{"id":20834310,"url":"https://github.com/extreme-assistant/deep-learning-datasets","last_synced_at":"2025-12-24T15:56:43.552Z","repository":{"id":45550606,"uuid":"480757340","full_name":"extreme-assistant/Deep-learning-datasets","owner":"extreme-assistant","description":"整理分类深度学习各方向公开数据集","archived":false,"fork":false,"pushed_at":"2023-12-27T08:48:56.000Z","size":296,"stargazers_count":202,"open_issues_count":0,"forks_count":23,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-01-18T21:31:04.499Z","etag":null,"topics":["computer-vision","deep-learning"],"latest_commit_sha":null,"homepage":"","language":null,"has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/extreme-assistant.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null}},"created_at":"2022-04-12T10:18:43.000Z","updated_at":"2025-01-16T07:25:03.000Z","dependencies_parsed_at":"2023-12-04T11:29:57.595Z","dependency_job_id":"72d8df07-2220-4e38-a10a-06c75d0df0c5","html_url":"https://github.com/extreme-assistant/Deep-learning-datasets","commit_stats":null,"previous_names":[],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/extreme-assistant%2FDeep-learning-datasets","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/extreme-assistant%2FDeep-learning-datasets/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/extreme-assistant%2FDeep-learning-datasets/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/extreme-assistant%2FDeep-learning-datasets/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/extreme-assistant","download_url":"https://codeload.github.com/extreme-assistant/Deep-learning-datasets/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":243188197,"owners_count":20250453,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["computer-vision","deep-learning"],"created_at":"2024-11-18T00:18:50.799Z","updated_at":"2025-12-24T15:56:43.545Z","avatar_url":"https://github.com/extreme-assistant.png","language":null,"funding_links":[],"categories":[],"sub_categories":[],"readme":"# Deep learning datasets（2023/12/26 持续更新中）\n整理分类深度学习各方向公开数据集\n# 目录\n[1.小目标检测](#1)\u003cbr\u003e\n[2.目标检测](#2)\u003cbr\u003e\n[3.人体姿态估计](#3)\u003cbr\u003e\n[4.图像分割](#4)\u003cbr\u003e\n- [语义分割](#semantic)\u003cbr\u003e\n\n[5.工业检测](#5)\u003cbr\u003e\n[6.人脸识别](#6)\u003cbr\u003e\n[7.自动驾驶](#7)\u003cbr\u003e\n[8.目标跟踪](#8)\u003cbr\u003e\n[9.动作识别](#9)\u003cbr\u003e\n[10.图像分类](#10)\u003cbr\u003e\n[11.图像识别](#11)\u003cbr\u003e\n[12.NLP](#12)\u003cbr\u003e\n[13.医学图像](#13)\u003cbr\u003e\n[14.自动驾驶](#14)\u003cbr\u003e\n[15.图像去雾](#15)\u003cbr\u003e\n[16.RGB-T](#16)\u003cbr\u003e\n[17.图像去噪](#17)\u003cbr\u003e\n[18.人群计数、行人检测](#18)\u003cbr\u003e\n[19.安全帽、头盔、反光衣、垃圾识别](#19)\u003cbr\u003e\n[20.车牌识别](#20)\u003cbr\u003e\n[21.图像配准](#21)\u003cbr\u003e\n[22.卡车货车、野外火灾、抽烟识别](#22)\u003cbr\u003e\n[23.道路裂缝坑洼图像](#23)\u003cbr\u003e\n[24.足球图像相关](#24)\u003cbr\u003e\n[25.农业相关](#25)\u003cbr\u003e\n[26.卫星图像](#26)\u003cbr\u003e\n[27.异常检测](#27)\u003cbr\u003e\n[28.垃圾分类、水下垃圾/口罩垃圾/烟头垃圾检测](#28)\u003cbr\u003e\n[29.打架识别](#29)\u003cbr\u003e\n[30.面部表情识别](#30)\u003cbr\u003e\n[31.双目立体](#31)\u003cbr\u003e\n[32.slam相关](#32)\u003cbr\u003e\n[33.少样本/零样本学习](#33)\u003cbr\u003e\n[34.图像增强](#34)\u003cbr\u003e\n[35.实例分割](#35)\u003cbr\u003e\n\n\u003ca name=\"1\"/\u003e\n\n# 1 目标检测\n[1]AI-TOD航空图像数据集|数据集下载地址：http://m6z.cn/5MjlYk\u003cbr\u003e\u003cbr\u003e\n\n[2]iSAID航空图像大规模数据集|数据集下载地址：http://m6z.cn/6nUrYe\u003cbr\u003e\u003cbr\u003e\n\n[3]TinyPerson数据集|数据集下载地址：http://m6z.cn/6vqF3T\u003cbr\u003e\u003cbr\u003e\n\n[4]Deepscores数据集|数据集下载地址：http://m6z.cn/5xgYdY\u003cbr\u003e\u003cbr\u003e\n\n[5]密集行人检测数据集|数据集下载地址：http://m6z.cn/6nUs1C\u003cbr\u003e\u003cbr\u003e\n\n[6]加州理工学院行人检测数据集|数据集下载地址：http://m6z.cn/5N3Yk7\u003cbr\u003e\u003cbr\u003e\n\n[7]NWPU VHR-10卫星图像数据集|数据集下载地址：http://m6z.cn/5UAbEW\u003cbr\u003e\u003cbr\u003e\n\n[8]Inria 航空影像数据集|数据集下载地址：http://m6z.cn/6nUs6s\u003cbr\u003e\u003cbr\u003e\n\n[9]RSOD遥感图像数据集|数据集下载地址：http://m6z.cn/5EN96H\u003cbr\u003e\u003cbr\u003e\n\n[10]小目标检测数据集|数据集下载地址：http://m6z.cn/616t6R\u003cbr\u003e\u003cbr\u003e\n\n\n\n\n\u003ca name=\"2\"/\u003e\n\n# 2 目标检测\n[1]COCO2017数据集|数据集下载地址：https://cocodataset.org/#home\u003cbr\u003e\u003cbr\u003e\n\n[2]火焰和烟雾图像数据集|数据集下载地址：http://m6z.cn/6fzn0f\u003cbr\u003e\u003cbr\u003e\n\n[3]DOTA航拍图像数据集|数据集下载地址：http://m6z.cn/6vIKlJ\u003cbr\u003e\u003cbr\u003e\n\n[4]AITEX数据集|数据集下载地址：http://m6z.cn/5DdJL1\u003cbr\u003e\u003cbr\u003e\n\n[5]T-LESS数据集|数据集下载地址：http://m6z.cn/5wnucm\u003cbr\u003e\u003cbr\u003e\n\n[6]H²O 行人交互检测数据集|数据集下载地址：http://m6z.cn/6fzmQf\u003cbr\u003e\u003cbr\u003e\n\n[7]SpotGarbage垃圾识别数据集|数据集下载地址：http://m6z.cn/5ZMmRG\u003cbr\u003e\u003cbr\u003e\n\n[8]NAO自然界对抗样本数据集|数据集下载地址：http://m6z.cn/5KJWJA\u003cbr\u003e\u003cbr\u003e\n\n[9]Labelme 图像数据集|数据集下载地址：http://m6z.cn/5Sg9NX\u003cbr\u003e\u003cbr\u003e\n\n[10]印度车辆数据集|数据集下载地址：http://m6z.cn/6uxAIx\u003cbr\u003e\u003cbr\u003e\n\n[12]Seeing 3D