精华内容
下载资源
问答
  • 2020-02-24 10:51:25

    数据集整理及下载

    Pascal VOC 数据集

    VOC2007
    VOC2012

    车辆数据集

    1. bdd100k

    数据集分析可参考:
    https://blog.csdn.net/qq583083658/article/details/86493752
    数据集国内可用下载地址:
    bdd100k下载地址
    下载地址

    2. KITTI数据集

    数据集介绍:
    数据集介绍及使用
    下载地址:
    http://www.cvlibs.net/download.php?file=data_object_image_2.zip
    http://www.cvlibs.net/download.php?file=data_object_label_2.zip

    3. UA-DETRAC

    车辆检测和跟踪的大规模数据集,可以作为 KITTI 的补充。

    数据集主要拍摄于北京和天津的道路过街天桥(京津冀场景有福了),并 手动标注了 8250 个车辆 和 121万目标对象外框。下载地址:
    http://detrac-db.rit.albany.edu/download

    更多相关内容
  • 数据集包含标记的水果图像以训练目标检测系统。用于对象检测的其他数据集。火车文件夹中的240张图像。测试文件夹中有60张图像。 Fruit Images for Object Detection_datasets.txt Fruit Images for Object ...
  • 显著性检测数据集SOD,包含300张GT&300张image
  • 物体检测的派系

    一、物体检测的定义

    二、物体检测的派系

     

    二、物体检测常用数据集

      2.1 通用物体检测数据集

    2.2 人脸检测数据集

    2.3 行人检测数据集

    三、物体检测的评价方法

    展开全文
  • 五类:电池、纸团、一次性杯子、塑料瓶、积木 COCO格式,每一类大概在350张的样子。
  • 对一些现有的数据集进行反推,生成labelme标注的格式。生成的效果如下图: 使用了 RSOD部分数据,将VOC数据集反推为labelme的标注数据。 代码如下: import sys import os.path as osp import io from labelme...

    对一些现有的数据集进行反推,生成labelme标注的格式。生成的效果如下图:

    使用了 RSOD部分数据,将VOC数据集反推为labelme的标注数据。

    代码如下:

    import sys
    import os.path as osp
    import io
    from labelme.logger import logger
    from labelme import PY2
    from labelme import QT4
    import PIL.Image
    import base64
    from labelme import utils
    import os
    import cv2
    import xml.etree.ElementTree as ET
    
    module_path = os.path.abspath(os.path.join('..'))
    if module_path not in sys.path:
        sys.path.append(module_path)
    import json
    from PIL import Image
    
    Image.MAX_IMAGE_PIXELS = None
    imageroot = 'RSOD/'
    listDir = ['aircraft', 'oiltank']//数据的类别
    
    def load_image_file(filename):
        try:
            image_pil = PIL.Image.open(filename)
        except IOError:
            logger.error('Failed opening image file: {}'.format(filename))
            return
    
        # apply orientation to image according to exif
        image_pil = utils.apply_exif_orientation(image_pil)
    
        with io.BytesIO() as f:
            ext = osp.splitext(filename)[1].lower()
            if PY2 and QT4:
                format = 'PNG'
            elif ext in ['.jpg', '.jpeg']:
                format = 'JPEG'
            else:
                format = 'PNG'
            image_pil.save(f, format=format)
            f.seek(0)
            return f.read()
    
    
    def dict_json(flags, imageData, shapes, imagePath, fillColor=None, lineColor=None, imageHeight=100, imageWidth=100):
        '''
        :param imageData: str
        :param shapes: list
        :param imagePath: str
        :param fillColor: list
        :param lineColor: list
        :return: dict
        '''
        return {"version": "3.16.4", "flags": flags, "shapes": shapes, 'lineColor': lineColor, "fillColor": fillColor,
                'imagePath': imagePath.split('/')[-1], "imageData": imageData, 'imageHeight': imageHeight,
                'imageWidth': imageWidth}
    
