1、kitti数据集（参考博客：https://blog.csdn.net/jesse_mx/article/details/65634482 https://blog.csdn.net/baolinq/article/details/78939192）
（1）下载数据集和标签，下载第1个图片集 Download left color images of object data set (12 GB)和标注文件 Download training labels of object data set (5 MB)
（2）转化成VOC格式的数据集：
a:新建文件夹Annotation（存放xml文件）、ImageSets（存放一个Main文件夹用来存放各类的train.txt test.txt val.txt）和JPEGImages（存放所有带有标签的图片）。
b:类别转化，使用参考修改后的工具modify_annotations_txt.py， 修改原始kitti标签 ，使得labels中的txt文件只包含我们需要的类别（注意该步会直接修改labels中的标签，请做好备份）。
c:将转换后labels下的txt标注信息转化成xml格式，并存储在Annotation文件夹下面，使用工具文件txt_to_xml.py。
d:生成训练验证测试集列表(生成比例可修改，目前按8:1:1生成)，使用工具create_train_test_txt.py，文件保存在ImageSets文件夹Main下。
e:根据Annotation，使用工具create_kitti_label.py生成最终的labels文件夹和训练、测试列表（先删除b步下的labels文件夹）
2、VOCdevkit数据集（VOC2007、VOC2012）
参考脚本：create_voc_label.py 即可
3、coco数据集制作
参考脚本：create_coco_label.py 即可
以上脚本见github：https://github.com/llf10811020205/yolo_learn