chairs椅子检测模型|数据集下载地址：http://m6z.cn/5DdK0v\u003cbr\u003e\u003cbr\u003e\n\n[13]SUN09场景理解数据集|数据集下载地址：http://m6z.cn/60wX8r\u003cbr\u003e\u003cbr\u003e\n\n[14]Unsplash图片检索数据集|数据集下载地址：http://m6z.cn/5wnuoM\u003cbr\u003e\u003cbr\u003e\n\n[15]HICO-DET人物交互检测数据集|数据集下载地址：http://m6z.cn/5DdK6D\u003cbr\u003e\u003cbr\u003e\n\n[16]上海科技大学人群统计数据集|数据集下载地址：http://m6z.cn/5Sgafn\u003cbr\u003e\u003cbr\u003e\n\n[17]生活垃圾数据集|数据集下载地址：http://m6z.cn/6n5Adu\u003cbr\u003e\u003cbr\u003e\n\n[18]RMFD口罩遮挡人脸数据集|数据集下载地址：http://m6z.cn/61z9Fv\u003cbr\u003e\u003cbr\u003e\n\n[19]GTSRB德国交通标志数据集|数据集下载地址：http://m6z.cn/5wJJLA\u003cbr\u003e\u003cbr\u003e\n\n[20]VOC2005车辆数据集|数据集下载地址：http://m6z.cn/5U2X4u\u003cbr\u003e\u003cbr\u003e\n\n[21]Winegrape检测数据集|数据集下载地址：http://m6z.cn/5TikF9\u003cbr\u003e\u003cbr\u003e\n\n[22]全球小麦检测数据集|数据集下载地址：http://m6z.cn/5wJK64\u003cbr\u003e\u003cbr\u003e\n\n[23]Linkopings交通标志数据集|数据集下载地址：http://m6z.cn/68ldS0\u003cbr\u003e\u003cbr\u003e\n\n[24]防护装备-头盔和背心检测|数据集下载地址：http://m6z.cn/61zarT\u003cbr\u003e\u003cbr\u003e\n\n[25]加州理工学院相机陷阱数据集|数据集下载地址：https://beerys.github.io/CaltechCameraTraps/\u003cbr\u003e\u003cbr\u003e\n\n[26]水下垃圾检测数据集|数据集下载地址：http://m6z.cn/6nnDQK\u003cbr\u003e\u003cbr\u003e\n\n[27]SF-MASK|数据集下载地址：http://suo.nz/2E6ADA\u003cbr\u003e\u003cbr\u003e\n\n[28]口罩检测视频数据集|数据集下载地址：http://suo.nz/2wAnAv\u003cbr\u003e\u003cbr\u003e\n\n[29]口罩佩戴数据集|数据集下载地址：http://suo.nz/2p4avO\u003cbr\u003e\u003cbr\u003e\n\n[30]口罩检测数据集|数据集下载地址：http://suo.nz/2ojy0l\u003cbr\u003e\u003cbr\u003e\n\n[31]MDMFR口罩数据集|数据集下载地址：http://suo.nz/2gNkVE\u003cbr\u003e\u003cbr\u003e\n\n[32]RMFD口罩遮挡人脸数据集|数据集下载地址：http://suo.nz/2ojy0v\u003cbr\u003e\u003cbr\u003e\n\n\n\u003ca name=\"3\"/\u003e\n\n# 3 人体姿态估计\n[1]KTH 多视图足球数据集|数据集下载地址：http://m6z.cn/692agI\u003cbr\u003e\u003cbr\u003e\n\n[2]宾夕法尼亚动作数据集|数据集下载地址：http://m6z.cn/692akK\u003cbr\u003e\u003cbr\u003e\n\n[3]BBC姿态数据集|数据集下载地址：http://m6z.cn/5xr6Xq\u003cbr\u003e\u003cbr\u003e\n\n[4]Poser 数据集|数据集下载地址：http://m6z.cn/6gynqz\u003cbr\u003e\u003cbr\u003e\n\n[5]野外 3D 姿势数据集|数据集下载地址：http://m6z.cn/5xr6Z2\u003cbr\u003e\u003cbr\u003e\n\n[6]V-COCO数据集|数据集下载地址：http://m6z.cn/5UGaii\u003cbr\u003e\u003cbr\u003e\n\n[7]宜家 ASM 数据集|数据集下载地址：http://m6z.cn/692aos\u003cbr\u003e\u003cbr\u003e\n\n[8]立体人体姿势估计数据集|数据集下载地址：http://m6z.cn/62cnp5\u003cbr\u003e\u003cbr\u003e\n\n[9]AIST++ 舞蹈动作数据集|数据集下载地址：http://m6z.cn/5xr6M8\u003cbr\u003e\u003cbr\u003e\n\n[10]HiEve数据集|数据集下载地址：http://m6z.cn/6o4AAg\u003cbr\u003e\u003cbr\u003e\n\n\n\u003ca name=\"4\"/\u003e\n\n# 4 图像分割\n[1]LVIS数据集|数据集下载地址：https://www.lvisdataset.org/dataset\u003cbr\u003e\u003cbr\u003e\n\n[2]高密度人群及移动物体视频数据集|数据集下载地址：http://m6z.cn/6aHtAI\u003cbr\u003e\u003cbr\u003e\n\n[3]DAVIS 视频分割数据集|数据集下载地址：http://m6z.cn/6i9uMbc\n\n\n\u003ca name=\"semantic\"/\u003e\n\n## 4.1 语义分割\n\n[1]高分二号 (GF-2) 卫星图像大型土地覆盖数据集|数据集下载地址：http://suo.nz/2dPkdv\u003cbr\u003e\n\nGID 是具有高分二号 (GF-2) 卫星图像的大型土地覆盖数据集。这个新的数据集被命名为高分影像数据集（GID），由于其覆盖面大、分布广、空间分辨率高等特点，与现有的土地覆盖数据集相比具有优势。GID 由两部分组成：大规模分类集和精细土地覆盖分类集。大规模分类集包含 150 个像素级带注释的 GF-2 图像，精细分类集由 30,000 个多尺度图像块加上 10 个像素级带注释的 GF-2 图像组成。分别基于 5 个类别的训练图像和验证图像收集并重新标记 15 个类别的训练数据和验证数据。\u003cbr\u003e\u003cbr\u003e\n\n[2]DADA-seg|数据集下载地址：http://suo.nz/3bZ3qm\u003cbr\u003e\n\nDADA-seg 是一个按像素标注的事故数据集，其中包含交通事故的各种关键场景。\u003cbr\u003e\u003cbr\u003e\n\n[3]Dark Zurich|数据集下载地址：http://suo.nz/34sQlF\u003cbr\u003e\n\nDark Zurich 是一个图像数据集，包含在夜间、黄昏和白天拍摄的总共 8779 张图像，以及每张图像的相机各自的 GPS 坐标。这些 GPS 注释用于构建一天中的跨时间对应关系，即，将每个夜间或黎明图像与其白天对应物相匹配。\u003cbr\u003e\u003cbr\u003e\n\n[4]斯坦福背景数据集|数据集下载地址：http://suo.nz/2WWDgY\u003cbr\u003e\n\n斯坦福背景数据集是 Gould 等人引入的新数据集。(ICCV 2009)用于评估几何和语义场景理解的方法。该数据集包含 715 张图像，这些图像选自现有的公共数据集：LabelMe 、 MSRC、 PASCAL VOC 和Geometric Context。我们的选择标准是图像是户外场景，像素大约为 320 x 240，至少包含一个前景物体，并且地平线位于图像内（不需要可见）。\u003cbr\u003e\u003cbr\u003e\n\n[5]CIHP人体解析数据集|数据集下载地址：http://suo.nz/2ll7hi\u003cbr\u003e\n\nCrowd Instance-level Human Parsing (CIHP) 数据集包含 38,280 张多人图像，这些图像具有精细的注释、高外观可变性和复杂性。该数据集可用于人体部分分割任务。\u003cbr\u003e\u003cbr\u003e\n\n[6]WoodScape自动驾驶鱼眼数据集|数据集下载地址：http://suo.nz/2sRklZ\u003cbr\u003e\n\nWoodScape 包含四个环视摄像头和九项任务，包括分割、深度估计、3D 边界框检测和新型污染检测。为超过 10,000 张图像提供实例级别的 40 个类的语义注释。\n\n\n\n# 5 工业检测\n[1]坑洼检测数据集|数据集下载地址：http://m6z.cn/5wJJTa\u003cbr\u003e\u003cbr\u003e\n\n[2]天池铝型材表面缺陷数据集|数据集下载地址：http://m6z.cn/61EksR\u003cbr\u003e\u003cbr\u003e\n\n[3]Kylberg 纹理数据集|数据集下载地址：http://m6z.cn/61Ekw5\u003cbr\u003e\u003cbr\u003e\n\n[4]东北大学带钢表面缺陷数据集|数据集下载地址：http://m6z.cn/5U87us\u003cbr\u003e\u003cbr\u003e\n\n[5]Severstal 带钢缺陷数据集|数据集下载地址：http://m6z.cn/61EkBp\u003cbr\u003e\u003cbr\u003e\n\n[6]UCI 带钢缺陷数据集|数据集下载地址：http://m6z.cn/61EkUh\u003cbr\u003e\u003cbr\u003e\n\n[7]DAGM 2007数据集|数据集下载地址：http://m6z.cn/5F5eQV\u003cbr\u003e\u003cbr\u003e\n\n[8]磁瓦缺陷数据集|数据集下载地址：http://m6z.cn/5F5eSd\u003cbr\u003e\u003cbr\u003e\n\n[9]RSDDs铁轨表面缺陷数据集|数据集下载地址：http://m6z.cn/61EkKL\u003cbr\u003e\u003cbr\u003e\n\n[10]KTH-TIPS 纹理图像数据集|数据集下载地址：http://m6z.cn/61EkMH\u003cbr\u003e\u003cbr\u003e\n\n[11]印刷电路板（PCB）瑕疵数据集|数据集下载地址：http://m6z.cn/5U87Ji\u003cbr\u003e\u003cbr\u003e\n\n\u003ca name=\"6\"/\u003e\n\n# 6 