# parsers

Python API: `luxonis_ml.data.parsers`

将外部数据集格式转换为 LDF 的解析器。

此包拥有支持的导入格式列表。此处应记录对解析器支持的添加或更改，以及实现它们的解析器类。

高级
[LuxonisParser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/luxonis_parser.md)
调度程序接受本地目录、`LuxonisFileSystem` 支持的远程路径、ZIP 存档和 `roboflow://workspace/project/version/format` 形式的 Roboflow URL。它可以自动检测支持的布局或使用显式
`DatasetType`，然后委托给匹配的解析器实现。

目录

 * [基本用法](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
 * [支持的格式](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
 * [预期目录布局](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
   * [COCO
   JSON](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
    * [YOLOv8-v12 和
      Ultralytics](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
    * [Ultralytics
      NDJSON](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
    * [Pascal VOC
      XML](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
    * [YOLO Darknet
      TXT](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
    * [YOLOv4 PyTorch
      TXT](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
    * [MT
      YOLOv6](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
    * [CreateML
      JSON](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
    * [TensorFlow 对象检测
      CSV](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
    * [SOLO](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
    * [分类目录](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
    * [FiftyOne
      分类](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
    * [分割掩码目录](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
    * [原生
      LDF](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
 * [拆分比例模式](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
 * [COCO
   关键点](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
 * [评估数据集注意事项](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
   *
   [COCO-2017](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
    * [ImageNet
      示例](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)
    * [ImageNet-2012](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers.md)

## 基本用法

```python
from luxonis_ml.data import LuxonisParser
from luxonis_ml.enums import DatasetType

parser = LuxonisParser(
    "path/to/dataset",
    dataset_name="parking_lot",
    dataset_type=DatasetType.COCO,
    task_name="detection",
)

dataset = parser.parse()
```

当省略 `dataset_type`
时，[LuxonisParser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/luxonis_parser.md)
尝试从目录结构推断数据集格式。`task_name` 可以是用于所有记录的单个字符串，也可以是从类名到任务名的映射。

```python
parser = LuxonisParser(
    "path/to/person_dataset",
    task_name={
        "head": "head_pose",
        "neck": "head_pose",
        "torso": "body_pose",
        "leg": "body_pose",
    },
)
```

