OpenImage V4数据集描述
1）这个v4数据集主要有两种用途：
对象检测及分类，意思是说可以用这个数据集训练出对象检测模型，用于识别图像中的对象类别及位置边框。
视觉关系检测，比如你用这个v4数据集训练好一个模型，然后给模型一张图，模型会告诉你“女人在弹吉它”。
2）根据上面说的两个用途，google已经贴心的为你把这个数据集分成两份(共9,011,219张图，这两种数据集的图片不是互斥的，它们有相同的图片)，每份又分成了训练集，验证集，测试集。
3）所有作用于对象检测及分类的图片主要特性是有边界框，一张图中可能有多个边界框
我们试着从官网的Boxes这一行下载一个下来，是个csv文件，我们暂称它为边界框表
其中各个字段如下所
ImageID：边界框id,可以理解成一个外键，具体的描述在另一个文件里。
Source：表示边界框是如何制作的：
freeform并且xclick是手动绘制的边界框。
activemil是使用该方法的增强版生成的边界框。在IoU> 0.7时，这些经过人为验证是准确的。
LabelName：此框属于的对象类的MID。
Confidence：虚拟值，始终为1。
XMin，XMax，YMin，YMax：框的坐标，在标准化图像坐标。XMin在[0,1]中，其中0是最左边的像素，1是图像中最右边的像素。Y坐标从顶部像素（0）到底部像素（1）。
这些属性具有以下定义：
IsOccluded：表示该对象被图像中的另一个对象遮挡。
IsTruncated：表示对象超出图像的边界。
IsGroupOf：表示边界框跨越一组对象（例如，花坛或一群人）。我们要求注释者使用这个标签来处理5个以上的实例，这些实例会严重遮挡对方，并且会触及身体。
IsDepiction：指示对象是描述（例如，对象的卡通或图画，而不是真实的物理实例）。
IsInside：表示从对象内部拍摄的照片（例如，汽车内部或建筑物内部）
从Image labels行下载一个文件后，可以看到是标签类别，一幅图上有几个对象，就给你打几个标签，我们暂称它为分类标签表，可做图像分类用。
Source：表示注释的创建方式：verification 是由Google内部注释人员验证的标签。crowdsource-verification是由Crowdsource应用程序验证的标签。machine是机器生成的标签。
Confidence：经人工验证出现在图像中的标签的置信度= 1（正标签）。经过人工验证的图像中缺失的标签的置信度= 0（负标签）。机器生成的标签具有部分置信度，通常> = 0.5。信心越高，标签成为假阳性的机会就越小。
从Image IDs行下载文件后，可以看到是图像的相关信息，它包含图片网址，OpenImages ID，轮换信息，标题，作者和许可证信息，我们暂称它为图片表，可以看得出来，几乎所有的图像都来自flickr网站。每个图像都有一个唯一的64位ID分配。在CSV文件中，它们显示为零填充的十六进制整数，例如000060e3121c7305。
数据与目标网站上显示的数据相同。OriginalSize 是原始图像的下载大小。OriginalMD5是base64编码二进制MD5，如所描述这里。Thumbnail300KURL是约300K像素（〜640x480）的缩略图的可选网址。它提供了为了方便下载数据而没有更方便的方式来获取图像。如果丢失，OriginalURL必须使用（如果需要，然后调整大小相同的大小）。这些缩略图会随时生成，其内容甚至解析度可能每天都会有所不同。Rotation是，图像应逆时针转动，以匹配Flickr用户预期的方向（多少度0，90，180，270）。nan意味着这些信不可用。查看此公告以获取有关此问题的更多信息。我们可以按照这个地址，自已一个一个去下，或者去第一行那边下完整的包都是可以的。
第五行Metadata是元数据，就是分类实际名称，我们暂称它为标签表。
可以将MID格式的类名转换为简短描述，
请注意逗号和引号等字符的存在。该文件遵循标准的CSV转义规则。
可以分析得出，它们形成了一个数据库表关系，是简单的外键关系，图片表描述图片信息，最重要是下载地址，边界框表主要描述一张图有几个边框，它与图片表通过外键ImageID关联，同时每个边框具体属于哪个分类，又要通过LabelName外键和标签表关联。
参考资源：https://blog.csdn.net/wulala789/article/details/80646618
但是到官网下载的时候要一次性下载所有的部分，不仅文件很大，而且下载的也不大快，更重要的是自己训练要用到的类别并不多。正当我手足无措时，刚好就在github上看到了相关的issues（https://github.com/cvdfoundation/open-images-dataset/issues/8）。
我采用的是里面介绍到的工具箱的方法（https://github.com/EscVM/OIDv4_ToolKit），实际操作起来也挺顺利的。
接下来是使用工具箱的一些笔记，在Readme里面我们能通过
python main.py -h
看到工具箱的一些官方帮助介绍（我谷歌翻译的）：
用法：main.py [-h] [--Dataset/path/to/OID/csv/] [-y] [ - 类列表[类列表...]] [--type_csv'train'或'validation'或'test'或'all'] [--sub 子人验证图像的子集或机器生成的h或m）] [--image_IsOccluded 1或0] [ - image_IsTruncated 1或0] [--image_IsGroupOf 1或0] [ - image_IsDepiction 1或0] [--image_IsInside 1或0] [--multiclasses 0（默认值或1） [--n_threads [默认20]] [--noLabels] [--limit integer number] <command>'downloader'，'visualizer'或'ill_downloader'。 Open Image Dataset Downloader
打开图像数据集下载程序 位置参数： <command>'downloader'，'visualizer'或'ill_downloader'。 'downloader'，'visualizer'或'ill_downloader'。 可选参数： -h， --help 显示此帮助消息并退出 --Dataset /path/to/OID/csv/ OID数据集文件夹的目录 -y， --yes 是和是可以下载丢失的文件 - 类列表[类列表...] 所需类的“字符串”序列 --type_csv'train'或'validation'或'test'或'all' 从什么csv搜索图像 --sub 人工验证图像或机器生成的子集（h或m） 从人类验证的数据集或从 机器生成一个。 --image_IsOccluded 1或0 图像的可选特征。表示 对象被图像中的另一个对象遮挡。 --image_IsTruncated 1或0 图像的可选特征。表示 对象超出图像的边界。 --image_IsGroupOf 1或0 图像的可选特征。表示 盒子跨越一组物体（分钟5）。 --image_IsDepiction 1或0 图像的可选特征。表示 对象是一个描述。 --image_IsInside 1或0 图像的可选特征。表示a 从对象内部拍摄的照片。 --multiclasses 0（默认值）或1 分别（0）或一起下载不同的类 （1） --n_threads [默认20] 要使用的线程数 --noLabels 没有标签创作 --limit integer number 要下载的图像数量的可选限制