人脸识别\n[1]IMDB-WIKI人脸数据集|数据集下载地址：http://m6z.cn/6gGnTd\u003cbr\u003e\u003cbr\u003e\n\n[2]WiderFace人脸检测数据集|数据集下载地址：http://m6z.cn/5Nm7gp\u003cbr\u003e\u003cbr\u003e\n\n[3]LFW 人像图像数据集|数据集下载地址：http://m6z.cn/61EnzL\u003cbr\u003e\u003cbr\u003e\n\n[4]GENKI 人脸图像数据集|数据集下载地址：http://m6z.cn/5F5hLp\u003cbr\u003e\u003cbr\u003e\n\n[5]哥伦比亚大学公众人物脸部数据库|数据集下载地址：http://m6z.cn/5DlIR9\u003cbr\u003e\u003cbr\u003e\n\n[6]CelebA人脸数据集|数据集下载地址：http://m6z.cn/60EW0n\u003cbr\u003e\u003cbr\u003e\n\n[7]美国国防部人脸库|数据集下载地址：http://m6z.cn/5So6DB\u003cbr\u003e\u003cbr\u003e\n\n[8]MTFL人脸识别数据集|数据集下载地址：http://m6z.cn/6fHmaT\u003cbr\u003e\u003cbr\u003e\n\n[9]BioID人脸数据集|数据集下载地址：http://m6z.cn/5ZUjyC\u003cbr\u003e\u003cbr\u003e\n\n[10]PersonID人脸识别数据集|数据集下载地址：http://m6z.cn/5So6vR\u003cbr\u003e\u003cbr\u003e\n\n[11]CMU PIE人脸库|数据集下载地址：http://m6z.cn/5vPwfO\u003cbr\u003e\u003cbr\u003e\n\n[12]Youtube视频人脸数据集|数据集下载地址：http://m6z.cn/6u3P2V\u003cbr\u003e\u003cbr\u003e\n\n[13]CASIA 人脸图像数据集|数据集下载地址：http://m6z.cn/5vPwio\u003cbr\u003e\u003cbr\u003e\n\n[14]Caltech人脸数据库|数据集下载地址：http://m6z.cn/5So6VP\u003cbr\u003e\u003cbr\u003e\n\n\n\u003ca name=\"7\"/\u003e\n\n# 7 自动驾驶\n[1]KITTI 道路数据集|数据集下载地址：http://m6z.cn/5xz4OW\u003cbr\u003e\u003cbr\u003e\n\n[2]CrackForest数据集|数据集下载地址：http://m6z.cn/5xz4Qo\u003cbr\u003e\u003cbr\u003e\n\n[3]KITTI-2015立体声数据集|数据集下载地址：http://m6z.cn/6gGllt\u003cbr\u003e\u003cbr\u003e\n\n[4]KITTI-2015光流数据集|数据集下载地址：http://www.cvlibs.net/datasets/kitti/eval_scene_flow.php?benchmark=flow\u003cbr\u003e\u003cbr\u003e\n\n[5]KITTI-2015场景流数据集|数据集下载地址：http://www.cvlibs.net/datasets/kitti/eval_scene_flow.php\u003cbr\u003e\u003cbr\u003e\n\n[6]KITTI深度数据集|数据集下载地址：http://www.cvlibs.net/datasets/kitti/eval_depth_all.php\u003cbr\u003e\u003cbr\u003e\n\n[7]ExDark|数据集下载地址：http://suo.nz/2lidoI\u003cbr\u003e\u003cbr\u003e\n\n[8]Nexet车辆检测|数据集下载地址：http://suo.nz/2sKekn\u003cbr\u003e\u003cbr\u003e\n\n[9]Udacity 自动驾驶汽车|数据集下载地址：http://suo.nz/2Agrp4\u003cbr\u003e\n\n该数据集包含 11 个类别的 97,942 个标签和 15,000 张图像。有 1,720 个空样本（没有标签的图像）。所有图像均为 1920x1200（下载大小约为 3.1 GB）。我们还提供了一个降采样到 512x512（下载大小约 580 MB）的版本，适用于大多数常见的机器学习模型（包括 YOLO v3、Mask R-CNN、SSD 和 mobilenet）。\u003cbr\u003e\u003cbr\u003e\n\n[10]WoodScape|数据集下载地址：http://suo.nz/2HMEtL\u003cbr\u003e\n\nWoodScape 包含四个环视摄像头和九项任务，包括分割、深度估计、3D 边界框检测和新型污染检测。为超过 10,000 张图像提供实例级别的 40 个类的语义注释。\u003cbr\u003e\u003cbr\u003e\n\n[11]BDD100K|数据集下载地址：http://suo.nz/2OCU68\u003cbr\u003e\n\nUCB的全天候全光照大型数据集，包含1,100小时的HD录像、GPS/IMU、时间戳信息，100,000张图片的2D bounding box标注，10,000张图片的语义分割和实例分割标注、驾驶决策标注和路况标注。官方推荐使用此数据集的十个自动驾驶任务：图像标注、道路检测、可行驶区域分割、交通参与物检测、语义分割、实例分割、多物体检测追踪、多物体分割追踪、域适应和模仿学习。\u003cbr\u003e\u003cbr\u003e\n\n[12]Linkopings交通标志|数据集下载地址：http://suo.nz/2W97aP\u003cbr\u003e\n\n- 超过 20,000 张图像 ，其中 20% 已标记。\n- 包含 3488个 交通标志。\n- 从超过 350 公里的瑞典道路上 记录的公路和城市序列。\u003cbr\u003e\u003cbr\u003e\n\n[13]非洲地区交通标志|数据集下载地址：http://suo.nz/2WTJGi\u003cbr\u003e\n\n该数据集已特别针对非洲地区进行了改进。两个开源数据集仅用于提取非洲地区使用的交通标志。该数据集包含来自所有类别的 76 个类，例如 监管、警告、指南和信息标志。该数据集总共包含 19,346 张图像和每个类别至少 200 个实例。\n\n\n\n\u003ca name=\"8\"/\u003e\n\n# 8 目标跟踪\n[1]ALOV300++跟踪数据集|数据集下载地址：http://m6z.cn/61Eogv\u003cbr\u003e\u003cbr\u003e\n\n[2]Temple Color 128|数据集下载地址：http://suo.nz/2dKEEL\u003cbr\u003e\n本数据集包含一大组 128 种颜色序列，带有基本事实和挑战因素注释（例如，遮挡）\u003cbr\u003e\u003cbr\u003e\n\n[3]NfS高帧率视频数据集|数据集下载地址：http://suo.nz/34o8df\u003cbr\u003e\n第一个更高帧率的视频数据集（称为极品飞车 - NfS）和视觉对象跟踪基准。该数据集包含 100 个视频（380K 帧），这些视频是使用现在常见的更高帧率 (240 FPS) 摄像机从现实世界场景中捕获的。所有帧都用轴对齐的边界框进行注释，所有序列都用九个视觉属性手动标记——例如遮挡、快速运动、背景杂乱等。\u003cbr\u003e\u003cbr\u003e\n\n[4]VOT2020|数据集下载地址：http://suo.nz/2W7iD5\u003cbr\u003e\u003cbr\u003e\n\n[5]PathTrack 数据集|数据集下载链接：http://suo.nz/2OFhXy\u003cbr\u003e\n用于多目标跟踪 (MOT)。PathTrack 数据集包含 720 个视频序列中的 15,000 多个人的轨迹。\u003cbr\u003e\u003cbr\u003e\n\n[6]用于低空交通监控的多模态无人机数据集|数据集下载链接：http://suo.nz/2RX507\u003cbr\u003e\nAU-AIR 数据集是第一个用于目标检测的多模态无人机数据集。\u003cbr\u003e\u003cbr\u003e\n\n[7]KITTI目标跟踪|数据集下载链接：http://suo.nz/2KqSby\u003cbr\u003e\n\n\u003ca name=\"9\"/\u003e\n\n# 9 动作识别\n[1]HMDB人类动作视频数据集|数据集下载地址：http://m6z.cn/6gGlzF\u003cbr\u003e\u003cbr\u003e\n\n[2]UCF50动作识别数据集|数据集下载地址：http://m6z.cn/69a8xy\u003cbr\u003e\u003cbr\u003e\n\n[3]SBU Kinect 交互数据集|数据集下载地址：http://m6z.cn/6vILNp\u003cbr\u003e\u003cbr\u003e\n\n\n\u003ca name=\"10\"/\u003e\n\n# 10 图像分类\n[1]A宠物图像数据集|数据集下载地址：http://m6z.cn/5TAgdC\u003cbr\u003e\u003cbr\u003e\n\n[2]猫咪数据集|数据集下载地址：http://m6z.cn/5TAgbw\u003cbr\u003e\u003cbr\u003e\n\n[3]斯坦福狗狗数据集|数据集下载地址：http://m6z.cn/6nF6kM\u003cbr\u003e\u003cbr\u003e\n\n[4]CBCL 街道场景数据|数据集下载地址：http://m6z.cn/5TAgeA\u003cbr\u003e\u003cbr\u003e\n\n[5]Stanford 汽车图片数据|数据集下载地址：http://m6z.cn/616wop\u003cbr\u003e\u003cbr\u003e\n\n[6]Kaggle 垃圾分类图片数据集|数据集下载地址：http://m6z.cn/5z2fOq\u003cbr\u003e\u003cbr\u003e\n\n[7]花卉数据集|数据集下载地址：http://m6z.cn/6rTT7n\u003cbr\u003e\u003cbr\u003e\n\n[8]综合汽车数据集|数据集下载地址：http://m6z.cn/6rTTar \u003cbr\u003e\u003cbr\u003e\n\n[9]室内场景识别|数据集下载地址：http://m6z.cn/5PCpJ5 \u003cbr\u003e\u003cbr\u003e\n\n[10]90种动物图像数据集|数据集下载地址：http://m6z.cn/6rTTbJ \u003cbr\u003e\u003cbr\u003e\n\n[11]飞机数据集|数据集下载地址：http://m6z.cn/5X8CPy\u003cbr\u003e\u003cbr\u003e\n\n[12]衣服数据集|数据集下载地址：http://m6z.cn/64EPUp\u003cbr\u003e\u003cbr\u003e\n\n[13]商标数据集|数据集下载地址：http://m6z.cn/6cb2HG\u003cbr\u003e\u003cbr\u003e\n\n[14]Office-Home数据集|数据集下载地址：http://m6z.cn/5I6cFG\u003cbr\u003e\u003cbr\u003e\n\n[15]食物图像数据集|数据集下载地址：http://m6z.cn/6rdsSw\u003cbr\u003e\u003cbr\u003e\n\n[16]FruitNet水果分类/识别数据集|数据集下载地址：http://suo.nz/2Cfo4y\u003cbr\u003e\u003cbr\u003e\n\n[17]卫星图像分类|数据集下载地址：http://suo.nz/2D00yp\u003cbr\u003e\n\n卫星图像分类数据集-RSI-CB256，该数据集有 4 个不同的类别，混合了传感器和谷歌地图快照\u003cbr\u003e\u003cbr\u003e\n\n[18]自然风光图像分类数据集|数据集下载地址：http://suo.nz/2KwdmY\u003cbr\u003e\n\n这是世界各地自然风光的图像数据。