> **注意**
> 解析 ZIP 文件时，请将数据集布局直接放在存档根目录中，除非所选解析器明确需要嵌套目录。

## 支持的格式

支持的解析器格式

| 格式 | 数据集类型 | 解析器 | 典型注释 |
| --- | --- | --- | --- |
| FiftyOne 布局或 Roboflow 布局中的 COCO JSON | `DatasetType.COCO` |
[COCOParser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/coco_parser.md)
| 边界框、分割、实例分割、关键点。 |
| [Pascal VOC XML](https://roboflow.com/formats/pascal-voc-xml) | `DatasetType.VOC` |
[VOCParser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/voc_parser.md)
| 边界框。 |
| [YOLO Darknet TXT](https://roboflow.com/formats/yolo-darknet-txt) | `DatasetType.DARKNET` |
[DarknetParser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/darknet_parser.md)
| 边界框。 |
| [YOLOv4 PyTorch TXT](https://roboflow.com/formats/yolov4-pytorch-txt) | `DatasetType.YOLOV4` |
[YoloV4Parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/yolov4_parser.md)
| 边界框。 |
| [MT YOLOv6](https://roboflow.com/formats/mt-yolov6) | `DatasetType.YOLOV6` |
[YoloV6Parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/yolov6_parser.md)
| 边界框。 |
| [YOLOv8 边界框](https://roboflow.com/formats/yolov8-pytorch-txt) | `DatasetType.YOLOV8BOUNDINGBOX` |
[YOLOv8Parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/yolov8_parser.md)
| 边界框。 |
| [YOLOv8 实例分割](https://roboflow.com/formats/yolov8-pytorch-txt) | `DatasetType.YOLOV8INSTANCESEGMENTATION` |
[YOLOv8Parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/yolov8_parser.md)
| 实例分割。 |
| [YOLOv8 关键点](https://roboflow.com/formats/yolov8-pytorch-txt) | `DatasetType.YOLOV8KEYPOINTS` |
[YOLOv8Parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/yolov8_parser.md)
| 关键点。 |
| [Ultralytics NDJSON 检测](https://docs.ultralytics.com/datasets/detect/#ultralytics-ndjson-format) |
`DatasetType.ULTRALYTICSNDJSON` |
[UltralyticsNDJSONParser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/ultralytics_ndjson_parser.md)
| 检测记录，包括本地路径或远程图像 URL。 |
| [Ultralytics NDJSON 实例分割](https://docs.ultralytics.com/datasets/detect/#ultralytics-ndjson-format) |
`DatasetType.ULTRALYTICSNDJSONINSTANCESEGMENTATION` |
[UltralyticsNDJSONParser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/ultralytics_ndjson_parser.md)
| 分割记录。 |
| [Ultralytics NDJSON 关键点](https://docs.ultralytics.com/datasets/detect/#ultralytics-ndjson-format) |
`DatasetType.ULTRALYTICSNDJSONKEYPOINTS` |
[UltralyticsNDJSONParser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/ultralytics_ndjson_parser.md)
| 姿态记录。 |
| [CreateML JSON](https://roboflow.com/formats/createml-json) | `DatasetType.CREATEML` |
[CreateMLParser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/create_ml_parser.md)
| 边界框。 |
| [TensorFlow 对象检测 CSV](https://roboflow.com/formats/tensorflow-object-detection-csv) | `DatasetType.TFCSV` |
[TensorflowCSVParser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/tensorflow_csv_parser.md)
| 边界框。 |
| [SOLO](https://docs.unity3d.com/Packages/com.unity.perception@1.0/manual/Schema/SoloSchema.html) | `DatasetType.SOLO` |
[SOLOParser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/solo_parser.md)
| 带有框、掩码、关键点和分割的合成数据。 |
| 分类目录 | `DatasetType.CLSDIR` |
[ClassificationDirectoryParser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/classification_directory_parser.md)
| 按目录名编码的类标签。 |
| [FiftyOne 分类](https://docs.voxel51.com/user_guide/export_datasets.html) | `DatasetType.FIFTYONECLS` |
[FiftyOneClassificationParser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/fiftyone_classification_parser.md)
| 来自 `labels.json` 的类标签。 |
| 分割掩码目录 | `DatasetType.SEGMASK` |
[SegmentationMaskDirectoryParser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/segmentation_mask_directory_parser.md)
| 带有 `_classes.csv` 中类映射的灰度掩码。 |
| 原生 LDF | `DatasetType.NATIVE` |
[NativeParser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/native_parser.md)
| 现有的 Luxonis 原生导出，包括 `sample_metadata` 记录。 |

> **另请参阅**
> [luxonis_ml.ldf.annotation](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/ldf/annotation.md) 了解这些解析器生成的 LDF 注释模式。

## 预期目录布局

调度程序可以解析完整的数据集目录、支持它的解析器类型的单个拆分目录、提取根目录包含支持布局的 ZIP 存档、`LuxonisFileSystem` 处理的远程路径、`roboflow://workspace/project/version/format`
形式的 Roboflow URL 以及 `ultralytics://username/datasets/slug` 形式的 Ultralytics 格式 URL。

下面的每棵树都完整地显示了一个拆分。其他拆分重复相同的结构。Roboflow 导出将第二个拆分命名为 `valid`，FiftyOne 导出将其命名为 `validation`。

### COCO JSON

FiftyOne 布局将图像保存在 `data` 目录中，并将注释保存在 `labels.json` 中：

```json
dataset_dir/
├── train/
│   ├── data/
│   │   ├── img1.jpg
│   │   ├── img2.jpg
│   │   └── ...
│   └── labels.json
├── validation/
│   ├── data/
│   └── labels.json
└── test/
    ├── data/
    └── labels.json
```

Roboflow 布局将图像与 `_annotations.coco.json` 放在一起：

```text
dataset_dir/
├── train/
│   ├── img1.jpg
│   ├── img2.jpg
│   ├── ...
│   └── _annotations.coco.json
├── valid/
└── test/
```

### YOLOv8-v12 和 Ultralytics

Roboflow 布局为每个拆分提供了自己的 `images` 和 `labels` 目录：

```json
dataset_dir/
├── train/
│   ├── images/
│   │   ├── img1.jpg
│   │   ├── img2.jpg
│   │   └── ...
│   └── labels/
│       ├── img1.txt
│       ├── img2.txt
│       └── ...
├── valid/
├── test/
└── *.yaml
```

[Ultralytics 布局](https://docs.ultralytics.com/datasets/) 将拆分目录放在一个 `images` 目录和一个 `labels` 目录下：

```json
dataset_dir/
├── images/
│   ├── train/
│   │   ├── img1.jpg
│   │   ├── img2.jpg
│   │   └── ...
│   ├── val/
│   └── test/
├── labels/
│   ├── train/
│   │   ├── img1.txt
│   │   ├── img2.txt
│   │   └── ...
│   ├── val/
│   └── test/
└── *.yaml
```

