对于你的问题，这是一个非常简单的解决方案：
这将返回嵌套列表中的框坐标[xmin，ymin，xmax，ymax]和文件名有一次我与bndbox标签斗争，其中混合了（ymin，xmin，...）或任何其他奇怪的组合，所以这段代码读取标签不仅是位置。
最后我更新了代码。感谢craq和Pritesh Gohil，你是完全正确的。
希望能有所帮助...

import xml.etree.ElementTree as ET

def read_content(xml_file: str):

    tree = ET.parse(xml_file)
    root = tree.getroot()

    list_with_all_boxes = []

    for boxes in root.iter('object'):

        filename = root.find('filename').text

        ymin, xmin, ymax, xmax = None, None, None, None

        ymin = int(boxes.find("bndbox/ymin").text)
        xmin = int(boxes.find("bndbox/xmin").text)
        ymax = int(boxes.find("bndbox/ymax").text)
        xmax = int(boxes.find("bndbox/xmax").text)

        list_with_single_boxes = [xmin, ymin, xmax, ymax]
        list_with_all_boxes.append(list_with_single_boxes)

    return filename, list_with_all_boxes

name, boxes = read_content("file.xml")

另一种选择是使用标准的xmldict库加载python指令中的VOC XML。

import xmltodict

with open('/path/to/voc.xml') as file:
        file_data = file.read()
        dict_data = xmltodict.parse(file_data)
        print(dict_data)

我的尝试，比公认的答案更具可读性，提供了转换为基于0的像素坐标的选项，并将对象的名称而不是文件的名称与每个框的坐标配对。
输出示例：

{'excavator': {'xmin': 0, 'ymin': 0, 'xmax': 1265, 'ymax': 587},
 'dump_truck': {'xmin': 259, 'ymin': 159, 'xmax': 713, 'ymax': 405}}

import xml.etree.ElementTree as ET

def read_Pascal_VOC(xml_file,do_0_based):
    # Pascal VOC is 1-based, but more recent formats like MS COCO are 0-based
    # see, e.g., https://github.com/Ricardozzf/maskrcnn-benchmark/commit/da8f99927eb945d3e66985d5e070fb55db472de6
    if do_0_based:
        to_subtract = 1
    else:
        to_subtract = 0

    tree = ET.parse(xml_file)
    root = tree.getroot()

    boxes = dict()

    for box in root.iter('object'):

        name = box.find('name').text
        
        bb = box.find('bndbox')
        
        # dict to remove any ambiguity ordering-wise
        coords = dict(xmin = bb.find('xmin').text, 
                      ymin = bb.find('ymin').text, 
                      xmax = bb.find('xmax').text, 
                      ymax = bb.find('ymax').text)
            
        coords = {k:int(v)-to_subtract for k,v in coords.items()}
        
        if name in boxes:
            boxes[name] = boxes[name] + [coords]
        else:
            boxes[name] = [coords]

    return boxes