\n\n内容：此数据包含分布在 6 个类别下的大约 25,000 张大小为 150x150 的图像。{'建筑物'-\u003e 0， '森林'-\u003e 1， '冰川'-\u003e 2， '山'-\u003e 3， '海'-\u003e 4， '街道'-\u003e 5}\u003cbr\u003e\u003cbr\u003e\n\n[19]自然风光图像分类数据集|数据集下载地址：http://suo.nz/2RmsZl\u003cbr\u003e\n\nArchitectural Heritage Elements Dataset (AHE) 是一个图像数据集，用于开发深度学习算法和建筑遗产图像分类中的特定技术。该数据集包含 10235 张图像，分为 10 个类别：祭坛：829 张图像；后殿：514 张图片；钟楼：1059张图片；栏目：1919张图片；圆顶（内部）：616 张图像；圆顶（外部）：1177 张图像；飞扶壁：407张图片；Gargoyle（和 Chimera）：1571 张图像；彩色玻璃：1033 幅图像；保险库：1110 张图像。\u003cbr\u003e\u003cbr\u003e\n\n[20]贝壳或鹅卵石：图像分类数据集|数据集下载地址：http://suo.nz/2YSG42\u003cbr\u003e\n\n数据集包含两个类：贝壳或卵石。该数据集可用于二元分类任务，以确定某个图像是贝壳还是鹅卵石。\u003cbr\u003e\u003cbr\u003e\n\n[21]DeepWeeds 杂草类型分类数据集|数据集下载地址：http://suo.nz/2OmaTQ\u003cbr\u003e\n\n数据集包含 17,509 张图像，这些图像捕捉了八种原产于澳大利亚的不同杂草以及邻近的植物群。选定的杂草品种是昆士兰州牧草地的本地品种。它们包括：“中国苹果”、“蛇草”、“马缨丹”、“刺金合欢”、“暹罗草”、“白花菊”、“橡胶藤”和“帕金森属植物”。这些图像是从昆士兰以下地点的杂草侵扰中收集的：“Black River”、“Charters Towers”、“Cluden”、“Douglas”、“Hervey Range”、“Kelso”、“McKinlay”和“Paluma”。\u003cbr\u003e\u003cbr\u003e\n\n[22]板球-足球-棒球分类｜数据集下载链接：http://suo.nz/33juP6\u003cbr\u003e\n\n该数据集包含 252 张打板球、踢足球和打棒球的图像。主文件夹中有 3 个子文件夹 (1) cricket (2) football (3) baseball (cricket-football-baseball)。\u003cbr\u003e\u003cbr\u003e\n\n\n\n\n\n\u003ca name=\"11\"/\u003e\n\n# 11 图像识别\n[1]MNIST 手写数字图像数据集|数据集下载地址：http://m6z.cn/63blaf\u003cbr\u003e\u003cbr\u003e\n\n[2]3D MNIST 数字识别图像数据|数据集下载地址：http://m6z.cn/5SUfEd\u003cbr\u003e\u003cbr\u003e\n\n\n\u003ca name=\"12\"/\u003e\n\n# 12 NLP\n[1]文档影印和内容数据|数据集下载地址：http://m6z.cn/6nF67S\u003cbr\u003e\u003cbr\u003e\n\n\n\u003ca name=\"13\"/\u003e\n\n# 13 医学图像\n[1]3D-IRCADB 脏器分割数据集|数据集下载地址：http://m6z.cn/6x5OSn\u003cbr\u003e\u003cbr\u003e\n\n[2]FASCICLE 小腿肌肉超声数据集|数据集下载地址：http://m6z.cn/631rex\u003cbr\u003e\u003cbr\u003e\n\n[3]肿瘤数据集|数据集下载地址：http://m6z.cn/5zCyGj\u003cbr\u003e\u003cbr\u003e\n\n[4]结直肠腺癌组织学图像数据集|数据集下载地址：http://m6z.cn/6axBLk\u003cbr\u003e\u003cbr\u003e\n\n[5]淋巴结切片的组织病理学数据集|数据集下载地址：http://m6z.cn/6axBNq\u003cbr\u003e\u003cbr\u003e\n\n[6]m2caiSeg腹腔镜图像数据集|数据集下载地址：http://m6z.cn/5yW8q0\u003cbr\u003e\u003cbr\u003e\n\n[7]血细胞图像数据集|数据集下载地址：http://m6z.cn/5zdTDb\u003cbr\u003e\u003cbr\u003e\n\n[8]脑肿瘤 MRI 数据集|数据集下载地址：http://m6z.cn/63iHcV\u003cbr\u003e\u003cbr\u003e\n\n[9]糖尿病性黄斑水肿的OCT图像数据集|数据集下载地址：http://m6z.cn/6xn7cp\u003cbr\u003e\u003cbr\u003e\n\n[10]身体部位X射线图像数据集|数据集下载地址：http://m6z.cn/5yth1K\u003cbr\u003e\u003cbr\u003e\n\n[11]眼病深度学习数据集|数据集下载地址：http://m6z.cn/5yth3m\u003cbr\u003e\u003cbr\u003e\n\n[12]皮肤病数据集|数据集下载地址：http://m6z.cn/6pQW7A\u003cbr\u003e\u003cbr\u003e\n\n[13]心脏病发作分析和预测数据集|数据集下载地址：http://m6z.cn/6ikH8v\u003cbr\u003e\u003cbr\u003e\n\n[14]膝关节 X 射线图像数据集|数据集下载地址：http://m6z.cn/6aOU5G\u003cbr\u003e\u003cbr\u003e\n\n[15]疟疾细胞图像|数据集下载地址：http://suo.nz/2VQTUt\u003cbr\u003e\n\n数据集包含 2 个文件夹：已感染、未感染，共 27,558 张图像。\u003cbr\u003e\u003cbr\u003e\n\n[16]皮肤癌 MNIST：HAM10000|数据集下载地址：http://suo.nz/33n6Xy\u003cbr\u003e\n\n该数据集收集了来自不同人群的皮肤镜图像，通过不同的方式获取和存储。最终数据集包含 10015 张皮肤镜图像，可用作学术机器学习目的的训练集。案例包括色素病变领域所有重要诊断类别的代表性集合：光化性角化病和上皮内癌/鲍温氏病 (akiec)、基底细胞癌 (bcc)，超过50%的病变是通过组织病理学（histo）证实的，其余病例的ground truth要么是后续检查（follow_up），要么是专家共识（consensus），要么是活体共聚焦显微镜（confocal）证实. 数据集包括具有多个图像的病变，可以通过 HAM10000_metadata 文件中的 lesion_id 列进行跟踪。\u003cbr\u003e\u003cbr\u003e\n\n[17]乳房组织病理学图像|数据集下载地址：http://suo.nz/347Jt1\u003cbr\u003e\n\n原始数据集包含以 40 倍扫描的 162 个完整的乳腺癌 (BCa) 标本幻灯片图像。从中提取了 277,524 个大小为 50 x 50 的补丁（198,738 个 IDC 负值和 78,786 个 IDC 正值）。每个补丁的文件名格式为：u_xX_yY_classC.png — \u003e example 10253_idx5_x1351_y1101_class0.png。其中 u 是患者 ID (10253_idx5)，X 是裁剪此补丁的 x 坐标，Y 是裁剪此补丁的 y 坐标，C 表示类，其中 0 是非 IDC 和1 是数据中心。\n\n[18]胸部 X 光图像（肺炎）|数据集下载地址：http://suo.nz/3aXYPg\u003cbr\u003e\n\n数据集分为 3 个文件夹（train、test、val）并包含每个图像类别（肺炎/正常）的子文件夹。有 5,863 张 X 射线图像 (JPEG) 和 2 个类别（肺炎/正常）。胸部 X 光图像（前后位）选自广州市妇女儿童医疗中心 1 至 5 岁儿科患者的回顾性队列。所有胸部 X 光成像都是作为患者常规临床护理的一部分进行的。对于胸部 X 光图像的分析，最初通过去除所有低质量或不可读的扫描来筛选所有胸部 X 光片以进行质量控制。图像的诊断随后由两名专家医师进行分级，然后才被批准用于训练 AI 系统。为了解决任何评分错误，评估集还由第三位专家进行了检查。\u003cbr\u003e\u003cbr\u003e\n\n[19]白内障图像数据集|数据集下载地址：http://suo.nz/2cOidH\u003cbr\u003e\n\n用于白内障检测的白内障和正常眼睛图像数据集。\u003cbr\u003e\u003cbr\u003e\n\n[20]恶性与良性皮肤癌|数据集下载地址：http://suo.nz/2kkvio\u003cbr\u003e\n\n该数据集包含良性皮肤痣和恶性皮肤痣图像的平衡数据集。数据由两个文件夹组成，每个文件夹包含两种痣的 1800 张图片 (224x244)。