机器学习数据集+yolo数据集+深度学校数据集 yolo系列可用+卷及神经网络+目标检测+语义分割+姿态识别数据集 coco数据集 visdrone数据集

数据获取数据获取 见文章底部卡片获取数据集概览数据集在计算机视觉任务中扮演着至关重要的角色它们为模型提供了学习和理解世界的素材。Ultralytics 提供了广泛的数据集支持旨在促进检测、实例分割、姿态估计、分类和多目标跟踪等任务的发展。本文将详细介绍 Ultralytics 支持的主要数据集并探讨每个计算机视觉任务对应的特定数据集。观看Ultralytics 数据集概览Ultralytics 曾经提供了一个名为 Explorer 的工具用于探索和管理数据集。然而截至 ultralytics8.3.10Explorer 工具已被弃用。现在用户可以通过Ultralytics Hub来进行无代码的数据管理和可视化工作。Ultralytics Hub 是一个直观的平台它允许用户创建嵌入式搜索相似图像、运行 SQL 查询、执行语义搜索甚至使用自然语言进行搜索。此外用户还可以通过图形用户界面GUI应用程序或应用程序接口API来构建自己的应用。这些功能极大地简化了工作流程让用户可以专注于数据分析和模型训练。物体检测物体检测是计算机视觉领域中最常见的任务之一其目的是识别和定位图像中的物体。Ultralytics 支持多个物体检测数据集涵盖了从城市环境到农业领域的广泛应用场景Argoverse包含来自城市环境的三维跟踪和运动预测数据具有丰富的注释。COCOCommon Objects in Context (COCO) 是一个大型物体检测、分割和字幕数据集包含 80 个物体类别。LVIS大规模物体检测、分割和字幕数据集包含 1203 个物体类别。COCO8 和 COCO128COCO 数据集的小型子集适合快速测试和实验。全球小麦 2020包含 2020 年全球小麦挑战赛的小麦头图像。Object365用于物体检测的高质量大规模数据集包含 365 个物体类别和 600K 多张注释图像。OpenImagesV7由 Google 提供的综合数据集包含 170 万张训练图像和 4.2 万张验证图像。SKU-110K零售环境中密集物体检测的数据集包含超过 11K 幅图像和 170 万个边界框。VisDrone无人机捕获图像中的物体检测和多物体跟踪数据集有超过 10K 幅图像和视频序列。VOCPascal Visual Object Classes (VOC) 数据集包含 20 个物体类别和超过 11K 幅图像。xView高空图像中物体检测的数据集包含 60 个物体类别和 100 多万个注释物体。RF100多样化的物体检测基准包含 100 个数据集横跨 7 个图像领域用于综合模型评估。脑肿瘤用于检测脑肿瘤的数据集包括核磁共振成像或 CT 扫描图像。非洲野生动物非洲野生动物图像数据集包括水牛、大象、犀牛和斑马。签名带有签名注释的各种文件图像数据集支持文件验证和欺诈检测研究。实例分割实例分割不仅识别图像中的物体还精确勾勒出每个物体的轮廓。Ultralytics 支持以下实例分割数据集COCO专为物体检测、分割和字幕任务设计的大型数据集包含 20 多万张标注图像。COCO8-seg 和 COCO128-segCOCO 数据集的较小子集适用于快速测试实例分割任务。Crack-seg专门用于检测道路和墙壁裂缝的数据集。Package-seg为识别仓库或工业环境中的包裹而定制的数据集。Carparts-seg专门用于识别汽车零部件的数据集满足设计、制造和研究的需要。姿态估计姿态估计技术用于确定物体相对于摄像机或世界坐标系的姿态。以下是 Ultralytics 支持的姿态估计数据集COCO大规模人类姿势注释数据集。COCO8-pose用于姿态估计任务的较小数据集包含 8 幅 COCO 图像的子集。Tiger-pose紧凑型老虎主题数据集每只老虎有 12 个关键点。手部关键点包含 26,000 多张以人手为中心的图像每只手有 21 个关键点。Dog-pose包含约 6,000 张以狗为主题的图像每只狗有 24 个关键点。