Pascal VOC Dataset — это один из самых известных и влиятельных наборов данных в истории компьютерного зрения. Он был создан в рамках ежегодного соревнования Pascal Visual Object Classes Challenge, которое проводилось с 2005 по 2012 год при поддержке европейской сети Pascal Network of Excellence. На протяжении почти десятилетия этот датасет служил главной площадкой для тестирования алгоритмов распознавания объектов, сегментации и классификации изображений, задавая ориентиры для всей индустрии. Коллекция содержит изображения реальных сцен, охватывающих 20 классов объектов, разделённых на четыре категории: люди, животные (кошки, собаки, лошади, овцы, коровы, птицы), транспортные средства (автомобили, велосипеды, мотоциклы, автобусы, поезда, лодки, самолёты) и предметы быта (стулья, диваны, столы, бутылки, телевизоры, комнатные растения). Наиболее широко используется версия Pascal VOC 2012, включающая около 11 530 изображений с более чем 27 000 аннотированных объектов. Предшественник — VOC 2007 — также остаётся актуальным благодаря открытым тестовым меткам, что позволяет напрямую сравнивать результаты исследований. Особую ценность представляет качество разметки. Каждое изображение сопровождается подробными аннотациями в формате XML, где указаны ограничивающие рамки, класс объекта, признаки сложности, окклюзии и усечения, а также пиксельные маски для задач семантической и инстанс-сегментации. Такая многоуровневая структура сделала Pascal VOC универсальным инструментом для самых разных задач: классификации, детекции, сегментации и оценки контекста сцены. Влияние датасета на развитие глубокого обучения трудно переоценить. Именно на VOC тестировались первые версии R-CNN, Fast R-CNN, Faster R-CNN, SSD и YOLO, демонстрируя постепенный переход от классических методов с дескрипторами вроде SIFT и HOG к свёрточным нейронным сетям. Метрика mean Average Precision, ставшая стандартом отрасли, была популяризирована именно благодаря этому соревнованию. Многие современные модели до сих пор приводят результаты на VOC как контрольный показатель. Несмотря на появление более масштабных наборов данных, таких как COCO, ImageNet и Open Images, Pascal VOC сохраняет популярность по ряду причин. Его компактный размер позволяет быстро обучать и проверять модели даже на ограниченных вычислительных ресурсах, что делает его идеальным выбором для академических исследований, образовательных курсов и прототипирования. Структура аннотаций стала фактическим стандартом, и формат VOC до сих пор поддерживается большинством фреймворков, включая PyTorch, TensorFlow, Detectron2 и MMDetection.