\u003cbr\u003e\u003cbr\u003e\n\n[21]CT 医学图像|数据集下载地址：http://suo.nz/2tQehH\u003cbr\u003e\n\n[22]MedMNIST医学图像分割评估|数据集下载地址：http://suo.nz/2Bmrmo\u003cbr\u003e\n\n[23]多标签视网膜疾病 (MuReD) 数据集|数据集下载地址：http://suo.nz/2ISEr5\u003cbr\u003e\n\n\n\u003ca name=\"14\"/\u003e\n\n# 14 自动驾驶\n\n[1]城市景观图像对数据集|数据集下载地址：http://m6z.cn/6qBe8e\u003cbr\u003e\u003cbr\u003e\n\n[2]自动驾驶汽车的语义分割数据集|数据集下载地址：http://m6z.cn/5zYdv9\u003cbr\u003e\u003cbr\u003e\n\n[3]BDD100K驾驶视频数据集|数据集下载地址：http://m6z.cn/6qBeaa\u003cbr\u003e\u003cbr\u003e\n\n[4]CULane数据集|数据集下载地址：http://m6z.cn/643fxb\u003cbr\u003e\u003cbr\u003e\n\n[5]非洲地区交通标志数据集|数据集下载地址：http://m6z.cn/6j5167\u003cbr\u003e\u003cbr\u003e\n\n[6]Argoverse数据集|数据集下载地址：http://m6z.cn/5P0b9B\u003cbr\u003e\u003cbr\u003e\n\n[7]驾驶模拟器车道检测数据集|数据集下载地址：http://m6z.cn/5zYdzP\u003cbr\u003e\u003cbr\u003e\n\n[8]道路上自动驾驶汽车数据集|数据集下载地址：http://m6z.cn/5ss0xe\u003cbr\u003e\u003cbr\u003e\n\n[9]加州理工学院行人数据集|数据集下载地址：http://m6z.cn/5P0bdX\u003cbr\u003e\u003cbr\u003e\n\n[10]CamSeq 2007数据集|数据集下载地址：http://m6z.cn/5ss0Ho\u003cbr\u003e\u003cbr\u003e\n\n[11]DriveSeg场景分割数据集|数据集下载地址：http://m6z.cn/5tDCeU\u003cbr\u003e\u003cbr\u003e\n\n[12]Comma2k19 车道线检测数据集|数据集下载地址：http://m6z.cn/6r36nm\u003cbr\u003e\u003cbr\u003e\n\n[13]雷达场景数据集|数据集下载地址：http://m6z.cn/5tDChE\u003cbr\u003e\u003cbr\u003e\n\n[14]Cam2BEV 数据集|数据集下载地址：http://m6z.cn/6jwTlT\u003cbr\u003e\u003cbr\u003e\n\n[15]LiDAR 2D深度图像数据集|数据集下载地址：http://m6z.cn/5Pwfy5\u003cbr\u003e\u003cbr\u003e\n\n[16]交通信号灯检测图像|数据集下载地址：http://m6z.cn/6jwTHb\u003cbr\u003e\u003cbr\u003e\n\n[17]德国交通标志识别数据集|数据集下载地址：http://m6z.cn/6c0GEA\u003cbr\u003e\u003cbr\u003e\n\n[18]LISA交通灯数据集|数据集下载地址：http://m6z.cn/6rNj17\u003cbr\u003e\u003cbr\u003e\n\n[19]昼夜行人序列数据集|数据集下载地址：http://m6z.cn/6rNj1r\u003cbr\u003e\u003cbr\u003e\n\n\n\n\u003ca name=\"15\"/\u003e\n\n# 15 图像分割\n\n[1]D-HAZY|数据集下载地址：http://m6z.cn/5IBatp\u003cbr\u003e\u003cbr\u003e\n\n[2]RESIDE|数据集下载地址：http://m6z.cn/5IBauH\u003cbr\u003e\u003cbr\u003e\n\n[3]Middlebury Stereo双目立体匹配测试数据集|数据集下载地址：http://m6z.cn/5Prq8G\u003cbr\u003e\u003cbr\u003e\n\n[4]NH-HAZE|数据集下载地址：http://m6z.cn/5tyN0D\u003cbr\u003e\u003cbr\u003e\n\n[5]DENSE-HAZE|数据集下载地址：http://m6z.cn/5tyMZP\u003cbr\u003e\u003cbr\u003e\n\n[6]REVIDE视频去雾数据集|数据集下载地址：http://m6z.cn/6bVqYX\u003cbr\u003e\u003cbr\u003e\n\n\n\n\u003ca name=\"16\"/\u003e\n\n# 16 RGB-T\n\n[1]HFUT-Lytro数据集｜数据集下载地址：https://sourl.cn/xGKqau\n\n[2]DUTLF-V2｜数据集下载地址：http://u3v.cn/65oL0y\n\n[3]Lytro Illum｜数据集下载地址：http://u3v.cn/6kr8yE\n\n[4]DUTLF-MV｜数据集下载地址：http://u3v.cn/6lbl3d\n\n[5]光场 (Lytro) 和立体声 (Project Tango) 数据集｜数据集下载地址：http://u3v.cn/6s1AFA\n\n[6]RGB-D 人群数据集｜数据集下载地址：http://u3v.cn/5tNHTn\n\n[7]ReDWeb-S｜数据集下载地址：http://u3v.cn/5BjUY4\n\n[8]NLPR｜数据集下载地址：http://u3v.cn/5IQ82L\n\n\n\u003ca name=\"17\"/\u003e\n\n# 17 图像去噪\n\n[1]图像去噪｜数据集下载地址：https://sourl.cn/rMsdE8\n\n[2]FMD（荧光显微镜去噪）数据集｜数据集下载地址：https://sourl.cn/Wyqrui\n\n[3]SIDD智能手机图像去噪数据集｜数据集下载地址：https://sourl.cn/jdpJZ6\n\n[4]SIDD-small数据集｜数据集下载地址：https://sourl.cn/kaYGxd\n\n[5]Super Resolution Benchmarks｜数据集下载地址：https://sourl.cn/Bp6QZs\n\n\n\u003ca name=\"18\"/\u003e\n\n# 18 人群计数、行人检测\n\n[1]SCUT FIR行人检测数据集｜数据集下载地址：https://sourl.cn/4VK3Bn\n\n[2]JHU-CROWD++｜数据集下载地址：https://sourl.cn/mgxHEY\n\n[3]CIHP人体解析数据集｜数据集下载地址：https://sourl.cn/W3Tm2J\n\n[4]AHU-Crowd人群数据集｜数据集下载地址：https://sourl.cn/XFJDCh\n\n[5]AudioVisual 人群计数｜数据集下载地址：https://sourl.cn/wfd7wD\n\n[6]UCF-CC-50｜数据集下载地址：http://c.nxw.so/9LYoK\n\n[7]北京BRT数据集｜数据集下载地址：http://c.nxw.so/c1PV9\n\n\n\n\u003ca name=\"19\"/\u003e\n\n# 19 安全帽、头盔、反光衣、垃圾识别\n\n[1]安全帽佩戴数据集｜数据集下载链接：http://suo.nz/2M6i3r\n\n[2]SHWD安全帽佩戴检测数据集｜数据集下载链接：http://suo.nz/2TCswQ\n\n[3]摩托车头盔检测数据集｜数据集下载链接：http://suo.nz/318FBx\n\n[4]安全帽和安全背心（反光衣）图像数据集｜数据集下载链接：http://suo.nz/38ESGe\n\n[5]垃圾分类数据集｜数据集下载链接：http://suo.nz/3gb5Jj\n\n[6]塑料-纸张-垃圾袋合成图像数据集｜数据集下载链接：http://suo.nz/2i1p7K\n\n[7]垃圾溢出数据集｜数据集下载链接：http://suo.nz/2iM1Dd\n\n[8]YOLO格式的头盔/头部检测数据集｜数据集下载链接：http://suo.nz/2pChfA\n\n\n\n\u003ca name=\"20\"/\u003e\n\n# 20 车牌识别\n\n[1]车牌检测｜数据集下载链接：http://suo.nz/2pPIpw\n\n[2]自动车牌识别｜数据集下载链接：http://suo.nz/2xhgIZ\n\n[3]合成土耳其车牌｜数据集下载链接：http://suo.nz/2ENtNG\n\n[4]美国 50 个州的车牌 + DC｜数据集下载链接：http://suo.nz/2MjGSn\n\n[5]印度车牌｜数据集下载链接：http://suo.nz/2TPTX4\n\n[6]印尼车牌号｜数据集下载链接：http://suo.nz/31m6LD\n\n[7]伊朗车牌数据集｜数据集下载链接：http://suo.nz/38SjQk\n\n[8]带标签的印度车牌｜数据集下载链接：http://suo.nz/3fIzsH\n\n[9]斯里兰卡车牌数据集｜数据集下载链接：http://suo.nz/2hySR8\n\n[10]孟加拉车牌｜数据集下载链接：http://suo.nz/2ijvkZ\n\n[11]拉脱维亚车牌｜数据集下载链接：http://suo.nz/3fIzrJ\n\n\n\u003ca name=\"21\"/\u003e\n\n# 21 图像配准\n\n[1]Brown 数据集｜数据集下载链接：http://suo.nz/3042bh\n\n[2]ETHZ Toys｜数据集下载链接：http://suo.nz/36UhM2\n\n[3]HPatches｜数据集下载链接：http://suo.nz/3equQJ\n\n[4]多模态图像配准数据集｜数据集下载链接：http://suo.nz/2ggOfa\n\n[5]FIRE眼底图像配准数据集｜数据集下载链接：http://suo.nz/2nMBiX\n\n[6]结构 MRI 图像｜数据集下载链接：http://suo.nz/2viOnE\n\n[7]CT扫描医学图像配准数据集｜数据集下载链接：http://suo.nz/2w3qT7\n\n[8]UNIFESP X 射线人体部位分类数据集｜数据集下载链接：http://suo.nz/2DvrOM\n\n\n\u003ca name=\"22\"/\u003e\n\n# 22 卡车货车、野外火灾、抽烟识别\n\n[1]卡车倾倒建筑垃圾｜数据集下载链接：http://suo.nz/2nVNKH\n\n[2]工程车辆（货车/拖车）数据集｜数据集下载链接：http://suo.nz/2vrAOu\n\n[3]Smoke100k｜数据集下载链接：http://suo.nz/2w81aV\n\n[4]野外火灾烟雾数据集｜数据集下载链接：http://suo.nz/2DEbEk\n\n[5]抽烟者/不抽烟者数据集｜数据集下载链接：http://suo.nz/2LaoJ1\n\n[6]香烟识别｜数据集下载链接：http://suo.nz/2S0Elo\n\n\n\u003ca name=\"23\"/\u003e\n\n# 23 道路裂缝坑洼图像\n\n[1]CrackForest｜数据集下载链接：http://suo.nz/2wdNdX\n\n[2]道路裂缝坑洼图像｜数据集下载链接：http://suo.nz/3eEDlj\n\n[3]坑洼检测｜数据集下载链接：http://m6z.cn/5wJJTa\n\n[4]坑洼图像｜数据集下载链接：http://suo.nz/2vtaK6\n\n[5]道路坑洼检测｜数据集下载链接：http://suo.nz/2nWXFp\n\n[6]道路损害数据集｜数据集下载链接：http://suo.nz/2gqKAI\n\n[7]混凝土表面裂纹检测｜数据集下载链接：http://suo.nz/378qgC\n\n[8]道路裂缝检测｜数据集下载链接:http://suo.nz/2ZCfNd\n\n[9]CrackSeg3｜数据集下载链接:http://suo.nz/2S62Iw\n\n\n\u003ca name=\"24\"/\u003e\n\n# 24.