全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集

威哥 2023-02-05 11:30:16 472

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集A）Winegrape检测数据集完整列表可在github上找到相关的使用说明和训练代码下面提到的是对象检测数据集的简短列表，有关它们的简短详细信息以及使用它们的步骤。数据集来自以下领域：★农业 ★高级驾驶员辅助和自动驾驶汽车系统 ★时尚，零售和营销 ★野生动物 ★体育 ★卫星成像 ★医学成像 ★安全和监视 ★水下成像….. 以及更多！！！！！

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(1)

计算机视觉是一个快速发展的领域，每天都有大量的新技术和算法出现在不同的会议和期刊上。说到目标检测，理论上你会学到很多算法，比如Faster-rcnn、Mask rcnn、Yolo、SSD、Retinenet、级联rcnn、Peleenet、EfficientDet、CornerNet…。这张算法清单是永远列不完的！

通过将其应用到不同的数据集来巩固你的学习经验总是有益的！！！

这样一来，你往往会更好地理解算法，并且可以直观了解哪些算法可以在哪种数据集上运行。

我们在Monk Computer Vision Org的开源团队编制了一个对象检测，图像分割和动作识别数据集的列表，并针对每个对象创建了简短的教程，供你使用这些数据集并尝试不同的对象检测算法

下面提到的是对象检测数据集的简短列表，有关它们的简短详细信息以及使用它们的步骤。数据集来自以下领域：

★农业 ★高级驾驶员辅助和自动驾驶汽车系统 ★时尚，零售和营销 ★野生动物 ★体育 ★卫星成像 ★医学成像 ★安全和监视 ★水下成像

….. 以及更多！！！！！

完整列表可在github上找到相关的使用说明和训练代码

https://github.com/Tessellate-Imaging/Monk_Object_Detection/tree/master/application_model_zoo

与农业有关的数据集

A）Winegrape检测数据集

https://github.com/thsant/wgisd

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(2)

*目标：检测葡萄园中的葡萄簇

*应用：监测生长并分析产量

*详细信息：300幅图像，带有5个葡萄类别的4400个边界框

*如何利用数据集并使用YoloV3管道构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Wine Grape Instance Detection Dataset.ipynb

B）全球小麦检测数据集

https://www.kaggle.com/c/global-wheat-detection/data

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(3)

*目标：检测田间的小麦作物

*应用：监测生长并分析产量

*详细信息：带有100K 批注的3430图像

*如何利用数据集并使用EfficientDet-D4管道构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Global Wheat Detection Kaggle (Starter Code) .ipynb

先进的驾驶员辅助和自动驾驶汽车系统相关数据集

A）LISA交通标志检测数据集

http://cvrr.ucsd.edu/LISA/lisa-traffic-sign-dataset.html

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(4)

*目标：用于检测和分类行车记录仪图像中的交通标志

*应用：交通标志识别是自动驾驶的规则设置程序

*详细信息：在47种美国标志类型上的6610帧上有7855个注释

*如何利用数据集并建立自定义使用EfficientDet-D3管线的探测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/example_zoo/Example - LISA Traffic Sign Recognition (Multi-GPU).ipynb

*此存储库又多了一个数据集

LISA车辆检测数据 http://cvrr.ucsd.edu/LISA/vehicledetection.html

B）低光照条件下的物体检测

https://github.com/cs-chan/Exclusively-Dark-Image-Dataset

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(5)

*目标：在低光照条件下检测道路上的物体——雾，雾霾，下雨等

*应用：这是自动驾驶汽车中的重要组成部分，因为它能够检测物体，因此在不利条件下属于更安全的车辆

*细节：在12种不同对象类型上的7500帧上的15K 注释

*如何利用数据集和使用EfficientDet-D3管道构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/example_zoo/Example - Object Detection in low lighting conditions.ipynb

C）LARA交通灯检测数据集

http://www.lara.prd.fr/benchmarks/trafficlightsrecognition

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(6)

*目标：检测交通信号灯并将其分类为红色，绿色和黄色

*应用程序：可以为道路网络交叉口的adas和自动驾驶汽车系统设置规则

*详细信息：三种交通类型的11K帧和20K 注释灯光

*如何利用数据集并建立使用Mmdet-Faster-Rcnn-fpn50管道自定义检测

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Lara Traffic Lights Detection Dataset.ipynb

