16个车辆信息检测数据集收集汇总（简介及链接）
16個(gè)車輛信息檢測(cè)數(shù)據(jù)集收集匯總（簡(jiǎn)介及鏈接)
轉(zhuǎn)載自：https://blog.csdn.net/u014546828/article/details/109089621?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_baidulandingword-1&spm=1001.2101.3001.4242
目錄
1. UA-DETRAC
2. BDD100K 自動(dòng)駕駛數(shù)據(jù)集
3. 綜合汽車（CompCars）數(shù)據(jù)集
4. Stanford Cars Dataset
5. OpenData V11.0-車輛重識(shí)別數(shù)據(jù)集 VRID
6. N-CARS數(shù)據(jù)集
7. MIT DriveSeg Dataset
8.? KITT
9. CityScapes
10. Comma.ai 's Driving Dataset
11. Udacity 's Driving Dataset
12. D2-City
背景
數(shù)據(jù)集介紹
評(píng)估任務(wù)
13. ApolloScape
14. nuScenes
15. 牛津Robotcar數(shù)據(jù)集
16. Vehicle Image Database
附：交通標(biāo)志數(shù)據(jù)集
1. UA-DETRAC
http://detrac-db.rit.albany.edu/
UA-DETRAC是一個(gè)具有挑戰(zhàn)性的現(xiàn)實(shí)世界多目標(biāo)檢測(cè)和多目標(biāo)跟蹤基準(zhǔn)。數(shù)據(jù)集由 Cannon EOS 550D攝像頭在中國(guó)北京和天津24個(gè)不同地點(diǎn)拍攝的10個(gè)小時(shí)的視頻組成。視頻以每秒25幀的速度錄制，分辨率為960540像素。在UA-DETRAC數(shù)據(jù)集中，有超過14萬幀和8250輛車被人工標(biāo)注，總共標(biāo)記了121萬物體的邊界盒。我們還對(duì)目標(biāo)檢測(cè)和多目標(biāo)跟蹤方面的最新方法進(jìn)行基準(zhǔn)測(cè)試，以及本網(wǎng)站中詳細(xì)介紹的評(píng)估指標(biāo)。
車輛分為四類，即轎車、公共汽車、廂式貨車和其他車輛。
天氣情況分為四類，即多云、夜間、晴天和雨天。
標(biāo)注的車輛的尺度定義為其像素面積的平方根。將車輛分為三種規(guī)模:小型(0-50像素)、中型(50-150像素)和大型(大于150像素)。遮擋比我們使用車輛包圍框被遮擋的比例來定義遮擋的程度。
遮擋程度分為三類: 無遮擋、部分遮擋和重遮擋。具體來說，定義了部分遮擋(如果車輛遮擋率在1%-50%之間)和重遮擋(如果遮擋率大于50%)。
截尾率表示車輛部件在幀外的程度，用于訓(xùn)練樣本的選擇。
效果圖：
?
2. BDD100K 自動(dòng)駕駛數(shù)據(jù)集
https://bdd-data.berkeley.edu/
視頻數(shù)據(jù)： 超過1,100小時(shí)的100000個(gè)高清視頻序列在一天中許多不同的時(shí)間，天氣條件，和駕駛場(chǎng)景駕駛經(jīng)驗(yàn)。視頻序列還包括GPS位置、IMU數(shù)據(jù)和時(shí)間戳。
道路目標(biāo)檢測(cè)：2D邊框框注釋了100,000張圖片，用于公交、交通燈、交通標(biāo)志、人、自行車、卡車、摩托車、小汽車、火車和騎手。
實(shí)例分割：超過10,000張具有像素級(jí)和豐富實(shí)例級(jí)注釋的不同圖像。
引擎區(qū)域：從10萬張圖片中學(xué)習(xí)復(fù)雜的可駕駛決策。
車道標(biāo)記：10萬張圖片上多類型的車道標(biāo)注，用于引導(dǎo)駕駛。
如圖：
?