### Ultralytics NDJSON

目录中只包含一个 `.ndjson` 清单。清单的第一行是标题记录。它包含 `"type": "dataset"` 和 `class_names`。后面的每条记录描述一个图像：

```pycon
dataset_dir/
├── dataset.ndjson
├── train/
├── val/
└── test/
```

记录通过 `file` 命名本地图像。记录通过 `url` 命名远程图像，然后 `file` 给出本地缓存文件的名称。您还可以给出清单本身的路径。仅包含远程图像的清单不需要图像目录：

```bash
dataset.ndjson
```

### Pascal VOC XML

每个拆分都包含图像和匹配的 `.xml` 文件：

```python
dataset_dir/
├── train/
│   ├── img1.jpg
│   ├── img1.xml
│   └── ...
├── valid/
└── test/
```

### YOLO Darknet TXT

每个拆分都包含图像和 `.txt` 对，以及 `_darknet.labels`：

```bash
dataset_dir/
├── train/
│   ├── img1.jpg
│   ├── img1.txt
│   ├── ...
│   └── _darknet.labels
├── valid/
└── test/
```

### YOLOv4 PyTorch TXT

每个拆分都包含 `_annotations.txt` 和 `_classes.txt`：

```bash
dataset_dir/
├── train/
│   ├── img1.jpg
│   ├── img2.jpg
│   ├── ...
│   ├── _annotations.txt
│   └── _classes.txt
├── valid/
└── test/
```

### MT YOLOv6

拆分目录位于一个 `images` 目录和一个 `labels` 目录下，旁边是 `data.yaml`：

```text
dataset_dir/
├── images/
│   ├── train/
│   │   ├── img1.jpg
│   │   ├── img2.jpg
│   │   └── ...
│   ├── valid/
│   └── test/
├── labels/
│   ├── train/
│   │   ├── img1.txt
│   │   ├── img2.txt
│   │   └── ...
│   ├── valid/
│   └── test/
└── data.yaml
```

### CreateML JSON

每个拆分都包含 `_annotations.createml.json`：

```text
dataset_dir/
├── train/
│   ├── img1.jpg
│   ├── img2.jpg
│   ├── ...
│   └── _annotations.createml.json
├── valid/
└── test/
```

### TensorFlow 对象检测 CSV

每个拆分都包含 `_annotations.csv`：

```text
dataset_dir/
├── train/
│   ├── img1.jpg
│   ├── img2.jpg
│   ├── ...
│   └── _annotations.csv
├── valid/
└── test/
```

### SOLO

每个拆分都包含 Unity Perception 定义文件和每个序列的一个目录：

```text
dataset_dir/
├── train/
│   ├── metadata.json
│   ├── sensor_definitions.json
│   ├── annotation_definitions.json
│   ├── metric_definitions.json
│   └── sequence.<SequenceNUM>/
│       ├── step<StepNUM>.camera.jpg
│       ├── step<StepNUM>.frame_data.json
│       └── step<StepNUM>.camera.semantic segmentation.jpg
├── valid/
└── test/
```

语义分割图像是可选的。`metadata.json` 声明 `totalSequences`，当序列目录的数量与它不匹配时，解析器会发出警告。

### 分类目录

一个目录包含一个类的图像。拆分布局将类目录保存在拆分目录中：

```text
dataset_dir/
├── train/
│   ├── class1/
│   │   ├── img1.jpg
│   │   ├── img2.jpg
│   │   └── ...
│   ├── class2/
│   └── ...
├── valid/
└── test/
```

平面布局将类目录放在根目录中。然后解析器进行随机拆分：

```text
dataset_dir/
├── class1/
│   ├── img1.jpg
│   └── ...
├── class2/
│   └── ...
└── info.json
```

`info.json` 是可选的。它是平面布局根目录中唯一可以包含的文件。

### FiftyOne 分类

图像放在 `data` 目录中，标签放在 `labels.json` 中。拆分布局为每个拆分提供了自己的对：

```text
dataset_dir/
├── train/
│   ├── data/
│   │   ├── img1.jpg
│   │   └── ...
│   └── labels.json
├── validation/
│   ├── data/
│   └── labels.json
└── test/
    ├── data/
    └── labels.json
```

平面布局包含一对，然后解析器进行随机拆分：

```text
dataset_dir/
├── data/
│   ├── img1.jpg
│   └── ...
└── labels.json
```