D）使用红外图像进行人检测

https://camel.ece.gatech.edu/

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(7)

*目标：用于检测红外图像中的人

*应用：自动驾驶汽车配备了红外摄像头以检测恶劣条件下的物体

*详细信息：30个带有1K 注释的视频序列

*如何利用数据集并使用Mx-Rcnn管道构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - person detection in infrared images.ipynb

E）坑洼检测数据集

https://www.kaggle.com/chitholian/annotated-potholes-dataset

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(8)

*目标：从道路图像中检测坑洼

*应用：检测道路地形和坑洼可实现平稳行驶。

*详细信息： 700个在坑洼处带有3K 注释的图像

*如何利用数据集和使用M-Rcnn管道构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Pothole detection on roads.ipynb

F）Nexet车辆检测数据集

https://www.kaggle.com/solesensei/nexet-original

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(9)

*目标：检测车辆的道路图像

*应用：检测车辆是自动驾驶的主要组成部分

*详细信息：7000种图像，在6种类型的车辆上具有15K 注释

*如何利用数据集并使用Tensorflow Object Detection构建自定义检测器API

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Nexet Dataset Vehicle Detection.ipynb

G）BDD100K Adas数据集

https://www.kaggle.com/solesensei/solesensei_bdd100k

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(10)

*目标：检测道路上的物体

*应用：检测车辆，交通标志和人是自动驾驶的主要组成部分

*详细信息：100K图像，对10种类型的对象提供250K 注释

*如何利用数据集并建立自定义使用Tensorflow对象检测API的检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - BDD100K dataset with TensorRT optimization.ipynb

H）Linkopings交通标志数据集

http://www.cvl.isy.liu.se/research/datasets/traffic-signs-dataset/

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(11)

*目标：检测图像中的交通标志

*应用：检测交通标志是了解交通规则的第一步

*详细信息：3K图像，对40多种类型的交通标志提供5K 注释

**如何利用数据集并使用Mmdet-Cascade Mask-Rcnn构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Linkopings Traffic Sign Dataset.ipynb

时尚、零售和营销相关数据集

A）广告牌检测（二次采样OpenImages数据集）数据集

https://storage.googleapis.com/openimages/web/index.html

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(12)

*目标：检测图像中的广告牌

*应用程序：检测广告牌是自动分析整个城市营销活动的关键部分

*详细信息：2K图像，广告牌上带有5K 注释

*如何利用数据集并使用Retinanet构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Billboard (Hoarding detection).ipynb

B）DeepFashion2时尚元素检测数据集

https://github.com/switchablenorms/DeepFashion2

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(13)

*目标：检测图像中的时尚产品，服装和配饰

*应用程序：应用程序时尚检测有着从数据排序到推荐引擎的巨大应用

*详细信息：490K图像，带有约100个注释对象类

*如何利用数据集并建立自定义CornetNet-Lite管道检测仪

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Fashion detector on DeepFashion2 Dataset.ipynb

*另一个与时尚相关的数据集是淘宝商品数据集

http://www.sysu-hcp.net/taobao-commodity-dataset/

C）Qmul-OpenLogo徽标检测数据集

https://qmul-openlogo.github.io/

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(14)

*目标：检测自然图像中的不同徽标

*应用：分析视频和自然场景中徽标出现的频率对营销至关重要

*详细信息：16K训练图片，包括各种品牌的标识——食品、车辆、连锁餐厅、送货服务、航空公司等

*如何利用数据集并使用mx-rcnn管道构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - logo detection.ipynb

与体育相关的数据集

A）足球检测数据集（从OpenImages数据集进行二次采样）

https://storage.googleapis.com/openimages/web/index.html

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(15)

*目标：在视频中跨帧检测足球

*应用：检测足球位置在越位等自动分析情况中至关重要

*详细信息：约3K训练图像。

*如何利用数据集并使用yolo-v3管道构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - FootBall detection.ipynb

B）扑克牌类型检测

https://www.kaggle.com/luantm/playing-card

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(16)

