PaddleDetection支持43种数据格式，文中主要说明如何用自定义COCO和VOC数据集进行训练。新版本数据配置抽离，用户关注configs/datasets下的配置文件即可。使用自定义VOC数据集改voc.yml，改dataset_dir等路径；COCO目标检测改cooc_detection.yml，实例分割改cooc_instance.yml，均需修改相关路径。

PaddleDetection支持的数据格式

目前#PaddleDetection支持43种数据格式：coco voc widerface。在这里我们主要说明一下如何使用自定义COCO进行目标检测、实例分割；如何使用自定义VOC数据集进行目标检测。在PaddleDetection新的版本中，我们将数据配置抽离了出来，用户在自定义数据集进行训练的时候，只需要关注在configs/datasets文件中的数据配置文件即可。

1 使用自定义VOC数据集进行目标检测训练

当用户使用VOC数据集进行的，只需要对voc.yml进行修改即可实现正常训练。我们提供了一个自定义的VOC数据集，并整理成如图如下图所示的形式。用户在voc.yml文件中修改路径即可。dataset_dir: 表示数据集的路径（该路径下保存数据集、标注文件、标签以及训练验证数据集说明txt文件）anno_path: 表示训练/验证数据集的说明txt文件路径 （该处填写相对于dataset_dir的相对路径）label_list: 表示label的txt文件路径（该处填写相对于dataset_dir的相对路径）在TestDataset的配置中，对于的主要是label_list的路径，确保在测试过程中，有正确的标签

2 使用自定义coco数据集进行目标检测训练

当用户使用COOC数据集进行目标检测的时候，只需要对cooc_detection.yml进行修改即可实现正常训练。

我们提供了一个自定义的COCO数据集，并整理成如图如下图所示的形式。用户在cooc_detection.yml文件中修改路径即可。

image_dir: 表示训练/验证图片的路径anno_path: 表示训练/验证图片的标注文件的路径dataset_dir: 表示数据集的路径（该路径下保存数据集、标签）在TestDataset的配置中，对于的主要是引入标签，这里会抽取val.json文件中标签，确保在测试过程中，有正确的标签

3 使用自定义COCO数据集进行实例分割训练

当用户使用COCO数据集进行实例分割的时候，只需要对cooc_instance.yml进行修改即可实现正常训练，基本何目标检测的coco数据集格式基本一致

我们提供了一个自定义的COCO数据集，并整理成如图如下图所示的形式。用户在cooc_instance.yml文件中修改路径即可。

image_dir: 表示训练/验证图片的路径anno_path: 表示训练/验证图片的标注文件的路径dataset_dir: 表示数据集的路径（该路径下保存数据集、标签）在TestDataset的配置中，对于的主要是引入标签，这里会抽取val.json文件中标签，确保在测试过程中，有正确的标签