足球图像相关\n\n[1]IAUFD：用于自动足球分析的 100k 图像数据集｜数据集下载链接：http://suo.nz/2GKRSL\u003cbr\u003e\n\nIAUFD包含了来自2个国家33个足球视频的100000张真实世界图像；508分钟，按10个事件类别注释。这些类别包括显示的图像：大门、球场中心、球员庆祝、红牌、黄牌、球、球场、裁判、点球位置和任意球。\n\n[2]足球 Vs 橄榄球图片分类｜数据集下载链接：http://suo.nz/2Oh4FI\u003cbr\u003e\n\n图像中可能有不同的方面帮助你将其识别为橄榄球，可能是球的形状或球员的服装。该数据集使用了两个最大的图像数据源，即ImageNet和Google OpenImages。总共下载了3058张图片，分为训练和测试。我对训练文件夹进行了80-20的分割，其中训练文件夹有2448张图片，测试文件夹有610张图片。橄榄球和足球两个类别都有1224张图片。\n\n[3]足球图像数据集（附注释）｜数据集下载链接：http://suo.nz/2VNhKp\u003cbr\u003e\n\n可用于检测识别足球队伍以及队伍人数。\n\n[4]板球-足球-棒球分类｜数据集下载链接：http://suo.nz/33juP6\u003cbr\u003e\n\n该数据集包含 252 张打板球、踢足球和打棒球的图像。主文件夹中有 3 个子文件夹 (1) cricket (2) football (3) baseball (cricket-football-baseball)。\n\n[5]足球运动员位置图像数据集｜数据集下载链接：http://suo.nz/3447kz\u003cbr\u003e\n\n这是一个包含 1.8K 训练、100 个有效图像和 50 个足球运动员测试图像的数据集，这些图像位于中锋、四分卫 (qb)、防守后卫 (db) 和线卫 (lb) 等直截了当的位置。数据集中的所有图像都应用了自动定位。该数据集可以实时检测各种场景的玩家，并帮助识别特定玩家。在高级用例中，如果使用其他模型进行训练，该数据集可以在比赛期间协助裁判规则的执行和监管。\n\n\u003ca name=\"25\"/\u003e\n\n# 25 农业相关\n\n[1]DeepWeeds 杂草类型分类｜数据集下载链接：http://suo.nz/2OmaTQ\u003cbr\u003e\n\n数据集包含 17,509 张图像，这些图像捕捉了八种原产于澳大利亚的不同杂草以及邻近的植物群。选定的杂草品种是昆士兰州牧草地的本地品种。它们包括：“中国苹果”、“蛇草”、“马缨丹”、“刺金合欢”、“暹罗草”、“白花菊”、“橡胶藤”和“帕金森属植物”。这些图像是从昆士兰以下地点的杂草侵扰中收集的：“Black River”、“Charters Towers”、“Cluden”、“Douglas”、“Hervey Range”、“Kelso”、“McKinlay”和“Paluma”。\n\n[2]仙人掌航拍图片｜数据集下载链接：http://suo.nz/2VSnYx\u003cbr\u003e\n\n在此数据集中，展示了 16,000 多个用于植物识别或分类的柱状仙人掌 (Neobuxbaumia tetetzo) 示例。\n\n[3]农作物图像分类（小麦、水稻、甘蔗、玉米等）｜数据集下载链接：http://suo.nz/33oB1C\n\n[4]5种不同的水稻图像｜数据集下载链接：http://suo.nz/349aVN\u003cbr\u003e\n\n使用了 Arborio、Basmati、Ipsala、Jasmine 和 Karacadag 水稻品种。• 数据集(1) 有75K 幅图像，包括每个水稻品种的15K 幅图像。数据集（2）有 12 个形态特征、4 个形状特征和 90 个颜色特征。\n\n[5]玉米叶感染｜数据集下载链接：http://suo.nz/3aZ0xg\u003cbr\u003e\n\n收集了部分被秋粘虫等害虫感染的玉米叶片图像。有 Healthy 和 Infected 文件夹，每个文件夹都包含各自的图像。此外，还使用 VoTT 为受感染的图像准备了注释文件。\n\n\n\u003ca name=\"26\"/\u003e\n# 26 卫星图像\n[1]水体卫星图像｜数据集下载链接：http://suo.nz/2ksvWY\u003cbr\u003e\n\nSentinel-2 卫星拍摄的水体图像集。每张图片都带有一个黑白mask，其中白色代表水，黑色代表除水之外的其他东西。这些掩模是通过计算 NWDI（归一化水差指数）生成的，该指数经常用于检测和测量卫星图像中的植被，但使用更大的阈值来检测水体。\u003cbr\u003e\u003cbr\u003e\n\n[2]城市航拍图像分割数据集｜数据集下载链接：http://suo.nz/2cWiSh\u003cbr\u003e\n\n此数据集包含用于检查和准备航空影像分割数据集的脚本。该数据集包含一组不同的卫星图像，这些图像用目标城市的建筑物、道路和背景标签进行了注释。\u003cbr\u003e\u003cbr\u003e\n\n[3]游泳池和汽车卫星图像检测｜数据集下载链接：http://suo.nz/3b5ZtQ\u003cbr\u003e\u003cbr\u003e\n\n[4]人工月球景观｜数据集下载链接：http://suo.nz/33zMp9\u003cbr\u003e\n\n由于月球图像的稀缺性和缺乏注释，通常很难对其进行任何类型的机器学习实验。该数据集的目标是为公众提供人造而逼真的月球景观样本，可用于训练岩石检测算法。这些经过训练的算法可以在实际的月球图片或其他岩石地形图片上进行测试。该数据集目前包含 9,766 个岩石月球景观的真实渲染图，以及它们的分段等价物（3 类是天空、较小的岩石和较大的岩石）。还提供了所有较大岩石和经过处理、清理后的地面实况图像的边界框表。\u003cbr\u003e\u003cbr\u003e\n\n[5]马萨诸塞州道路｜数据集下载链接：http://suo.nz/32Pa9O\u003cbr\u003e\n\n马萨诸塞州道路数据集由1171幅马萨诸塞州的航空图像组成。与建筑数据一样，每个图像的大小为1500×1500像素，占地2.25平方公里。\n\n[6]UC Merced Land-Use｜数据集下载链接：http://suo.nz/2IXmvN\u003cbr\u003e\n这是一个用于研究目的的 21 类土地利用图像数据集。以下每个类别都有 100 张图像：\n\n农业 飞机 棒球钻石 海滩 建筑物 丛林 密集住宅 森林 高速公路 高尔夫球场 港口 路口 中型住宅 移动房屋公园 立交桥 停车场 河 跑道 稀疏住宅 储油罐 网球场\n\n每个图像的尺寸为 256x256 像素。\n\n这些图像是从美国地质勘探局国家地图城市区域图像集中针对全国各个城市地区的大图像中手动提取的。此公共领域图像的像素分辨率为 1 英尺。\n\u003cbr\u003e\u003cbr\u003e\n\n[7]Indian Pines｜数据集下载链接：http://suo.nz/2JHZ1g\u003cbr\u003e\n\n这一场景由AVIRIS传感器采集位于印第安纳州西北部的 Indian Pines 测试场上空，由 145×145 像素和 224 个光谱反射带组成，波长范围为 0.4–2.5 10^(-6) 米。该场景是一个较大场景的子集。印度松树场景包含三分之二的农业和三分之一的森林或其他天然多年生植被。有两条主要的双车道高速公路、一条铁路线，以及一些低密度住房、其他建筑结构和较小的道路。由于该场景是在 6 月份拍摄的，因此一些农作物（玉米、大豆）正处于生长早期阶段，覆盖率不到 5%。可用的基本事实被指定为十六个类别，并且并非全部都是相互排斥的。还通过去除覆盖吸水区域的谱带，将谱带数量减少到 200：[104-108]、[150-163]、220。\u003cbr\u003e\u003cbr\u003e\n\n[8]KSC｜数据集下载链接：http://suo.nz/2Rec5X\u003cbr\u003e\n\nKSC数据集是于1996年3月份在美国佛罗里达州肯尼迪太空中心进行成像，截取512×614大小进行标注的高光谱数据集。它是由机载可是红外成像光谱仪（AVIRIS）摄，AVIRIS的波长范围是400-2500nm。空间分辨率为18米，在去除吸水带以及低信噪比波段后，实际用于训练的波段是176个。研究区域有13中地物类型，包括Scrub、Willow swamp、Cabbage palm hammock、Slash pine等。\u003cbr\u003e\u003cbr\u003e\n\n[9]Washington DC｜数据集下载链接：http://suo.nz/2YJZ9K\u003cbr\u003e\n\nWashington DC数据集是由Hydice传感器获取的一幅华盛顿购物中心上空的航空高光谱影像，数据包含了从 0.4 -2.4 µm可见光和近红外波段范围的共191个波段，数据大小为1280×307。地物类别包括街道，草地，水，碎石小路，树木，阴影和屋顶。\u003cbr\u003e\u003cbr\u003e\n\n[10]BigEarthNet｜数据集下载链接：https://bigearth.net/\u003cbr\u003e\n\n使用Sentinel-2图像补丁构建BigEarthNet（现在称为BigEarthNet-S2，以前称为BigEarthNet），初步选择了2017年6月至2018年5月期间在欧洲10个国家（奥地利、比利时、芬兰、爱尔兰、科索沃、立陶宛、卢森堡、葡萄牙、塞尔维亚、瑞士）。所有图块均通过 Sentinel-2 Level 2A 产品生成和格式化工具 (sen2cor v2.5.5) 进行了大气校正。然后，它们被分为 590,326 个不重叠的图像块。每个图像块都由 2018 年 CORINE 土地覆盖数据库 (CLC 2018) 提供的多个土地覆盖类别（即多标签）进行注释。BigEarthNet中的标签属于2018年首次发布的标签。