    
    data = json.load(open('1.json'))
    for subPath in listDir:
        xmlpathName = imageroot + subPath + '/Annotation/xml'
        imagepath = imageroot + subPath + '/JPEGImages'
        resultFile = os.listdir(xmlpathName)
        for file in resultFile:
            print(file)
            imagePH = imagepath + '/' + file.split('.')[0] + '.jpg'
            print(imagePH)
            tree = ET.parse(xmlpathName + '/' + file)
            image = cv2.imread(imagePH)
            shapes = data["shapes"]
            version = data["version"]
            flags = data["flags"]
            lineColor = data["lineColor"]
            fillColor = data['fillColor']
            newshapes = []
            for elem in tree.iter():
                if 'object' in elem.tag:
                    name = ''
                    xminNode = 0
                    yminNode = 0
                    xmaxNode = 0
                    ymaxNode = 0
                    for attr in list(elem):
                        if 'name' in attr.tag:
                            name = attr.text
                        if 'bndbox' in attr.tag:
                            for dim in list(attr):
                                if 'xmin' in dim.tag:
                                    xminNode = int(round(float(dim.text)))
                                if 'ymin' in dim.tag:
                                    yminNode = int(round(float(dim.text)))
                                if 'xmax' in dim.tag:
                                    xmaxNode = int(round(float(dim.text)))
                                if 'ymax' in dim.tag:
                                    ymaxNode = int(round(float(dim.text)))
                    line_color = None
                    fill_color = None
                    newPoints = [[float(xminNode), float(yminNode)], [float(xmaxNode), float(ymaxNode)]]
                    shape_type = 'rectangle'
                    flags = flags
                    newshapes.append(
                        {"label": name, "line_color": line_color, "fill_color": fill_color, "points": newPoints,
                         "shape_type": shape_type, "flags": flags})
            imageData_90 = load_image_file(imagePH)
            imageData_90 = base64.b64encode(imageData_90).decode('utf-8')
            imageHeight = image.shape[0]
            imageWidth = image.shape[1]
            data_90 = dict_json(flags, imageData_90, newshapes, imagePH, fillColor, lineColor, imageHeight, imageWidth)
            json_file = imagePH[:-4] + '.json'
            json.dump(data_90, open(json_file, 'w'))
    

    展开全文
  • 编辑| 琥珀来源 | AI科技大本营(id:rgznai100)昨日,在旷视科技联合北京智源人工智能研究院举办的发布会上,旷视研究院发布了物体检测数据集 Objects...

    640?wx_fmt=jpeg


    编辑 | 琥珀

    来源 | AI科技大本营(id:rgznai100)


    昨日,在旷视科技联合北京智源人工智能研究院举办的发布会上,旷视研究院发布了物体检测数据集 Objects365,包含 63 万张图像数量,365 个类别数量,高达 1000 万的框数。旷视首席科学家兼研究院院长孙剑在活动上表示,该数据集也是新一代通用物体检测数据集,具有规模大、质量高、泛化能力强的特点。


    640?wx_fmt=png

    Objects365与大型经典数据集的基本对比


    相较于 COCO 数据集,Objects365 包含 63 万张图像,数量约 5 倍于COCO;包含约 1000万标注框,数量 11 倍于 COCO 数据集标注框;Objects365 每张图像的平均标注框为 15.8个,更是 2 倍以上于COCO数据集;同时还涵盖了 365 个日常物体类别。


    640?wx_fmt=png

    Objects365 与 COCO/VOC 详细对比


    由上图可知,即便去除其他类别而仅考虑收录于 COCO 或 VOC 数据集的 80 类和 20 类,在每张图像平均框数和类别数这两项指标上,Objects365 依然优于 COCO 和 VOC;通过分析发现,原因不仅在于数据分布的不同,还在于标注过程减少了漏标,尤其是小目标。此外,Objects365 的平均标注区域占比也超过 COCO 和 VOC。


    640?wx_fmt=png

    4 类数据集中,图像包含类别数的对比


    如图所示,4 个不同的数据集中,拥有不同类别数量的图像所占的比例;Objects365 的峰值是每张图相平均具有 5 个不同的类别;而其他三个数据集,大多数图像所包含的类别数量在 1-2 个。


    孙剑表示,算法优化的上限严重依赖于基准数据集的质量。为保证标注质量,在打造Objects365时,旷视设计出一套科学而严格的标注流程。


    640?wx_fmt=png

    Objects365 的标注图像示例


    此外,Objects365预训练模型在使用过程中,可以轻松超越现有算法的精度,显著加速收敛过程,表现出极强的泛化能力。在执行COCO、VOO Det、CityPersons等检测任务时,在VOC Seg和ADE等分割任务上均有显著提升。


