Skip to content

数据集概览

Ultralytics支持多种数据集，以促进目标检测、实例分割、姿态估计、分类和多目标跟踪等计算机视觉任务。以下是Ultralytics主要数据集的列表，随后是每个计算机视觉任务及其相应数据集的概述。



观看： Ultralytics数据集概览

Ultralytics Explorer 🚀 新功能

为您的数据集创建嵌入，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！您可以使用我们的GUI应用程序开始，或使用API构建您自己的应用程序。了解更多这里。

Ultralytics Explorer截图

目标检测

边界框目标检测是一种计算机视觉技术，通过在图像中的每个对象周围绘制边界框来检测和定位对象。

  • Argoverse: 一个包含城市环境中3D跟踪和运动预测数据的带有丰富标注的数据集。
  • COCO: 上下文中的常见对象（COCO）是一个大规模的目标检测、分割和字幕数据集，包含80个对象类别。
  • LVIS: 一个大规模的目标检测、分割和字幕数据集，包含1203个对象类别。
  • COCO8: COCO训练集和验证集的前4张图像的一个较小子集，适合快速测试。
  • COCO128: COCO训练集和验证集的前128张图像的一个较小子集，适合测试。
  • Global Wheat 2020: 一个包含2020年全球小麦挑战赛小麦头图像的数据集。
  • Objects365: 一个高质量、大规模的目标检测数据集，包含365个对象类别和超过60万张标注图像。
  • 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: 一个在零售环境中密集目标检测的数据集，包含超过1.1万张图像和170万个边界框。
  • VisDrone: 一个包含无人机拍摄图像的目标检测和多目标跟踪数据集，包含超过1万张图像和视频序列。
  • VOC: Pascal视觉对象类别（VOC）数据集，用于目标检测和分割，包含20个对象类别和超过1.1万张图像。
  • xView: 一个用于航拍图像目标检测的数据集，包含60个对象类别和超过100万个标注对象。
  • Roboflow 100: 一个多样化的目标检测基准，包含100个数据集，涵盖七个图像领域，用于全面模型评估。
  • Brain-tumor: 一个用于检测脑肿瘤的数据集，包含MRI或CT扫描图像，详细标注了肿瘤的存在、位置和特征。
  • African-wildlife: 一个包含非洲野生动物图像的数据集，包括水牛、大象、犀牛和斑马。
  • Signature: 一个包含各种文档图像的数据集，标注了签名，支持文档验证和欺诈检测研究。

实例分割

实例分割是一种计算机视觉技术，涉及在像素级别识别和定位图像中的对象。

  • COCO: 一个为对象检测、分割和字幕任务设计的大规模数据集，包含超过20万张标注图像。
  • COCO8-seg: 一个用于实例分割任务的较小数据集，包含8张COCO图像的分割标注子集。
  • COCO128-seg: 一个用于实例分割任务的较小数据集，包含128张COCO图像的分割标注子集。
  • 裂缝分割: 专门为检测道路和墙壁上的裂缝而设计的数据集，适用于目标检测和分割任务。
  • 包裹分割: 专为仓库或工业环境中识别包裹而定制的数据集，适用于目标检测和分割应用。
  • 汽车零件分割: 专为识别车辆零件而构建的数据集，适用于设计、制造和研究需求，可用于目标检测和分割任务。

姿态估计

姿态估计是一种用于确定物体相对于相机或世界坐标系姿态的技术。

  • COCO: 一个大规模数据集，包含用于姿态估计任务的人体姿态标注。
  • COCO8-pose: 一个较小的姿态估计数据集，包含8张带有人体姿态标注的COCO图像子集。
  • Tiger-pose: 一个包含263张专注于老虎的紧凑数据集，每只老虎标注了12个关键点，用于姿态估计任务。
  • 手部关键点: 一个简洁的数据集，包含超过26,000张以人手为中心的图像，每只手标注了21个关键点，专为姿态估计任务设计。