`labels.json` 包含类名列表和从图像词干到其类索引的映射：

```pycon
{
  "classes": ["class1", "class2"],
  "labels": {
    "img1": 0,
    "img2": 1
  }
}
```

### 分割掩码目录

每个拆分都包含图像、匹配的掩码和 `_classes.csv`：

```text
dataset_dir/
├── train/
│   ├── img1.jpg
│   ├── img1_mask.png
│   ├── ...
│   └── _classes.csv
├── valid/
└── test/
```

`img1.jpg` 的掩码是 `img1_mask.png`。解析器需要每个掩码的 `.jpg` 图像。显式 `DatasetType.SEGMASK` 不会改变此规则。掩码是灰度图像，每个像素值都是一个类。`_classes.csv` 将像素值映射到类名：

```pycon
Pixel Value, Class
0, background
1, class1
2, class2
```

解析器不会从类名中删除空格。行 `0, background` 给出类名 `" background"`，带有前导空格。

### 原生 LDF

`DatasetType.NATIVE` 读取
[LuxonisDataset.export](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/datasets/luxonis_dataset.md)
使用 `--type native` 写入的内容。使用它在机器之间移动数据集，或在没有
[LuxonisParser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/luxonis_parser.md)
的情况下读取 LDF 导出：

```text
dataset_dir/
├── metadata.json
├── train/
│   ├── annotations.json
│   └── images/
│       ├── 0.jpg
│       ├── 1.jpg
│       └── ...
├── val/
│   ├── annotations.json
│   └── images/
└── test/
    ├── annotations.json
    └── images/
```

`metadata.json` 包含导出的 LDF 版本，例如 `{"ldf_version": "2.1.0"}`。它是可选的，解析器只读取它以警告来自较新版本的导出。大于 `max_partition_size_gb` 的导出将写入为
`<name>_part0`、`<name>_part1` 等，每个部分重复此布局。

`annotations.json` 包含记录列表。每条记录都使用
[LuxonisDataset.add](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/datasets/luxonis_dataset.md)
接受的相同形状，因此您可以在没有
[LuxonisParser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/luxonis_parser.md)
的情况下读取它：

```pycon
[
  {
    "file": "images/0.jpg",
    "task_name": "detection",
    "sample_metadata": {
      "camera": "left"
    },
    "annotation": {
      "instance_id": 0,
      "class": "person",
      "boundingbox": {
        "x": 0.1,
        "y": 0.2,
        "w": 0.3,
        "h": 0.4
      }
    }
  }
]
```

记录的键是：

 * `file` 包含一个图像的路径，相对于 `annotations.json`。具有多个同步源的记录使用 `files` 代替，它将每个源名称映射到路径。
 * `task_name` 命名注释的任务组。
 * `sample_metadata` 包含记录级元数据，例如相机名称或帧号。它不是注释标签。
 * `annotation` 包含一个检测。导出为每个检测写入一条记录，因此多条记录可以共享同一个 `file`。

检测包含 `class`、`instance_id` 及其有效负载键。有效负载键是 `boundingbox`、`keypoints`、`segmentation`、`instance_segmentation` 或
`metadata`。导出在每条记录中最多写入一个有效负载键，但手写检测可以同时包含多个。框和关键点使用图像归一化坐标。掩码以 COCO RLE 形式写入，具有 `height`、`width` 和压缩的 `counts` 字符串：

```pycon
{
  "instance_id": 1,
  "class": "road",
  "segmentation": {
    "height": 720,
    "width": 1280,
    "counts": "b14<000000000^3"
  }
}
```

> **重要**
> `array` 注释类型尚不支持导入。解析器会忽略源数据集中的任何 `array` 有效负载键。

> **另请参阅**
> [luxonis_ml.ldf.annotation](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/ldf/annotation.md) 了解每个有效负载键、接受的掩码编码、坐标约定和元数据类别。

## 拆分比例模式

解析器拆分比例支持两种模式：

 * 浮点值，例如 0.8、0.1 和 0.1，重新分配和打乱样本。值应总和为 1.0。
 * 整数计数，例如 1000、100 和 50，从相应的原始拆分中提取并保留拆分边界。如果请求的计数超过可用样本，则使用该拆分中的所有可用样本。

> **示例**
> ```pycon
>>> ratios = {"train": 0.8, "val": 0.1, "test": 0.1}
>>> round(sum(ratios.values()), 6)
1.0
```