\u003cbr\u003e\u003cbr\u003e\n\n\n\u003ca name=\"27\"/\u003e\n\n# 异常检测\n[1]LAD视频序列异常检测｜数据集下载链接：http://suo.nz/35AL1Z\u003cbr\u003e\n\nLarge-scale Anomaly Detection (LAD) 是一个用于对视频序列中的异常检测进行基准测试的数据库，它具有两个方面的特点。1) 包含正常和异常视频片段2000个视频序列，碰撞、火灾、暴力等14个异常类别，场景种类繁多，是目前最大的异常分析数据库。2）提供标注数据，包括视频级标签（异常/正常视频、异常类型）和帧级标签（异常/正常视频帧），方便异常检测。\u003cbr\u003e\u003cbr\u003e\n\n[2]RoadAnomaly21｜数据集下载链接：http://suo.nz/2Y8MHC\u003cbr\u003e\n\nRoadAnomaly21是一个用于异常分割的数据集，其任务是识别包含训练期间从未见过的对象的图像区域。它由 100 张带有像素级注释的图像的评估数据集组成。每张图片至少包含一个异常物体，例如动物或未知车辆。异常可以出现在图像的任何地方，并且大小差异很大，覆盖图像的 0.5% 到 40%。\u003cbr\u003e\u003cbr\u003e\n\n[3]UBnormal数据集｜数据集下载链接：http://suo.nz/2Rix5f\u003cbr\u003e\n\nUBnormal 是一种新的监督开放集基准测试，由多个虚拟场景组成，用于视频异常检测。与现有数据集不同，该数据集在训练时引入了像素级注释的异常事件，首次实现了使用全监督学习方法进行异常事件检测。为了保留典型的开放集公式，数据集在视频的训练和测试集合中包含不相交的异常类型集。\u003cbr\u003e\u003cbr\u003e\n\n[4]VisA异常数据集｜数据集下载链接：http://suo.nz/2JMk0y\u003cbr\u003e\n\nVisA 数据集包含 12 个子集，对应 12 个不同的对象。共有 10,821 张图像，其中包含 9,621 个正常样本和 1,200 个异常样本。四个子集是不同类型的印刷电路板 (PCB)，具有相对复杂的结构，包括晶体管、电容器、芯片等。对于视图中多个实例的情况，我们收集了四个子集：Capsules、Candles、Macaroni1 和 Macaroni2。Capsules 和 Macaroni2 中的实例在位置和姿势上有很大不同。\u003cbr\u003e\u003cbr\u003e\n\n[5]AeBAD航空发动机叶片异常检测数据集｜数据集下载链接：http://suo.nz/2IU48P\u003cbr\u003e\n\n真实世界的航空发动机叶片异常检测（AeBAD）数据集，由两个子数据集组成：单叶片数据集（AeBAD-S）和叶片视频异常检测数据集（AeBAD-V）。与现有数据集相比，AeBAD具有以下两个特点：1.）目标样本未对齐且处于不同的尺度。2.) 测试集和训练集中正态样本的分布存在域偏移，其中域偏移主要是由光照和视图的变化引起的。\u003cbr\u003e\u003cbr\u003e\n\n[6]BeanTech 异常检测数据集｜数据集下载链接：http://suo.nz/2JEGEi\u003cbr\u003e\n\nBTAD （beanTech 异常检测）数据集是真实世界的工业异常数据集。该数据集包含 3 种工业产品的总共 2830 张真实世界图像。\u003cbr\u003e\u003cbr\u003e\n\n\n\n\u003ca name=\"28\"/\u003e\n\n# 垃圾分类、水下垃圾/口罩垃圾/烟头垃圾\n[1]AquaTrash垃圾识别数据集｜数据集下载链接：http://suo.nz/2CdMGi\u003cbr\u003e\n\n该数据集包含 369 张用于深度学习的垃圾图像。总共有 470 个边界框。共有 4 类 {(0: glass), (1:paper), (2:metal), (3:plastic)}\u003cbr\u003e\u003cbr\u003e\n\n[2]口罩垃圾检测｜数据集下载链接：http://suo.nz/2CYpbL\u003cbr\u003e\n\n这个数据集是一个极具挑战性的集合，包含从 1200 多个城市和农村地区捕获和众包的 7000 多张原始 Masks 图像，其中每张图像都由DC Labs 的计算机视觉专业人员手动审查和验证。\n- 数据集大小：7000+\n- 捕获者：超过 1200 多个众包贡献者\n- 分辨率：99% 图像高清及以上（1920x1080 及以上）\n- 地点：拍摄于印度 900 多个城市\n- 多样性：各种照明条件，如白天、夜晚、不同的距离、观察点等\n- 使用设备：2020-2021 年使用手机拍摄\n- 用途：口罩检测、口罩隔离、垃圾口罩检测等\u003cbr\u003e\u003cbr\u003e\n\n[3]烟头垃圾数据集｜数据集下载链接：http://suo.nz/2KuC0k\u003cbr\u003e\n\n该数据集由一组 2200 张合成合成的地面香烟图像组成。它专为训练 CNN（卷积神经网络）而设计。注释：带有自定义类别的分段对象检测 COCO 格式。 合成：图像由自定义代码自动合成，利用 Python 图像库将随机比例、旋转、亮度等应用到前景切口 地点：地上和烟头的照片是在得克萨斯州奥斯汀拍摄的 相机： iPhone 8，原始像素分辨率 3024 x 4032\u003cbr\u003e\u003cbr\u003e\n\n[4]水下垃圾检测｜数据集下载链接：http://suo.nz/2RkRCH\u003cbr\u003e\n\n该数据来自 J-EDI 海洋垃圾数据集。构成该数据集的视频在质量、深度、场景中的对象和使用的相机方面差异很大。它们包含许多不同类型的海洋垃圾的图像，这些图像是从现实世界环境中捕获的，提供了处于不同衰减、遮挡和过度生长状态的各种物体。此外，水的清晰度和光的质量因视频而异。这些视频经过处理以提取 5,700 张图像，这些图像构成了该数据集，所有图像都在垃圾实例、植物和动物等生物对象以及 ROV 上标有边界框。\u003cbr\u003e\u003cbr\u003e\n\n[5]垃圾分类数据集｜数据集下载链接：http://suo.nz/2YR4Ho\u003cbr\u003e\n\n该数据集包含来自 12 个不同类别的生活垃圾的 15,150 张图像；纸、纸板、生物、金属、塑料、绿色玻璃、棕色玻璃、白色玻璃、衣服、鞋子、电池和垃圾。\u003cbr\u003e\u003cbr\u003e\n\n[6]Kaggle 垃圾分类图片｜数据集下载链接：http://suo.nz/36mRLb\u003cbr\u003e\n\n该数据集是图片数据，分为训练集85%（Train）和测试集15%（Test）。其中O代表Organic（有机垃圾），R代表Recycle（可回收）\u003cbr\u003e\u003cbr\u003e\n\n[7]生活垃圾｜数据集下载链接：http://suo.nz/3dT4PS\u003cbr\u003e\n\n大约9000多张独特的图片。该数据集由印度国内常见垃圾对象的图像组成。图像是在各种照明条件、天气、室内和室外条件下拍摄的。该数据集可用于制作垃圾/垃圾检测模型、环保替代建议、碳足迹生成等。\u003cbr\u003e\u003cbr\u003e\n\n[8]垃圾溢出数据集｜数据集下载链接：http://suo.nz/2fJocH\u003cbr\u003e\u003cbr\u003e\n\n[9]SpotGarbage垃圾识别数据集｜数据集下载链接：http://suo.nz/2nfBho\u003cbr\u003e\n\n图像中的垃圾（GINI）数据集是SpotGarbage引入的一个数据集，包含2561张图像，956张图像包含垃圾，其余的是在各种视觉属性方面与垃圾非常相似的非垃圾图像。\n\n[10]垃圾箱图片数据集丨数据集下载链接：http://suo.nz/3cvbiC\u003cbr\u003e\n\n[11]垃圾箱多类检测数据集丨数据集下载链接：http://suo.nz/2eluH3\u003cbr\u003e\n\n[12]蒙得维亚的垃圾箱图片丨数据集下载链接：http://suo.nz/2lRHLK\u003cbr\u003e\n\n[13]垃圾桶满溢检测数据集丨数据集下载链接：http://suo.nz/2tnUQr\u003cbr\u003e\n\n[14]室内垃圾桶识别样例数据集丨数据集下载链接：http://suo.nz/2AU5jQ\u003cbr\u003e\n\n\u003ca name=\"29\"/\u003e\n\n# 打架识别\n\n[1]监控摄像头下的打架检测｜数据集下载链接：http://suo.nz/39IbxQ\u003cbr\u003e\n\n[2]UBI-Fight异常事件检测数据集｜数据集下载链接：http://suo.nz/3aoBUh\u003cbr\u003e\n\n[3]曲棍球比赛检测数据集｜数据集下载链接：http://suo.nz/2ceViI\u003cbr\u003e\n\n[4]打架识别图像数据集｜数据集下载链接：http://suo.nz/2jL8np\u003cbr\u003e\n\n[5]真实街头斗殴视频数据集｜数据集下载链接：http://suo.nz/2rhiQO\u003cbr\u003e\n\n\u003ca name=\"30\"/\u003e\n\n# 面部表情识别\n\n[1]FePh面部表情数据集｜数据集下载链接：http://suo.nz/2zIouL\u003cbr\u003e\n\n[2]不平衡面部表情数据集｜数据集下载链接：http://suo.nz/2OKM2R\u003cbr\u003e\n\n[3]FER-2013｜数据集下载链接：http://suo.nz/2WgZ7y\u003cbr\u003e\n\n[4]FANE：面部表情和情绪数据集｜数据集下载链接：http://suo.nz/2X1BD1\u003cbr\u003e\n\n[5]小鼠面部表情数据集｜数据集下载链接：http://suo.nz/34xOHI\u003cbr\u003e\n\n[6]用于CV算法的面部表情图像数据集｜数据集下载链接：http://suo.nz/2Rhtp7\u003cbr\u003e\n\n[7]从面部图像预测人物性格｜数据集下载链接：http://suo.nz/2JLgAy\u003cbr\u003e\n\n[8]面部年龄数据集｜数据集下载链接：http://suo.nz/2J0E55\u003cbr\u003e\n\n[9]人脸面部表情数据集｜数据集下载链接：http://suo.nz/2Bur0o\u003cbr\u003e\n\n[10]面部情感识别数据集｜数据集下载链接：http://suo.nz/2tYdVH\u003cbr\u003e\n\n[11]动物表情图像数据集｜数据集下载链接：http://suo.nz/2ms0R0\u003cbr\u003e\n\n\u003ca name=\"31\"/\u003e\n\n# 双目立体\n\n[1]STB｜数据集下载链接：http://suo.nz/2eTQLT\u003cbr\u003e\n\n立体手部姿势基准包含 6 个不同背景的序列，每个背景都有两个带有计数和随机姿势的序列。