*目标：检测自然图像中的纸牌并分类纸牌类型

*应用：可能的应用是分析不同纸牌游戏的获胜几率

*详细信息：52种纸牌类型中500张以上的图像

*如何利用数据集并建立自定义使用mx-rcnn管道的检测器

https://www.kaggle.com/luantm/playing-card

C）热图像中的足球运动员检测

https://www.kaggle.com/aalborguniversity/thermal-soccer-dataset

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(17)

*目标：使用热图像定位和跟踪玩家

*应用：跟踪游戏中的玩家是生成分析的关键部分

*详细信息：超过5K 注释的3K 图像。

*如何利用数据集和使用mmdet quick-rcnn管道构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Thermal Soccer - (Player Detection).ipynb

与安全和监视相关的数据集

A）CCTV交通摄像头中的MIO-TCD车辆检测

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(18)

*目标：检测闭路电视摄像机中的车辆

*应用：检测闭路电视摄像机中的车辆是安全监控应用中的关键部分

*详细信息：113K图像，在5种以上类型的车辆上具有200K 注释

*如何利用数据集并使用Mmdet-Retinanet管道构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - MIO-TCD Vehicle Localization Dataset.ipynb

B）WIDER人员检测数据集

https://wider-challenge.org/2019.html

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(19)

*目标：在闭路电视和自然场景图像和视频中检测人员

*应用：基于CCTV的人员检测构成安全和监视应用程序的核心

*详细信息：10K 图像以及20K 注释可检测行人

*如何利用数据集并建立自定义使用Cornernet-Lite管道的探测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Fashion detector on DeepFashion2 Dataset.ipynb

C）防护装备-头盔和背心检测

https://github.com/ciber-lab/pictor-ppe

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(20)

*目标：检测人员的头盔和背心

*应用：这是安全合规性监视中不可或缺的一部分

*详细信息：1.5K 图像以及2K 注释可检测人员，头盔和背心

*如何利用数据集和构建自定义检测器使用Mmdet — Cascade RPN

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Protective gear - helmet and vest detection.ipynb

D）视频中的异常检测

https://www.crcv.ucf.edu/projects/real-world/

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(21)

*目标：根据视频中执行的操作对视频进行分类

*应用：实时检测异常有助于阻止犯罪

*详细信息：对应于10个异常类别的1K 视频。

*如何利用数据集和使用mmaction-tsn50管道构建自定义分类器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - UCF101 Action Recognition.ipynb

医学影像数据集

A）超声臂丛神经（BP）神经分割数据集

https://www.kaggle.com/c/ultrasound-nerve-segmentation/data

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(22)

*目标：在超声图像中分割某些神经类型

*应用：通过使用可阻塞或减轻源头疼痛的留置导管，有助于改善疼痛管理。

*详细信息： 11K 图像以及相关的实例蒙版，用于检测神经

*如何利用数据集并构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Ultrasound nerve segmentation.ipynb

B）细胞中的PanNuke癌症实例分割

https://www.kaggle.com/andrewmvd/cancer-inst-segmentation-and-classification

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(23)

*目标：在幻灯片图像中分割不同的细胞类型

*应用程序：自动分析兆字节数据中癌细胞和死细胞的存在

*详细信息：3K 图像，带有用于检测不同单元类型的关联实例掩码

*如何利用数据集和构建定制检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - PanNuke Dataset CellType Instance Segmentation.ipynb

卫星成像数据集

A）卫星图像中的道路分割

https://www.kaggle.com/insaff/massachusetts-roads-dataset

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(24)

*目标：在卫星图像中分割道路线

*应用：帮助城市规划和道路监控

*详细信息：1K 图像和相关实例遮罩可检测不同的道路区域

*如何利用数据集并构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Road segmentation on Satellite Imageset.ipynb

B）在合成生成的月球图像中的可穿越区域分割

https://www.kaggle.com/romainpessia/artificial-lunar-rocky-landscape-dataset

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(25)

*目标：分割岩石并在月球影像中找到可穿越的区域

*应用：自主漫游车路径规划中的基本元素

*详细信息：带有相关实例蒙版的10K 图像以检测不同的岩石和平坦的地面

*如何利用数据集并构建定制检测器

C）卫星影像中的汽车和游泳池检测

https://www.kaggle.com/kbhartiya83/swimming-pool-and-car-detection

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(26)

