@Author：Runsen

計算機視覺中具有挑戰(zhàn)性的主題之一，對象檢測，可幫助組織借助數(shù)字圖片作為輸入來理解和識別實時對象。大量的論文基于常見的目標(biāo)檢測的開源數(shù)據(jù)集而來，因此需要了解常見的目標(biāo)檢測的開源數(shù)據(jù)集

• https://public.roboflow.com/object-detection

CIFAR-10

CIFAR-10 是一個綜合數(shù)據(jù)集，由 10 個不同類別的 60,000 張彩色圖像組成。該數(shù)據(jù)集包含 10,000 張測試圖像和 50,000 張訓(xùn)練圖像，分為五個訓(xùn)練組。

點擊下面鏈接了解有關(guān)數(shù)據(jù)集的更多信息 和CIFAR-10/100和 ImageNet 與 PyTorch分類的鏈接。

• http://www.cs.toronto.edu/~kriz/cifar.html
• https://github.com/bearpaw/pytorch-classification

COCO

MS COCO 是一個大規(guī)模對象檢測數(shù)據(jù)集，它解決了場景識別中的三個核心分析問題。檢測對象的非標(biāo)志性場景（或非規(guī)范視角）、對象內(nèi)的上下文推理以及對象的準(zhǔn)確 2D 定位。

該數(shù)據(jù)集具有特定特征，例如對象分割、情境識別、超像素素材分割、150 萬個對象實例、80 個對象類等。

點擊下面鏈接了解有關(guān)數(shù)據(jù)集的更多信息 和教程的鏈接。

• https://cocodataset.org/#home
• https://cv.gluon.ai/contents.html

LISA 交通標(biāo)志檢測數(shù)據(jù)集：

LISA 或智能安全汽車交通標(biāo)志數(shù)據(jù)集實驗室是一組包含美國交通標(biāo)志的帶注釋的幀和視頻。該數(shù)據(jù)集包括從不同相機收集的圖像、47 種美國標(biāo)志類型以及 6610 個邊界上的 7855 個注釋。LISA 分兩個階段發(fā)布，即一個有照片，一個有視頻和圖片。

點擊下面鏈接了解有關(guān)數(shù)據(jù)集的更多信息 和Kaggle 上 LISA 交通標(biāo)志檢測代碼討論的鏈接。

• http://cvrr.ucsd.edu/LISA/lisa-traffic-sign-dataset.html
• https://www.kaggle.com/mbornoe/lisa-traffic-light-dataset/code

Open Image

Open Image 是一個包含大約 900 萬張圖片的數(shù)據(jù)集，這些圖片帶有圖像級標(biāo)簽、對象邊界框、對象分割掩碼、視覺關(guān)系和本地化敘述。

該數(shù)據(jù)集包括 1600 萬個邊界框，用于 190 萬張圖像上的 600 種對象類型，使其成為當(dāng)前最重要的具有對象位置注釋的數(shù)據(jù)集。這些框基本上是由專家注釋者手動勾畫的，以確保效率和一致性。

Open Images 還授予視覺關(guān)系注釋，指示相關(guān)關(guān)系中的對象對、對象屬性和人類活動。

點擊下面鏈接了解有關(guān)數(shù)據(jù)集的更多信息 和基于Google Open Images 數(shù)據(jù)集的自定義子集構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)機器學(xué)習(xí)分類器。

• https://storage.googleapis.com/openimages/web/factsfigures.html
• https://github.com/quiltdata/open-images

ExDark

Exclusively Dark (ExDARK) 是一個獨特的低光圖像數(shù)據(jù)集，它提供了一組主要的圖像，用于對低光分析工作進行基準(zhǔn)測試，并將相互不同的專業(yè)領(lǐng)域集中在低光條件下，例如，圖像理解、圖像增強，物體檢測等。

該數(shù)據(jù)集是 7,363 張低光照片的組合，從極低光條件到黃昏（即十個不同狀態(tài)），12 個對象類別（與 PASCAL VOC 相關(guān)）在圖像分類級別和局部目標(biāo)是邊界框上進行注釋。

點擊下面鏈接了解有關(guān)數(shù)據(jù)集的更多信息 和使用 TensorFlow 的對象檢測 API 實現(xiàn)了 Faster R-CNN 模型，以識別從 ExDark 數(shù)據(jù)集獲取的圖像中的對象

• https://github.com/cs-chan/Exclusively-Dark-Image-Dataset
• https://github.com/hmshreyas7/low-light-detection

DOTA

DOTA 是用于航空視覺中物體檢測的海量數(shù)據(jù)集。可以練習(xí)開發(fā)和估計航拍照片中的物體檢測器。圖片是從各種傳感器和階段收集的。每張印刷品的尺寸從 800 × 800 到 20,000 × 20,000 像素不等，包括呈現(xiàn)各種比例、方向和圖案的對象。

點擊下面鏈接了解有關(guān)數(shù)據(jù)集的更多信息 和在 DOTA 上訓(xùn)練的模型代碼庫的鏈接。

• https://hyper.ai/datasets/4920

BDD100K

BDD100K 是獨立多任務(wù)學(xué)習(xí)的驅(qū)動數(shù)據(jù)集。該數(shù)據(jù)集包含 10 個任務(wù)和 10 萬個視頻，用于估計自動駕駛圖像識別算法的進展。

該數(shù)據(jù)集上的功能包括多目標(biāo)分割跟蹤、圖像標(biāo)記、道路目標(biāo)檢測、語義分割、車道檢測、可行駛區(qū)域分割、實例分割、多目標(biāo)檢測跟蹤、域采用和模仿訓(xùn)練。

點擊下面鏈接了解有關(guān)數(shù)據(jù)集的更多信息通過提出FCN+LSTM 模型

• https://github.com/bdd100k/bdd100k
• https://github.com/gy20073/BDD_Driving_Model

VOC

PASCAL VOC為圖像識別和分類提供了一整套標(biāo)準(zhǔn)化的優(yōu)秀的數(shù)據(jù)集，這是一個監(jiān)督學(xué)習(xí)的問題，訓(xùn)練集以帶標(biāo)簽的圖片的形式給出。這些物體包括20類

Pascal VOC網(wǎng)址：

http://host.robots.ox.ac.uk/pascal/VOC/

查看各位大牛算法的排名的Leaderboards：http://host.robots.ox.ac.uk:8080/leaderboard/main_bootstrap.php

訓(xùn)練/驗證數(shù)據(jù)集下載（2G）：host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar

ImageNet

ImageNet是一個計算機視覺系統(tǒng)識別項目，是目前世界上圖像識別最大的數(shù)據(jù)庫。
大約1500萬張圖片，2.2萬類，每張都經(jīng)過嚴(yán)格的人工篩選與標(biāo)記。ImageNet類似于圖片所有引擎。

其中，包括邊界框的目標(biāo)檢測數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)集包括500,000張圖片，屬于200類物體。

ImageNet數(shù)據(jù)集介紹以及下載鏈接：

http://www.image-net.org/

總結(jié)

以上是生活随笔為你收集整理的深度学习和目标检测系列教程 3-300：了解常见的目标检测的开源数据集的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。