3. 綜合汽車（CompCars）數(shù)據(jù)集
http://mmlab.ie.cuhk.edu.hk/datasets/comp_cars/index.html
該數(shù)據(jù)集在 CVPR 2015論文中給出，Linjie Yang, Ping Luo, Chen Change Loy, Xiaoou Tang. A Large-Scale Car Dataset for Fine-Grained Categorization and Verification, In Computer Vision and Pattern Recognition (CVPR), 2015. PDF。
綜合汽車(CompCars)數(shù)據(jù)集包含來自兩種場(chǎng)景的數(shù)據(jù)，包括來自web-nature和監(jiān)視-nature的圖像。
web-nature數(shù)據(jù)包含163輛汽車和1,716個(gè)汽車模型。總共有136,726張圖像捕捉整個(gè)汽車，27,618張圖像捕捉汽車部件。完整的汽車圖像被標(biāo)記為邊界框和視點(diǎn)。每個(gè)車型都有五個(gè)屬性，包括最大速度、排水量、車門數(shù)量、座椅數(shù)量和車型。
監(jiān)視-自然數(shù)據(jù)包含了5萬張前視圖捕捉到的汽車圖像。
該數(shù)據(jù)集已經(jīng)為以下計(jì)算機(jī)視覺任務(wù)做好了準(zhǔn)備:細(xì)粒度分類、屬性預(yù)測(cè)、汽車模型驗(yàn)證。
本文中介紹的這些任務(wù)的訓(xùn)練/測(cè)試子集都包含在數(shù)據(jù)集中。研究人員也歡迎使用它來完成其他任務(wù)，如圖像排序、多任務(wù)學(xué)習(xí)和3D重建。
4. Stanford Cars Dataset
http://ai.stanford.edu/~jkrause/cars/car_dataset.html
Cars數(shù)據(jù)集包含196類汽車的16,185張圖像。將數(shù)據(jù)分成8144張訓(xùn)練圖像和8041張測(cè)試圖像，大致對(duì)每個(gè)類進(jìn)行50-50的分割。級(jí)別通常按制造、型號(hào)、年份劃分，例如2012年特斯拉Model S或2012年寶馬M3 coupe。
? 3D Object Representations for Fine-Grained Categorization
?????? Jonathan Krause, Michael Stark, Jia Deng, Li Fei-Fei
?????? 4th IEEE Workshop on 3D Representation and Recognition, at ICCV 2013 (3dRR-13). Sydney, Australia. Dec. 8, 2013.
?????? [pdf] ??[BibTex] ??[slides]
?
?
5. OpenData V11.0-車輛重識(shí)別數(shù)據(jù)集 VRID
http://www.openits.cn/opendata4/748.jhtml
數(shù)據(jù)集說明：
開放的車輛重識(shí)別的數(shù)據(jù)來自某城市卡口車輛圖像，由326個(gè)高清攝像頭拍攝，時(shí)間覆蓋日間14天，分辨率從400×424到990×1134不等。數(shù)據(jù)集中包含最常見的10種車輛款式，共10000張圖像，如表1所列。為了模擬同款車輛對(duì)車輛重識(shí)別的影響，每個(gè)車輛款式里各有100個(gè)不同的車輛ID，即100個(gè)不同的車輛。在同一車輛款式里的100個(gè)車輛ID，它們的外觀近乎相同，差異大部分只在于車窗部分的個(gè)性化標(biāo)識(shí)，如年檢標(biāo)志等。此外，每個(gè)車輛ID包含有10張圖像，這10張圖像拍攝于不同的道路卡口，光照、尺度以及姿態(tài)均不盡相同，相應(yīng)的同一車輛也可能會(huì)具有不同的外觀。
車輛重識(shí)別數(shù)據(jù)集的車輛字段屬性如表2所示，其中車輛品牌表示車輛品牌信息，車牌號(hào)碼用于數(shù)據(jù)庫(kù)里同一車輛的關(guān)聯(lián)，車窗位置代表圖像里的車窗所在區(qū)域的坐標(biāo)，車身顏色表示的是圖像里的車輛顏色信息。這些信息使得數(shù)據(jù)庫(kù)不僅能用于車輛重識(shí)別研究，也可用于車輛品牌精細(xì)識(shí)別，車輛顏色識(shí)別等研究。
數(shù)據(jù)集里10種車輛款式
數(shù)據(jù)庫(kù)屬性示意表
?