```pycon
luxonis_ml data parse ./dataset --name parking_lot --type coco
luxonis_ml data parse ./dataset --train 0.8 --val 0.1 --test 0.1
luxonis_ml data parse ./dataset --train 1000 --val 100 --test 50
```

为 `--train`、`--val` 和 `--test` 各自赋予一个值。如果您只设置其中一些，则剩余的拆分将平均分配剩余的记录。这仅适用于比例，不适用于计数。

较旧的 `--split-ratio` 选项接受一个包含三个值的 Python 列表文字，例如 `--split-ratio "[0.8, 0.1, 0.1]"`。不带括号的逗号分隔值会引发 `ValueError`。该选项已弃用。请改用 `--train`、`--val` 和 `--test`。

## COCO 关键点

对于 COCO-2017 风格的 FiftyOne 导出，边界框和分割通常来自实例注释文件，而人物关键点则位于专用的 `person_keypoints_*.json` 文件中。使用 Python API 解析时，请使用 `use_keypoint_ann=True`：

```pycon
parser = LuxonisParser("coco-2017", dataset_name="coco_keypoints")
dataset = parser.parse(
    use_keypoint_ann=True,
    split_ratios={"train": 0.5, "val": 0.4, "test": 0.1},
)
```

解析期间跳过或恢复的解析器问题将报告为 [ParserIssueMessage](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/utils/enums.md) 实例，并按 [ParserIssue](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/utils/enums.md) 分类。

## 评估数据集注意事项

### COCO-2017

FiftyOne 布局是 `fiftyone` 包写入的。安装它，然后一次下载一个拆分：

```pycon
fiftyone zoo datasets load coco-2017 \
    --splits validation \
    --kwargs max_samples=1000
```

COCO 解析处理 FiftyOne 和 Roboflow 布局。边界框相对于图像尺寸进行归一化；多边形或 RLE 分割存储为 RLE；实例分割从相同的分割源发出；关键点进行归一化和裁剪；类别标识符映射到类名。

对于 FiftyOne COCO 导出，标准 `labels.json` 通常包含 80 个 COCO 类别的实例注释，但不包含人物关键点。使用 Python API 读取专用 `raw/person_keypoints_train2017.json` 和 `raw/person_keypoints_val2017.json` 文件时，请使用 `use_keypoint_ann=True`。如果缺少测试关键点，`split_val_to_test=True` 会将验证样本拆分为验证集和测试集。Roboflow COCO 布局会忽略关键点特定选项。

COCO 解析器还会过滤已知的损坏 COCO-2017 训练图像，并在源元数据需要修复时写入清理后的注释文件。

### ImageNet 示例

ImageNet-sample 数据集包含 1,000 张图像，涵盖 1,000 个 ImageNet 类别，用于图像分类。使用 `fiftyone` 包下载它：

```pycon
fiftyone zoo datasets load imagenet-sample
```

ImageNet-sample 解析器处理 FiftyOne 图像分类导出，可以是平面 `data/` 加 `labels.json` 形式，也可以是基于拆分的 `train/validation/test` 目录。上面的命令写入平面形式。解析器在解析时随机拆分平面布局。

已知的 ImageNet-sample 标签问题会自动清理：重复的 `"crane"` 和 `"maillot"` 类名会进行消歧，并纠正图像 `006742` 和 `031933` 的已知错误索引标签。`labels_fixed.json` 文件会保存在原始标签旁边。

### ImageNet-2012

原始 ImageNet-2012 存档布局不直接解析。提取训练和验证存档，按类别对训练图像进行分组，使用开发工具包元数据将验证图像映射到类别标签，将验证图像移动到类别文件夹中，然后将结果解析为 `DatasetType.CLSDIR`。

## 子页面

 * [base_parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/base_parser.md)
 * [classification_directory_parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/classification_directory_parser.md)
 * [coco_parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/coco_parser.md)
 * [create_ml_parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/create_ml_parser.md)
 * [darknet_parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/darknet_parser.md)
 * [fiftyone_classification_parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/fiftyone_classification_parser.md)
 * [luxonis_parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/luxonis_parser.md)
 * [native_parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/native_parser.md)
 * [segmentation_mask_directory_parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/segmentation_mask_directory_parser.md)
 * [solo_parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/solo_parser.md)
 * [tensorflow_csv_parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/tensorflow_csv_parser.md)
 * [ultralytics_ndjson_parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/ultralytics_ndjson_parser.md)
 * [voc_parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/voc_parser.md)
 * [yolov4_parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/yolov4_parser.md)
 * [yolov6_parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/yolov6_parser.md)
 * [yolov8_parser](/software-v3/ai-inference/model-source/training/luxonis-ml/luxonis-ml-api-reference/data/parsers/yolov8_parser.md)
