow Object Detection TFRecord、YOLO Darknet、YOLOv3 Keras等等。
使用Roboflow，甚至可以创建训练集、验证集和测试集——并为每个生成COCO JSON注释。这使得尝试不同的计算机视觉框架和模型变得非常容易。