6. N-CARS數(shù)據(jù)集
https://www.prophesee.ai/dataset-n-cars/
N-CARS數(shù)據(jù)集是一個(gè)用于汽車分類的大型基于事件的真實(shí)世界數(shù)據(jù)集。
它由12,336個(gè)汽車樣本和11,693個(gè)非汽車樣本(背景)組成。這些數(shù)據(jù)是通過安裝在一輛汽車擋風(fēng)玻璃后的ATIS攝像機(jī)記錄下來的。這些數(shù)據(jù)是從不同的駕駛過程中提取的。數(shù)據(jù)集被分割為7940個(gè)car和7482個(gè)背景訓(xùn)練樣本，4396個(gè) car 和4211個(gè)背景測(cè)試樣本。每個(gè)示例持續(xù)100毫秒。
?
7. MIT DriveSeg Dataset
https://agelab.mit.edu/driveseg
?
到目前為止，提供給研究社區(qū)的自動(dòng)駕駛數(shù)據(jù)主要由靜態(tài)的、單一的圖像組成，這些圖像可以通過使用邊界框來識(shí)別和跟蹤道路內(nèi)和周圍的常見物體，比如自行車、行人或交通燈。相比之下，DriveSeg包含了更精確的、像素級(jí)的這些常見道路物體的表示，但通過連續(xù)視頻駕駛場(chǎng)景的鏡頭。這種類型的全場(chǎng)景分割可以特別有助于識(shí)別更多的無定形物體，如道路建設(shè)和植被，它們并不總是有這樣明確和統(tǒng)一的形狀。數(shù)據(jù)集由兩部分組成：
DriveSeg(手動(dòng))
一種面向前幀逐幀像素級(jí)語義標(biāo)記數(shù)據(jù)集，該數(shù)據(jù)集是從一輛在連續(xù)日光下通過擁擠的城市街道行駛的移動(dòng)車輛中捕獲的。
- 技術(shù)摘要
視頻數(shù)據(jù)： 2分47秒(5000幀)1080P (1920x1080) 30幀/秒
類定義(12)：車輛、行人、道路、人行道、自行車、摩托車、建筑、地形(水平植被)、植被(垂直植被)、桿子、交通燈和交通標(biāo)志
?
8.? KITT
· 數(shù)據(jù)集鏈接：http://www.cvlibs.net/datasets/kitti/
· 論文鏈接： http://www.webmail.cvlibs.net/publications/Geiger2012CVPR.pdf
精確的地面真相由Velodyne激光掃描儀和GPS定位系統(tǒng)提供。我們的數(shù)據(jù)集是通過在中型城市卡爾斯魯厄(Karlsruhe)、鄉(xiāng)村地區(qū)和高速公路上行駛來獲取的。每張圖像可看到多達(dá)15輛汽車和30個(gè)行人。除了以原始格式提供所有數(shù)據(jù)外，我們還為每個(gè)任務(wù)提取基準(zhǔn)。對(duì)于我們的每一個(gè)基準(zhǔn)，我們也提供了一個(gè)評(píng)估指標(biāo)和這個(gè)評(píng)估網(wǎng)站。初步實(shí)驗(yàn)表明，在現(xiàn)有基準(zhǔn)中排名靠前的方法，如Middlebury方法，在脫離實(shí)驗(yàn)室進(jìn)入現(xiàn)實(shí)世界后，表現(xiàn)低于平均水平。我們的目標(biāo)是減少這種偏見，并通過向社會(huì)提供具有新困難的現(xiàn)實(shí)基準(zhǔn)來補(bǔ)充現(xiàn)有基準(zhǔn)。
9. CityScapes
· 數(shù)據(jù)集鏈接：https://www.cityscapes-dataset.com/
· 論文鏈接：https://arxiv.org/pdf/1604.01685.pdf
提供了一個(gè)新的大規(guī)模數(shù)據(jù)集，其中包含了50個(gè)不同城市的街道場(chǎng)景中記錄的不同的立體視頻序列，有5000幀的高質(zhì)量像素級(jí)注釋，還有更大的一組2萬幀的弱注釋。因此，該數(shù)據(jù)集比以前類似的嘗試要大一個(gè)數(shù)量級(jí)。有關(guān)注釋類的詳細(xì)資料及注釋示例可在此網(wǎng)頁查閱。Cityscapes數(shù)據(jù)集旨在評(píng)估用于語義城市場(chǎng)景理解的主要任務(wù)的視覺算法的性能:像素級(jí)、實(shí)例級(jí)和全光學(xué)語義標(biāo)記;支持旨在開發(fā)大量(弱)注釋數(shù)據(jù)的研究，例如用于訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。
?