*目标：在卫星图像中检测车辆和游泳池

*应用：这是财产税估算中的关键部分

*详细信息：3.5K 图片，汽车和游泳池上有5K 注释标签

*如何利用数据集并使用cornernet lite管道构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Car and Pool Detection.ipynb

D）航空影像中的道路和居民区分割

https://www.kaggle.com/cceekkigg/berlin-aoi-dataset

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(27)

*目标：在卫星图像中分割道路和居民区

*应用：这是财产税估算中的关键部分

*详细信息：带有分割蒙版的100幅超高分辨率图像

*如何利用数据集和构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - CitySeg Dataset Road and Houses Segmentation.ipynb

*另一个类似的道路分割数据集和相关的训练代码

数据集：https://www.kaggle.com/srikaranand/road-segmentation-dataset
训练代码：https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Road Segmentation in Satellite Images - 2.ipynb

E）卫星图像中的水体分割

https://www.kaggle.com/franciscoescobar/satellite-images-of-water-bodies

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(28)

*目标：在卫星图像中分割水体

*应用：了解水体如何随时间变化和演变非常重要

-带有分割蒙版的100幅超高分辨率图像

*如何利用数据集并构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Water Body Segmentation.ipynb

*另一个此类数据集是DeepGlobe土地覆盖分类及其相关的使用准则

数据集：https://competitions.codalab.org/competitions/18468#participate-get_starting_kit
相关使用准则：https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - DeepGlobe Land Cover Classification.ipynb

野生动物相关数据集

A）老虎检测数据集（从OpenImages采样）

https://storage.googleapis.com/openimages/web/index.html

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(29)

*目标：检测自然和无人机图像中的老虎

*应用：监视濒临灭绝的物种

*详细信息：带有4k 注释的2K 图像。

*如何利用数据集和使用Cornernet-lite管道构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Tiger detection using Cornernet-Saccade (No Val Dataset).ipynb

*另外一个这样的数据集可以是猴子检测数据集及其相关的教程

猴子检测数据集：https://storage.googleapis.com/openimages/web/index.html
相关的教程：https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Monkey detection in the wild.ipynb

B）斑马和长颈鹿检测数据集

https://lev.cs.rpi.edu/public/datasets/wild.tar.gz

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(30)

*目标：检测自然和无人机图像中的斑马和长颈鹿物种

*应用：监视濒危物种

*详细信息：带有5k 注释的5K 图像。

*如何使用数据集并使用efficiencydet-d3管道构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Wildlife Localization - (Giraffes Zebras Impalas).ipynb

C）加州理工学院相机陷阱数据集

https://beerys.github.io/CaltechCameraTraps/

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(31)

*目标：检测陷阱照相机类型图像中的动物

*应用：监视濒临灭绝的物种

*详细信息：带有8k 注释的10K 图像。

*如何利用数据集并使用Retinanet管道构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Caltech cameratrap ECCV animal detection.ipynb

*另外一个这样的相机数据集和相关的训练代码

数据集：https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Cameratrap Animals Detection - 1.ipynb
训练代码：https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Cameratrap Animals Detection - 1.ipynb

D）大象检测数据集（从COCO数据集中采样）

https://cocodataset.org/#download

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(32)

*目标：检测自然和无人机图像中的大象种类

*应用：监视濒临灭绝的物种

*详细信息：带有5k 注释的5K 图像。

*如何利用数据集并使用mmdet-maskrcnn构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Elephant segmentation in the wild.ipynb

水下数据集

A）在野外发现海龟

https://lev.cs.rpi.edu/public/datasets/wild.tar.gz

全球数据洞察与分析：来自不同行业领域的50多个对象检测数据集(33)

*目标：检测水下图像中的海龟

*应用：监视濒危物种

*详细信息：带有5k 注释的5K 图像。

*如何利用数据集并使用有效数据量构建自定义检测器

https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Wildlife Localization - (Extended version with sea turtles).ipynb

*类似的数据集，可监控水下鱼类