分类图像分类任务涉及根据图像内容将其归入预定义的类别。以下是常用的分类数据集Caltech 101 和 Caltech 256分别包含 101 和 256 个对象类别的图像数据集。CIFAR-10 和 CIFAR-100小型彩色图像数据集分为 10 或 100 类。时尚-MNIST由 10 个时尚类别的 70,000 张灰度图像组成的数据集。ImageNet大型数据集包含超过 1,400 万张图像和 20,000 个类别。ImageNet-10 和 ImagenetteImageNet 的较小子集用于更快地进行实验。Imagewoof更具挑战性的 ImageNet 子集包含 10 个犬种类别。MNIST由 70,000 幅手写数字灰度图像组成的数据集。MNIST160MNIST 数据集中每个类别的前 8 幅图像共包含 160 张图像。定向边框OBB定向包围盒OBB是一种利用旋转包围盒检测倾斜物体的方法通常应用于航空和卫星图像。相关数据集包括DOTA-v2流行的 OBB 航空图像数据集包含 170 万个实例和 11,268 幅图像。DOTA8DOTAv1 分割集的较小子集适合快速测试。多目标跟踪多目标跟踪涉及在视频序列中检测和跟踪多个目标。Ultralytics 支持以下多目标跟踪数据集Argoverse城市环境中的三维跟踪和运动预测数据。VisDrone无人机捕获图像中的物体检测和多物体跟踪数据。贡献新数据集为了确保新数据集与现有基础设施的一致性贡献者需要遵循一系列步骤收集图像从公共数据库或个人收藏中收集图像。注释图像根据任务应用边界框、线段或关键点进行注释。导出注释将注释转换为 YOLO *.txt 格式。整理数据集按照 train/ 和 val/ 目录结构组织数据集每个目录包含 images/ 和 labels/ 子目录。创建 data.yaml 文件描述数据集、类别和其他必要信息。优化图像可选减小数据集大小以提高处理效率。压缩数据集将整个数据集文件夹压缩成 zip 文件。文档和公关创建文档页面并提交拉取请求 (PR)。通过上述步骤您可以确保提供的新数据集能够顺利整合到 Ultralytics 现有的结构中从而为社区做出贡献。优化和压缩数据集的示例代码frompathlibimportPathfromultralytics.data.utilsimportcompress_one_imagefromultralytics.utils.downloadsimportzip_directory# Define dataset directorypathPath(path/to/dataset)# Optimize images in dataset (optional)forfinpath.rglob(*.jpg):compress_one_image(f)# Zip dataset into path/to/dataset.zipzip_directory(path)常见问题Ultralytics 支持哪些数据集进行物体检测Ultralytics 支持多种物体检测数据集例如COCO大规模物体检测、分割和字幕数据集包含 80 个物体类别。LVIS包含 1203 个物体类别的广泛数据集。Argoverse城市环境中的三维跟踪和运动预测数据。VisDrone无人机拍摄的物体检测和多物体跟踪数据。SKU-110K零售环境中密集物体检测的数据集。这些数据集有助于为各种物体检测应用训练稳健的模型。如何向 Ultralytics 提供新数据集提供新数据集涉及几个步骤包括收集和注释图像、导出注释为 YOLO *.txt 格式、整理数据集结构、创建 data.yaml 文件、优化图像可选、压缩数据集以及提交文档和 PR。通过遵循这些指导方针您能有效地为社区贡献新的资源。综上所述Ultralytics 提供了丰富多样的数据集覆盖了广泛的计算机视觉任务。无论您是在进行物体检测、实例分割、姿态估计、分类还是多目标跟踪都能找到合适的数据集来支持您的研究和开发工作。如果您有兴趣贡献新数据集或进一步了解 Ultralytics 的数据集请参考官方指南和文档获取更多信息。代码 数据获取见文章底部获取联系方式