?
10. Comma.ai 's Driving Dataset
· 數(shù)據(jù)集鏈接：https://github.com/commaai/research
· 論文鏈接：https://arxiv.org/pdf/1608.01230.pdf
目的是低成本的自動(dòng)駕駛方案，目前是通過手機(jī)改裝來做自動(dòng)駕駛，開源的數(shù)據(jù)包含7小時(shí)15分鐘分為11段的公路行駛的行車記錄儀視頻數(shù)據(jù)，每幀像素為160x320。主要應(yīng)用方向：圖像識(shí)別；
11. Udacity 's Driving Dataset
· 數(shù)據(jù)集鏈接：https://github.com/udacity/self-driving-car/tree/master/datasets
· 論文鏈接：未找到
Udacity的自動(dòng)駕駛數(shù)據(jù)集，使用Point Grey研究型攝像機(jī)拍攝的1920x1200分辨率的圖片，采集到的數(shù)據(jù)分為兩個(gè)數(shù)據(jù)集：第一個(gè)包括在白天情況下在加利福尼亞州山景城和鄰近城市采集的數(shù)據(jù)，數(shù)據(jù)集包含9,423幀中超過65,000個(gè)標(biāo)注對(duì)象，標(biāo)注方式結(jié)合了機(jī)器和人工。標(biāo)簽為：汽車、卡車、行人；第二個(gè)數(shù)據(jù)集與前者大體上相似，除了增加交通信號(hào)燈的標(biāo)注內(nèi)容，數(shù)據(jù)集數(shù)量上也增加到15,000幀，標(biāo)注方式完全采用人工。數(shù)據(jù)集內(nèi)容除了有車輛拍攝的圖像，還包含車輛本身的屬性和參數(shù)信息，例如經(jīng)緯度、制動(dòng)器、油門、轉(zhuǎn)向度、轉(zhuǎn)速。主要應(yīng)用方向：目標(biāo)檢測(cè)，自動(dòng)駕駛；
12. D2-City
· 數(shù)據(jù)集鏈接：https://outreach.didichuxing.com/d2city/
背景
D2-City 是一個(gè)大規(guī)模行車視頻數(shù)據(jù)集，提供了超過一萬段行車記錄儀記錄的前視視頻數(shù)據(jù)。所有視頻均以高清（720P）或超高清（1080P）分辨率錄制。我們?yōu)槠渲械募s一千段視頻提供了包括目標(biāo)框位置、目標(biāo)類別和追蹤ID信息的逐幀標(biāo)注，涵蓋了共12類行車和道路相關(guān)的目標(biāo)類別。我們?yōu)橐徊糠制溆嗟囊曨l提供了關(guān)鍵幀的框標(biāo)注。
和現(xiàn)有類似數(shù)據(jù)集相比，D2-City 的數(shù)據(jù)采集自中國(guó)多個(gè)城市，涵蓋了不同的天氣、道路、交通狀況，尤其是極復(fù)雜和多樣性的交通場(chǎng)景。我們希望通過該數(shù)據(jù)集能夠鼓勵(lì)和幫助自動(dòng)駕駛相關(guān)領(lǐng)域研究取得新進(jìn)展。
數(shù)據(jù)集介紹
D2-City 數(shù)據(jù)集采集自運(yùn)行在中國(guó)五個(gè)城市的滴滴運(yùn)營(yíng)車輛。所提供的原始數(shù)據(jù)均存儲(chǔ)為幀率25fps、時(shí)長(zhǎng)30秒的短視頻。后續(xù)我們將會(huì)提供對(duì)該數(shù)據(jù)集的訓(xùn)練、驗(yàn)證和測(cè)試集的劃分與統(tǒng)計(jì)。
我們?yōu)槠渲屑s一千段視頻提供了12類目標(biāo)的邊界框和追蹤ID標(biāo)注信息，對(duì)其他的視頻，我們提供關(guān)鍵幀的框標(biāo)注。類別信息詳見下表。
評(píng)估任務(wù)
基于本數(shù)據(jù)集，我們將提供一項(xiàng)評(píng)估任務(wù)（和BDD合作）作為NeurIPS 2019 ML4AD挑戰(zhàn)賽的賽事。任務(wù)和評(píng)估的詳情請(qǐng)參見競(jìng)賽網(wǎng)站相關(guān)頁面。
賽事：D2-City & BDD100K 目標(biāo)檢測(cè)遷移學(xué)習(xí)挑戰(zhàn)賽 在目標(biāo)檢測(cè)遷移學(xué)習(xí)挑戰(zhàn)賽中，參賽者需要利用采集自美國(guó)的BDD100K數(shù)據(jù)，訓(xùn)練目標(biāo)檢測(cè)模型用于采集自中國(guó)的D2-City數(shù)據(jù)。數(shù)據(jù)集中可能包含稀有或有挑戰(zhàn)性的狀況下采集的數(shù)據(jù)，如光線不足、雨霧天氣、道路擁堵等，參賽者需要提供在各狀況下準(zhǔn)確的目標(biāo)檢測(cè)結(jié)果。
?