分类

图像分类 是一项计算机视觉任务，涉及根据图像的视觉内容将其分类为一个或多个预定义的类别。

  • Caltech 101: 一个包含101个对象类别的图像分类任务数据集。
  • Caltech 256: Caltech 101的扩展版本，包含256个对象类别和更具挑战性的图像。
  • CIFAR-10: 一个包含60K张32x32彩色图像的数据集，分为10个类别，每类6K张图像。
  • CIFAR-100: CIFAR-10的扩展版本，包含100个对象类别，每类600张图像。
  • Fashion-MNIST: 一个包含70,000张10个时尚类别的灰度图像的数据集，用于图像分类任务。
  • ImageNet: 一个大规模数据集，用于对象检测和图像分类，包含超过1400万张图像和20,000个类别。
  • ImageNet-10: ImageNet的一个较小子集，包含10个类别，用于更快的实验和测试。
  • Imagenette: ImageNet的一个较小子集，包含10个易于区分的类别，用于更快的训练和测试。
  • Imagewoof: ImageNet的一个更具挑战性的子集，包含10个狗品种类别，用于图像分类任务。
  • MNIST: 一个包含70,000张手写数字灰度图像的数据集，用于图像分类任务。
  • MNIST160: MNIST数据集中每个类别的头8张图像。数据集总共包含160张图像。

定向边界框 (OBB)

定向边界框 (OBB) 是一种计算机视觉方法，用于使用旋转边界框检测图像中的倾斜对象，常用于航空和卫星图像。

  • DOTA-v2: 一个流行的OBB航空图像数据集，包含170万个实例和11,268张图像。
  • DOTA8: DOTAv1分割集的前8张图像的较小子集，4张用于训练，4张用于验证，适合快速测试。

多目标跟踪

多目标跟踪是一种计算机视觉技术，涉及在视频序列中检测和跟踪多个对象。

  • Argoverse: 一个包含城市环境中的3D跟踪和运动预测数据的数据集，具有丰富的多目标跟踪任务标注。
  • VisDrone: 一个包含无人机捕获图像的对象检测和多目标跟踪数据的数据集，包含超过10K张图像和视频序列。

贡献新数据集

贡献新数据集涉及多个步骤，以确保其与现有基础设施良好契合。以下是必要的步骤：

贡献新数据集的步骤

  1. 收集图像: 收集属于数据集的图像。这些图像可以从各种来源收集，如公共数据库或您自己的收藏。
  2. 标注图像: 根据任务需求，为这些图像标注边界框、分割或关键点。
  3. 导出标注: 将这些标注转换为Ultralytics支持的YOLO *.txt文件格式。

  4. 组织数据集: 将您的数据集整理成正确的文件夹结构。您应该有train/和val/顶级目录，每个目录下有images/和labels/子目录。

    ``` dataset/ ├── train/ │ ├── images/ │ └── labels/ └── val/ ├── images/ └── labels/ 

    5. **创建 `data.yaml` 文件**：在数据集的根目录中，创建一个 `data.yaml` 文件，描述数据集、类别和其他必要信息。
6. **优化图像（可选）**：如果你想减少数据集的大小以提高处理效率，可以使用下面的代码优化图像。这不是必需的，但推荐用于较小的数据集大小和更快的下载速度。
7. **压缩数据集**：将整个数据集文件夹压缩成一个 zip 文件。
8. **文档和 PR**：创建一个文档页面描述你的数据集以及它如何适应现有的框架。之后，提交一个 Pull Request (PR)。参考 [Ultralytics 贡献指南](https://docs.ultralytics.com/help/contributing/) 了解更多关于如何提交 PR 的详细信息。

### 优化和压缩数据集的示例代码

!!! example "优化和压缩数据集"

    === "Python"

       ```python
       from pathlib import Path

       from ultralytics.data.utils import compress_one_image
       from ultralytics.utils.downloads import zip_directory