    DIW 2019 挑战赛启动


    此外,由旷视科技旷视联合北京智源人工智能研究院举办的 Detection In the Wild 2019(DIW 2019)挑战赛也发布会当天正式启动。


    赛程安排:


    • 4月10日:比赛正式开始,开放比赛队伍注册,同步发布训练集和验证集。

    • 5月10日(23:59 PST):发布测试集数据。

    • 6月10日(23:59 PST):测试集提交阶段结束,比赛截止。

    • 6月17日:公布比赛结果,获胜队介绍参赛经验。


    主办方为每个赛道的冠军队伍准备了10000美元的奖励。届时,优胜队将在CVPR现场的研讨会上介绍经验,共同探讨检测问题的瓶颈及优化方向。


    DIW2019挑战赛的比赛赛道分为三个赛道,即Objects365赛道、Objects365小赛道和CrowdHuman赛道。


    更多信息可查看:

    https://www.objects365.org/workshop2019.html


    智源学者计划拟公式 

    旷视研究员张祥雨入选


    发布会上,北京智源学者计划对外进行了透露,并对首批智源学者的候选人名单进行了拟公示,共9位,分别是:


    • 北京大学 特聘研究员 朱占星:他在深度学习的泛化性和鲁棒性方面取得了高水平成果,曾获国际计算机安全领域顶级会议CCS2018最佳论文提名。

    • 北京大学 副研究员 章斯鑫:他建立了深度学习和小波分析的联系,论文曾发表在国际机器学习和应用数学顶级期刊上。

    • 北京应用物理与计算数学研究所 副研究员 王涵:他在分子动力学的数值分析方面取得突出成果,在《物理评论快报(Physical Review Letters)》等国际顶级学术期刊上发表文章30余篇。

    • 北京大学 副教授 邵嗣烘:他23岁时即获得中国计算数学学会优秀青年论文一等奖,在计算量子力学前沿做出了重要贡献。

    • 清华大学 助理教授 林乾:他在高维数据和复杂模型的统计分析理论方面取得了高水平的研究成果,是相关领域杰出的青年学者。

    • 清华大学 助理教授 黄高:他提出了随机深度网络、自适应推理神经网络等深度学习算法模型,曾获得2017年国际计算机视觉与模式识别会议(CVPR)最佳论文奖。

    • 旷视科技研究院资深研究组负责人  张祥雨 博士:他是青年科学家候选人中最年轻的一位,仅28岁。多个高影响力卷积神经网络模型的主要研发者之一,曾获得2016年国际计算机视觉与模式识别会议(CVPR)最佳论文奖、国际顶级计算机视觉竞赛多项冠军。

    • 清华大学 长聘副教授 崔鹏:他在网络表示学习和社会感知的多媒体计算方面取得一系列创新成果,获得国家自然科学二等奖一项和省部级一等奖三项,入选中组部万人计划青年拔尖人才,荣获中国计算机学会青年科学家奖和国际计算机协会中国新星奖。

    • 清华大学 长聘副教授 唐平中:他致力于人工智能与博弈论的交叉研究,设计人工智能与优化算法,大幅度提升了互联网公司核心经济指标。


    此外,发布会上,“北京智源 - 旷视智能模型设计与图像感知联合实验室”成立,该联合实验室拟由旷视研究院院长孙剑任实验室主任,研究员周舒畅任实验室副主任。


    (本文为AI科技大本营整理文章,转载请联系联系 1092722531


    精彩推荐


    640?wx_fmt=jpeg

    推荐阅读:

    640?wx_fmt=png


    点击“阅读原文”,查看更多精彩文章。

    展开全文
  • 分享 | 物体检测数据集

    千次阅读 2022-01-04 17:42:57
    物体检测数据集这一节花了有一天的时间,一直有一个bug困扰,后来改了代码把box画到了图上,途中还是挺崩溃的,总的来说这一课收获还挺大的。 物体检测 在前⾯的⼀些章节中,主要学习了诸多⽤于图像分类的模型。...
  • 1. 物体检测object detection object recognition 和数据集 物体检测的应用 比 图片识别的应用多得多,物体检测的更实用。比如无人车,自动驾驶,自动售货机识别物体。 COCO: https://cocodataset.org 80个物体...
  • 本文收集的显著性检测数据集包含两个部分:人眼关注点预测数据集(fixation prediction datasets)和显著物体检测数据集(salient object detection datasets)。 2.salient object detection datasets: (1) MSRA10K...
  • 五千多张实拍水下生物目标检测数据集,标注文件是xml格式的,附赠转txt格式的py代码。本文亲测可用,海胆海参扇贝等一些海产品的实拍数据集.可用于YOLO算法训练
  • NWPU VHR-10 Dataset 是一个用于空间物体检测的 10 级地理遥感数据集,其拥有 650 张包含目标的图像和 150 张背景图像,共计 800 张,目标种类包括飞机、舰船、油罐、棒球场、网球场、篮球场、田径场、港口、桥梁和...
  • 因此,在这里,我们的目标是通过发布具有60个高光谱图像及其各自的地面真实二进制图像和代表性渲染彩色图像(sRGB)的高光谱显着物体检测数据集来为该领域做出贡献。 在数据收集过程中,我们考虑了多个方面,例如...
  • berkeley segmentation data set (BSDS500)是伯克利大学computer vision group提供的数据集可以用来图像分割和物体边缘检测。该数据集包含200张训练图,100张验证图,200张测试图。所有标注用.mat文件保存,包含...
  • 向AI转型的程序员都关注了这个号????????????机器学习AI算法工程 公众号:datayx目标检测能够既准确又快速吗?我们常常有一个概念,SSD 等单阶段目标检测器很快,但准...
  • 识别安全帽佩戴检测数据集,数据已打标
  • 水下物体检测图像数据集(7000多张图像,COCO标签,下载链接)
  • 1.voc车辆检测数据集,可直接训练,数据已经处理 2.2000张主要包括:轿车、卡车、公交车、摩托车、自行车 3.需要更多数据集请私聊
  • Pascal VOC 2007数据集(用于物体检测),可用于检验 YOLO、Fast-RCNN 等算法
  • 数据集包含4个不同类别的200张图像,以进行水果检测。 Fruit Detection_datastes.txt Fruit Detection_datastes.zip
  • 物体检测数据集处理总结

    千次阅读 2020-05-06 09:18:40
    标注工具Labelme的安装。 ​​​​​​​ 安装pyqt pip install PyQt5 安装 PIL包 pip install Pillow 安装labelme 1、官方的安装命令。 pip install labelme 2、官方的labelme不支持大图像...labelme...
  • 郭一璞 发自 北京会议中心量子位 报道 | 公众号 QbitAI比ImageNet大的图像数据集来了。在4月16日的智源学者计划启动暨联合实验室发布会上,旷视科技发布了...
  • PASCAL 3D+ 是一个 3D 物体检测和姿态识别数据集,包括 PASCAL VOC 2012 中 12 个类别物体的 3D 标注,平均每个类别中包含 3000 个实例。 该数据集由斯坦福大学于 2014 年发布,相关论文有《Beyond PASCAL: A ...
  • 目标检测数据集.txt

    2019-05-28 10:26:06
    1、COCO数据集:第一组是train数据,第二组是val验证数据集,第三组是test验证数据集。数据包括了物体检测和keypoints身体关键点的检测。 2、VOC2007数据集
  • 1、目标检测和分类任务比分类任务稍微复杂 可以检测多个目标 不仅对每个目标进行分类和定位 2、目标框的常用表示方式 目标框的左上和右下点...物体检测识别多个物体的类别和位置。 位置通常用边缘框标识。 ...
  • 百度的人工智能技术,Easy DL定制化图像识别的物体检测——数据集如何提交、格式要求
  • 需要做特定场景中物体检测数据集,对于数据标记中一些基本的思路,方法,原则没有比较系统的认识。所以,希望通过参考一些常用的检测相关的数据集的制作思路和方法,提升自己数据集的质量;
  • 物体检测–COCO数据集 COCO数据集介绍 微软团队提供:http://mscoco.org/ ECCV Workshops:Microsoft COCO:Common Objects in Context 从复杂的日常场景中截取,包括91类目标,328000影像和2500000个label 种类更...
  • COD-10K 项目页面:http://dpfan.net/Camouflage/ 数据集:https://drive.google.com/file/d/1vRYAie0JcNStcSwagmCq55eirGyMYGm5/view CHAMELEON ...数据集: http://kgwisc.aei.polsl.pl/datasets/Camou

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 44,160
精华内容 17,664
关键字:

物体检测数据集