13. ApolloScape
· 數(shù)據(jù)集鏈接：http://apolloscape.auto/inpainting.html
?
關(guān)于ApolloScape數(shù)據(jù)集
軌跡數(shù)據(jù)集，三維感知激光雷達(dá)目標(biāo)檢測(cè)和跟蹤數(shù)據(jù)集，包括約100K圖像幀，80k激光雷達(dá)點(diǎn)云和1000km城市交通軌跡。數(shù)據(jù)集由不同的條件和交通密度，其中包括許多具有挑戰(zhàn)性的場(chǎng)景，車輛，自行車，和行人之間移動(dòng)。
數(shù)據(jù)集包括以下幾個(gè)方面的研究：
Scene Parsing
3D Car Instance
Lane Segmentation
Self Localization
Trajectory
Stereo
Inpainting
?
?
?
14. nuScenes
· 數(shù)據(jù)集鏈接：https://www.nuscenes.org/
nuScenes數(shù)據(jù)集是一個(gè)具有3d對(duì)象標(biāo)注的大規(guī)模自主駕駛數(shù)據(jù)集。它特點(diǎn):
完整的傳感器套件(1 x激光雷達(dá)、5 x雷達(dá)、6 x相機(jī),IMU, GPS)
1000 scenes of 20s each
1400000相機(jī)圖像
390000激光雷達(dá)掃描
兩個(gè)不同的城市:波士頓和新加坡
左派和右手交通詳細(xì)的地圖信息
1.4M 3D 邊界盒手工注釋等，23個(gè)對(duì)象類
屬性可見性、活動(dòng)和姿勢(shì)
新: 1.1B 激光雷達(dá)點(diǎn)手工注釋為32類
新: 探索nuScenes在SiaSearch免費(fèi)使用非商業(yè)用途
?
15. 牛津Robotcar數(shù)據(jù)集
https://robotcar-dataset.robots.ox.ac.uk/
牛津機(jī)器人車數(shù)據(jù)集包含了超過100次在英國(guó)牛津的同一路線的重復(fù)，采集時(shí)間超過一年。數(shù)據(jù)集捕捉了天氣、交通和行人的許多不同組合，以及建筑和道路工程等長(zhǎng)期變化。
?
16. Vehicle Image Database
http://www.gti.ssr.upm.es/data/Vehicle_database.html?spm=5176.100239.0.0.XGJd1k
圖像處理組目前正在研究基于視覺的車輛分類任務(wù)。為了評(píng)估我們的方法，我們創(chuàng)建了一個(gè)新的圖像數(shù)據(jù)庫(kù)，這些圖像是從我們的視頻序列中提取的(通過安裝在車輛上的向前看的攝像機(jī)獲取)。該數(shù)據(jù)庫(kù)包括3425張從不同角度拍攝的車輛尾部圖像，以及3900張從不包含車輛的道路序列中提取的圖像。選擇圖像是為了最大化vehicle類的代表性，這涉及到自然的高可變性。在我們看來，影響車輛后部外觀的一個(gè)重要特征是車輛相對(duì)于攝像機(jī)的位置。因此，數(shù)據(jù)庫(kù)根據(jù)姿態(tài)將圖像劃分為四個(gè)不同的區(qū)域:鏡頭前的中/近距離，左側(cè)的中/近距離，右側(cè)的近/中距離，以及遠(yuǎn)距離。此外，為了使分類器在假設(shè)生成階段對(duì)偏移量具有更強(qiáng)的魯棒性，我們提取的圖像不能很好地貼合車輛的輪廓。相反，一些圖像松散地包含了車輛(一些背景也包含在圖像中)，而其他圖像只包含部分車輛。對(duì)同一運(yùn)載工具的多個(gè)實(shí)例分別給出了不同的邊界假設(shè)。這些圖像的分辨率為64x64，是從馬德里、布魯塞爾和都靈的高速公路上記錄的360x256像素序列中裁剪出來的。
?