       # 定义数据集目录
       path = Path("path/to/dataset")

       # 优化数据集中的图像（可选）
       for f in path.rglob("*.jpg"):
           compress_one_image(f)

       # 将数据集压缩为 'path/to/dataset.zip'
       zip_directory(path)
       ```

通过遵循这些步骤，你可以贡献一个新的数据集，该数据集能够很好地集成到 Ultralytics 现有的结构中。

## 常见问题

### Ultralytics 支持哪些用于[目标检测](https://www.ultralytics.com/glossary/object-detection)的数据集？

Ultralytics 支持多种用于目标检测的数据集，包括：

- [COCO](detect/coco.md)：一个大规模的目标检测、分割和字幕数据集，包含 80 个对象类别。
- [LVIS](detect/lvis.md)：一个包含 1203 个对象类别的广泛数据集，设计用于更细粒度的目标检测和分割。
- [Argoverse](detect/argoverse.md)：一个包含城市环境中 3D 跟踪和运动预测数据的数集，具有丰富的注释。
- [VisDrone](detect/visdrone.md)：一个包含无人机拍摄图像的目标检测和多目标跟踪数据的数据集。
- [SKU-110K](detect/sku-110k.md)：在零售环境中具有密集目标检测的数据集，包含超过 11K 张图像。

这些数据集有助于训练用于各种目标检测应用的稳健模型。

### 如何向 Ultralytics 贡献一个新的数据集？

贡献一个新的数据集涉及以下几个步骤：

1. **收集图像**：从公共数据库或个人收藏中收集图像。
2. **标注图像**：根据任务应用边界框、分割或关键点。
3. **导出标注**：将标注转换为 YOLO `*.txt` 格式。
4. **组织数据集**：使用包含 `train/` 和 `val/` 目录的文件夹结构，每个目录包含 `images/` 和 `labels/` 子目录。
5. **创建 `data.yaml` 文件**：包含数据集描述、类别和其他相关信息。
6. **优化图像（可选）**：减少数据集大小以提高效率。
7. **压缩数据集**：将数据集压缩成一个 zip 文件。
8. **文档和 PR**：描述你的数据集并按照 [Ultralytics 贡献指南](https://docs.ultralytics.com/help/contributing/) 提交 Pull Request。

访问 [贡献新数据集](#contribute-new-datasets) 获取详细指南。

### 为什么我应该使用 Ultralytics Explorer 处理我的数据集？

Ultralytics Explorer 提供了强大的数据集分析功能，包括：

- **嵌入生成**：为图像创建向量嵌入。
- **语义搜索**：使用嵌入或 AI 搜索相似图像。
- **SQL 查询**：运行高级 SQL 查询进行详细数据分析。
- **自然语言搜索**：使用简单语言查询进行搜索，易于使用。

探索 [Ultralytics Explorer](explorer/index.md) 了解更多信息并尝试 [GUI 演示](explorer/index.md)。

### Ultralytics YOLO 模型在[计算机视觉](https://www.ultralytics.com/glossary/computer-vision-cv)方面有哪些独特功能？

Ultralytics YOLO 模型提供了几个独特功能：

- **实时性能**：高速推理和训练。
- **多功能性**：适用于检测、分割、分类和姿态估计任务。
- **预训练模型**：访问高性能的预训练模型，适用于各种应用。
- **广泛社区支持**：活跃的社区和全面的文档，用于故障排除和开发。

在 [Ultralytics YOLO](https://www.ultralytics.com/yolo) 页面了解更多关于 YOLO 的信息。

### 如何使用 Ultralytics 工具优化和压缩数据集？

要使用 Ultralytics 工具优化和压缩数据集，请遵循以下示例代码：

!!! example "优化和压缩数据集"

    === "Python"

        ```python
        from pathlib import Path

        from ultralytics.data.utils import compress_one_image
        from ultralytics.utils.downloads import zip_directory

        # 定义数据集目录
        path = Path("path/to/dataset")

        # 优化数据集中的图像（可选）
        for f in path.rglob("*.jpg"):
            compress_one_image(f)

        # 将数据集压缩为 'path/to/dataset.zip'
        zip_directory(path)
        ```
    from ultralytics.data.utils import compress_one_image from ultralytics.utils.downloads import zip_directory

    # 定义数据集目录
path = Path("path/to/dataset")

# 优化数据集中的图像（可选）
for f in path.rglob("*.jpg"):
    compress_one_image(f)

# 将数据集压缩为 'path/to/dataset.zip'
zip_directory(path)
```

了解更多关于如何优化和压缩数据集的信息。


📅 Created 11 months ago ✏️ Updated 3 days ago
jk4e RizwanMunawar glenn-jocher MatthewNoyce Burhan-Q Laughing-q abirami-vina AyushExel UltralyticsAssistant

Comments