?
?
附：交通標(biāo)志數(shù)據(jù)集
1）KUL Belgium Traffic Sign Dataset，比利時(shí)的一個(gè)交通標(biāo)志數(shù)據(jù)集。
2）German Traffic Sign，德國(guó)交通標(biāo)注數(shù)據(jù)集。
3）STSD，超過20 000張帶有20％標(biāo)簽的圖像，包含3488個(gè)交通標(biāo)志。
4）LISA，超過6610幀上的7855條標(biāo)注。
5）Tsinghua-Tencent 100K ，騰訊和清華合作的數(shù)據(jù)集，100000張圖片，包含30000個(gè)交通標(biāo)志實(shí)例。
?
?
MIT行人檢測(cè)數(shù)據(jù)集（史上最全）
02-06
麻省理工學(xué)院（MIT）行人數(shù)據(jù)集，最早的行人數(shù)據(jù)集之一，一共924張圖片，其原始圖片格式為PPM，此文件為轉(zhuǎn)換后的JPG格式圖片。目前MIT數(shù)據(jù)集已經(jīng)不支持下載，你可以在這得到，該數(shù)據(jù)集包含png和j
相關(guān)推薦
車輛信息檢測(cè)數(shù)據(jù)集收集匯總_monk1992的博客
3-4
車輛信息檢測(cè)數(shù)據(jù)集收集匯總 搜集過程中,一些數(shù)據(jù)集的原始來源可能沒找到,以網(wǎng)盤形式存的。如果有人找到一些本文沒有標(biāo)注原始出處的數(shù)據(jù)集的來源,可以分享一下,便于...
2021-03-12 16個(gè)車輛信息檢測(cè)數(shù)據(jù)集收集匯總_qingfengxd1的博客...
3-13
16個(gè)車輛信息檢測(cè)數(shù)據(jù)集收集匯總 1. UA-DETRAC http://detrac-db.rit.albany.edu/ UA-DETRAC是一個(gè)具有挑戰(zhàn)性的現(xiàn)實(shí)世界多目標(biāo)檢測(cè)和多目標(biāo)跟蹤基準(zhǔn)。數(shù)據(jù)集由...
voc車輛檢測(cè)數(shù)據(jù)集（已處理好，可直接訓(xùn)練）
03-25
1.voc車輛檢測(cè)數(shù)據(jù)集，可直接訓(xùn)練，數(shù)據(jù)已經(jīng)處理 2.2000張主要包括：轎車、卡車、公交車、摩托車、自行車 3.需要更多數(shù)據(jù)集請(qǐng)私聊
基于深度學(xué)習(xí)的車輛信息識(shí)別（一）：車輛顏色識(shí)別
WooHah!
1萬+
基于深度學(xué)習(xí)的車輛信息識(shí)別（一）：車輛顏色識(shí)別背景導(dǎo)師給的一個(gè)項(xiàng)目任務(wù)，要求對(duì)卡口拍攝的車輛監(jiān)控圖片進(jìn)行自動(dòng)識(shí)別，識(shí)別目標(biāo)包括： 車牌號(hào) 車輛顏色 車輛品牌，具體到如奧迪A6之類 駕駛?cè)耸欠裣蛋踩珟?是否貼有年檢標(biāo)志 等等…… 相當(dāng)有挑戰(zhàn)性的任務(wù)，哈？ 打算先實(shí)現(xiàn)相對(duì)簡(jiǎn)單一些的任務(wù)，如顏色、安全帶等。至于車輛品牌識(shí)別，Whatever，能做到哪里算哪里了，品牌實(shí)在太多。實(shí)驗(yàn)平臺(tái)開發(fā)平臺(tái)使用Caff
檢測(cè)識(shí)別數(shù)據(jù)集匯總_hzhj的博客
3-4
bdd100k,自動(dòng)駕駛數(shù)據(jù)集,數(shù)據(jù)介紹可查看該文章。標(biāo)注對(duì)象共10類,github地址。2D Bounding Boxes annotated on 100,000 images for bus, traffic light, traffic ...
車輛重識(shí)別的多個(gè)數(shù)據(jù)集介紹和下載_m0_37192554的博客...
3-3
車輛重識(shí)別的多個(gè)數(shù)據(jù)集介紹和下載 車輛重識(shí)別的多個(gè)數(shù)據(jù)集 https://zhuanlan.zhihu.com/p/106216763
UA-DETRAC車輛檢測(cè)數(shù)據(jù)集
weixin_43653815的博客
8588
鏈接：https://pan.baidu.com/s/1lTv-oMXFvuID8ByDPz8SvQ 密碼：v1os
車輛信息檢測(cè)數(shù)據(jù)集收集匯總
Make AI，Not War
1萬+
車輛信息檢測(cè)數(shù)據(jù)集收集匯總 目錄： UA-DETRAC 車牌數(shù)據(jù)集 自動(dòng)駕駛數(shù)據(jù)集 車輛類型數(shù)據(jù)集 綜合汽車（CompCars）數(shù)據(jù)集 汽車數(shù)據(jù)集（檢測(cè)用） OpenData V11.0-車輛重識(shí)別數(shù)據(jù)集 VRID Stanford Cars Dataset N-CARS數(shù)據(jù)集 汽車評(píng)估數(shù)據(jù)集 更多關(guān)于自動(dòng)駕駛的數(shù)據(jù)集（50個(gè)） 1.UA-DETRAC http://detrac-db.ri...
自動(dòng)駕駛領(lǐng)域常用的數(shù)據(jù)集(檢測(cè),分割,定位)_魯點(diǎn)點(diǎn)的博客
2-26
KITTY數(shù)據(jù)集可以用于評(píng)測(cè)各種任務(wù),包括立體圖像(stereo),光流(optical flow),視覺測(cè)距(visual odometry),深度估計(jì)(depth prediction),3D物體檢測(cè)(object detection),3D...
顯著性檢測(cè)數(shù)據(jù)集簡(jiǎn)單介紹及下載鏈接_m0_37844017的博客
3-8
ECSSD.tar.gz 經(jīng)典顯著性檢測(cè)數(shù)據(jù)集(內(nèi)含1000張jpg原圖和1000張mask圖png格式) 09-25 顯著性目標(biāo)檢測(cè)數(shù)據(jù)集 yuexingyu的博客 2576
論文研究-基于深度學(xué)習(xí)方法的復(fù)雜場(chǎng)景下車輛目標(biāo)檢測(cè).pdf
07-22
針對(duì)實(shí)際交通場(chǎng)景下的車輛目標(biāo)，應(yīng)用深度學(xué)習(xí)目標(biāo)分類算法中具有代表性的Faster R-CNN框架，結(jié)合ImageNet中的車輛數(shù)據(jù)集，把場(chǎng)景中的目標(biāo)檢測(cè)問題轉(zhuǎn)換為目標(biāo)的二分類問題，進(jìn)行車輛目標(biāo)的檢測(cè)識(shí)
車輛分類識(shí)別VOC數(shù)據(jù)集
03-16
自己整理的車輛類型數(shù)據(jù)集 一共1500張圖片，共分7個(gè)類 分別為Bus、Car,SportsCar，MicroBus,Truck,SUV,Jeep，是VOC格式的數(shù)據(jù)集，用LabelImg工具進(jìn)行標(biāo)注
數(shù)據(jù)集整理匯總附鏈接(深度學(xué)習(xí))_y459541195的博客
3-13
之前遇到的一些數(shù)據(jù)集,自己收集一下,歸到一起使用方便,可能不是很全,持續(xù)更新匯總。。。1. Image Datasets — 圖像數(shù)據(jù)集DatasetLinkMNISThttp://yann.lecun....
16個(gè)推薦系統(tǒng)開放公共數(shù)據(jù)集整理分享_love music.的博客
2-23
原文鏈接:16個(gè)推薦系統(tǒng)開放公共數(shù)據(jù)集整理分享 (本文由深度學(xué)習(xí)與NLP編譯) 本文主要整理了一些與推薦系統(tǒng)相關(guān)的高質(zhì)量的數(shù)據(jù)集。整理自Stack Overflow、一些文章、推薦...
車輛Re-ID數(shù)據(jù)集（分角度）
08-13
不同方向成對(duì)圖像拼接（保持車ID不變），可作一般用途，可作為數(shù)據(jù)增強(qiáng)數(shù)據(jù)集，生成不同角度的圖像，利用GAN網(wǎng)絡(luò)
車輛檢測(cè)數(shù)據(jù)集
怡寶2號(hào)
1886
轉(zhuǎn)載自:https://blog.csdn.net/weixin_43653815/article/details/95514857 鏈接：https://pan.baidu.com/s/1lTv-oMXFvuID8ByDPz8SvQ 密碼：v1os
車輛運(yùn)動(dòng)軌跡數(shù)據(jù)集
souvenir001的博客
3萬+
一、SanFrancisco Bay Area 1.數(shù)據(jù)集包括500輛出租車近30天的（2008年5月17日-6月10日）行駛數(shù)據(jù) 2.車輛行駛數(shù)據(jù)的采樣時(shí)間間隔1min 3.車輛軌跡數(shù)據(jù)包含：車輛ID-經(jīng)緯度（位置）-是否載客-時(shí)間 4.無瞬時(shí)速度 下載鏈接：點(diǎn)擊打開鏈接 二、Shanghai 1.數(shù)據(jù)集包括4千輛出租車24個(gè)小時(shí)（07年2月20日）的行駛數(shù)據(jù) 2.車輛行駛數(shù)據(jù)的
車道檢測(cè)數(shù)據(jù)集
Zhenqiang Ying's CSDN Blog
1萬+
ROMA (ROad MArkings)Evaluation of Road Marking Feature Extraction view on IEEE.org 【下文為摘要翻譯】 本文提出了一種以評(píng)估車道線提取算法（從圖像中提取出車道標(biāo)記特征）的系統(tǒng)方法。盡管已經(jīng)有很多車道線提取算法被提出，但有關(guān)該主題（評(píng)價(jià)方法）的討論很少在文獻(xiàn)中出現(xiàn)。大多數(shù)算法可以分解成三個(gè)步驟：提取道路標(biāo)記的特征，估計(jì)
道路行人數(shù)據(jù)集匯總
weixin_38907560的博客
9232
? 1、Caltech Pedestrian Detection Benchmark http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/ 加州理工學(xué)院行人數(shù)據(jù)集包含大約10個(gè)小時(shí)的640x480 30Hz視頻，這些視頻是通過在城市環(huán)境中正常行駛的車輛拍攝的。大約250,000幀（137分鐘左右），共計(jì)350,000個(gè)...
win10下YOLOv3訓(xùn)練自己的數(shù)據(jù)集檢測(cè)車輛（vs2015）
liushangkun的博客
1萬+
目錄 一、數(shù)據(jù)集準(zhǔn)備 二、配置文件的修改及訓(xùn)練 三、訓(xùn)練結(jié)果檢驗(yàn) 環(huán)境： WIN10 + vs2015 + python3.6 + YOLOV3 + GPU訓(xùn)練 一、數(shù)據(jù)集準(zhǔn)備 這里有DETRAC數(shù)據(jù)集的包，用到的是其中的DETRAC-train-data及DETRAC-Train-Annotations-XML包。 鏈接：https://pan.baidu.com/s/1W...
車輛自然駕駛軌跡數(shù)據(jù)集介紹
spatial_coder的博客
3971
文章目錄NGSIMNGSIM 概覽快速路車道選擇算法Interstate 80 Freeway 數(shù)據(jù)集Lankershim Boulevard 數(shù)據(jù)集US highway101數(shù)據(jù)集動(dòng)態(tài)交通分配DTACORSIMAIMSUN NGSIM NGSIM 概覽 NGSIM項(xiàng)目包含三個(gè)部分，攝像頭采集的真實(shí)數(shù)據(jù)集、核心仿真算法和文檔。 next generation simulation 快速路車道選擇...
車牌識(shí)別數(shù)據(jù)集-自己辛苦收集的-已經(jīng)標(biāo)注
?
?
?
?
總結(jié)
以上是生活随笔為你收集整理的16个车辆信息检测数据集收集汇总（简介及链接）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 向日葵下载与安装
- 下一篇： 脑电数据预处理和后续处理（EEGLAB）