每个序列都有 1500 帧，基准测试中总共有 18000 帧。立体和深度图像是从 Point Grey Bumblebee2 立体摄像头和英特尔实感 F200 主动深度摄像头同时捕获的。\u003cbr\u003e\u003cbr\u003e\n\n[2]Stereo Waterdrop｜数据集下载链接：http://suo.nz/3d3xns\u003cbr\u003e\n\nSteredo Waterdrop是一个用于研究立体水滴去除的真实数据集。该数据集包含从 129 个室内和室外场景捕获的 837 个立体图像对，这些场景具有各种水滴、视差和照明条件。使用 ZED 2 立体相机进行数据收集。\u003cbr\u003e\u003cbr\u003e\n\n[3]SatStereo｜数据集下载链接：https://engineering.purdue.edu/RVL/Database/SatStereo/index.html\u003cbr\u003e\n\n提供一组立体校正图像以及来自两个来源的 10 个 AOI（感兴趣区域）的相关地面真实视差：8 个 AOI 来自 IARPA 的 MVS Challenge 数据集，2 个 AOI 来自 CORE3D-Public 数据集。\u003cbr\u003e\u003cbr\u003e\n\n[4]StereoMSI｜数据集下载链接：https://data.csiro.au/collection/csiro:40743\u003cbr\u003e\n\n1.多光谱超分辨率数据集（PIRM2018多光谱超分辨率挑战数据集的扩展）。该数据集包括 - 272 个训练立体配准的多光谱 RGB 图像对，包括原始 RGB 马赛克图像。- 970 张原始多光谱图像。这些需要进行下采样（x2 或 x3 等）以创建低分辨率图像，用于训练 CNN 执行超分辨率任务。- 50 张测试图像。\n\n2.同时进行颜色预测和超分辨率的数据集。该数据集包括：- 250 个用于训练的注册立体多光谱/RGB 图像对 - 25 个用于验证的注册立体多光谱/RGB 图像对 - 21 个用于测试的注册立体多光谱/RGB 图像对。\u003cbr\u003e\u003cbr\u003e\n\n[5]IRS｜数据集下载链接：https://pan.baidu.com/s/1iWZt3JklcX5iXdQqotY4uA (code: gxlw)\u003cbr\u003e\n\nIRS是一个用于室内机器人视觉任务的开放数据集，特别是视差和表面法线估计。它总共包含103,316个样本，涵盖家庭、办公室、商店和餐厅等广泛的室内场景。\u003cbr\u003e\u003cbr\u003e\n\n[6]Middlebury Stereo双目立体匹配测试数据集｜数据集下载链接：http://m6z.cn/5Prq8G\u003cbr\u003e\n\n这24个数据集是由潘广汉、孙天生、托比·威德和丹尼尔·沙尔斯坦在2019-2021期间创建的。数据集包括11个场景，在许多不同的照明条件和曝光（包括移动设备的闪光灯和“手电筒”照明）下，从1-3个不同的观看方向成像。\u003cbr\u003e\u003cbr\u003e\n\n[7]KITTI-2015立体声数据集｜数据集下载链接：http://suo.nz/35xkpn\u003cbr\u003e\n\nstero 2015 基准测试包含 200 个训练场景和 200 个测试场景（每个场景 4 幅彩色图像，以无损 png 格式保存）。与stereo 2012 和flow 2012 基准测试相比，它包含动态场景，在半自动过程中为其建立了真值。该数据集是通过在卡尔斯鲁厄中等规模城市、农村地区和高速公路上行驶而捕获的。每张图像最多可以看到 15 辆汽车和 30 名行人。\u003cbr\u003e\u003cbr\u003e\n\n\u003ca name=\"32\"/\u003e\n\n# slam相关\n\n[1]MAOMaps｜数据集下载链接：http://suo.nz/2RgQaH\u003cbr\u003e\n\nMAOMaps 是用于评估视觉 SLAM、RGB-D SLAM 和地图合并算法的数据集。它包含 40 个带有 RGB 和深度图像的样本，以及地面真实轨迹和地图。这 40 个样本被加入到 20 对重叠的地图中，用于地图合并方法的评估。使用 Matterport3D 数据集和 Habitat 模拟器收集样本。\u003cbr\u003e\u003cbr\u003e\n\n[2]Cooperative Driving Dataset (CODD)｜数据集下载链接：http://suo.nz/2Y75N4\u003cbr\u003e\n\n协同驾驶数据集是使用CARLA生成的综合数据集，其中包含来自同时在不同驾驶场景中导航的多辆车辆的激光雷达数据。创建该数据集是为了进一步研究多智能体感知（协作感知），包括协作 3D 对象检测、协作对象跟踪、多智能体 SLAM 和点云配准。为了实现这一目标，所有帧都标有地面实况传感器姿势和 3D 对象边界框。\u003cbr\u003e\u003cbr\u003e\n\n[3]Bonn RGB-D Dynamic Dataset｜数据集下载链接：http://suo.nz/35DiRL\u003cbr\u003e\n\n这是 RGB-D SLAM 的数据集，包含高度动态的序列。我们提供 24 个动态序列，人们可以在其中执行不同的任务，例如操纵盒子或玩气球，以及 2 个静态序列。对于每个场景，我们提供传感器的地面真实姿态，并使用 Optitrack Prime 13 运动捕捉系统进行记录。这些序列的格式与TUM RGB-D 数据集相同，因此可以使用相同的评估工具。\u003cbr\u003e\u003cbr\u003e\n\n[4]Monocular Visual Odometry Dataset｜数据集下载链接：https://cvg.cit.tum.de/data/datasets/mono-dataset\u003cbr\u003e\n\n这是一个用于评估单目视觉里程计 (VO) 和 SLAM 方法的跟踪精度的数据集。它包含 50 个真实世界序列，包括 100 多分钟的视频，在不同环境中录制 - 从狭窄的室内走廊到广阔的室外场景。\u003cbr\u003e\u003cbr\u003e\n\n[5]KITTI 道路数据集｜数据集下载链接：http://suo.nz/2tY0Jt\u003cbr\u003e\n\n[6]KITTI-2015立体声数据集｜数据集下载链接：http://suo.nz/35xkpn\u003cbr\u003e\n\nstero 2015 基准测试包含 200 个训练场景和 200 个测试场景（每个场景 4 幅彩色图像，以无损 png 格式保存）。与stereo 2012 和flow 2012 基准测试相比，它包含动态场景，在半自动过程中为其建立了真值。该数据集是通过在卡尔斯鲁厄中等规模城市、农村地区和高速公路上行驶而捕获的。每张图像最多可以看到 15 辆汽车和 30 名行人。\u003cbr\u003e\u003cbr\u003e\n\n[7]LiDAR 2D深度图像数据集｜数据集下载链接：http://m6z.cn/5Pwfy5\u003cbr\u003e\n\nKITTI数据集是针对自动驾驶汽车领域最著名的数据集之一。它包含来自安装在汽车顶部的摄像头、激光雷达和其他传感器的记录数据，汽车在具有许多不同场景和场景的许多街道上行驶。该数据集包含转换为 2D 深度图像的 KITTI 数据集的 LiDAR 帧，并使用此代码进行了转换。这些 2D 深度图像代表相应 LiDAR 帧的相同场景，但格式更易于处理。\u003cbr\u003e\u003cbr\u003e\n\n\u003ca name=\"33\"/\u003e\n\n# 少样本/零样本学习\n\n[1]FSOD少样本目标检测数据集｜数据集下载链接：http://suo.nz/3d6H0E\u003cbr\u003e\n\n少样本目标检测数据集（FSOD）是一个高度多样化的数据集，专门为少样本目标检测而设计，本质上是为了评估模型在新类别上的通用性。\u003cbr\u003e\u003cbr\u003e\n\n[2]UT Zappos50K鞋类数据集｜数据集下载链接：http://suo.nz/35EG4Z\u003cbr\u003e\n\nUT Zappos50K ( UT-Zap50K ) 是一个大型鞋类数据集，包含从Zappos.com收集的50,025 个目录图像。这些图像分为 4 个主要类别——鞋子、凉鞋、拖鞋和靴子——其次是功能类型和个人品牌。鞋子以白色背景为中心，并以相同方向进行拍照，以便于分析。\u003cbr\u003e\u003cbr\u003e\n\n[3]Animals with Attributes数据集｜数据集下载链接：http://suo.nz/2Y8tgq\u003cbr\u003e\n\n该数据集提供了一个基准迁移学习算法的平台，特别是属性基分类和 零样本学习[1]。它可以作为原始Animals with Attributes (AwA)数据集 [2,3]的直接替代品，因为它具有相同的类结构和几乎相同的特征。它由 50 个动物类别的 37322 张图像组成，每张图像都有预先提取的特征表示。这些类与 Osherson 的经典类/属性矩阵 [3,4] 对齐，从而为每个类提供 85 个数字属性值。使用共享属性，可以在不同类之间传输信息。\u003cbr\u003e\u003cbr\u003e\n\n[4]原始矿物物种识别基准｜数据集下载链接：http://suo.nz/2RidE3\u003cbr\u003e\n\n该数据集包含 5,000 多种不同的矿物物种，并包含零样本和少样本学习的子集。除了样本本身之外，数据集中的一些条目还附有补充的自然语言描述、大小测量和分割掩码。\u003cbr\u003e\u003cbr\u003e\n\n[5]RareAct异常动作视频数据集｜数据集下载链接：http://suo.nz/2JM0zm\u003cbr\u003e\n\nRareAct是一个异常动作的视频数据集，包括“混合手机”、“切键盘”和“微波炉鞋”等动作。它的目的是评估动作识别模型的零样本和少样本组合性，以识别常见动作动词和宾语名词的不太可能的组合。它包含 122 个不同的动作，这些动作是通过组合在 HowTo100M 的大规模文本语料库中很少同时出现但经常单独出现的动词和名词来获得的。\u003cbr\u003e\u003cbr\u003e\n\n[6]Generix 对象零样本学习 ( GOZ ) 数据集｜数据集下载链接：http://suo.nz/2J1o3T\u003cbr\u003e\n\nGenerix 对象零样本学习 ( GOZ ) 数据集是零样本学习的基准数据集。\u003cbr\u003e\u003cbr\u003e\n\n\u003ca name=\"34\"/\u003e\n\n# 图像增强\n\n[1]真实世界模糊图像数据集｜数据集下载链接：http://suo.nz/2nk7w2\u003cbr\u003e\n\n训练集：182 个不同场景的 3,758 个图像对。测试集：50 个不同场景的 980 个图像对。\u003cbr\u003e\u003cbr\u003e\n\n[2]I-HAZE图像去雾数据集｜数据集下载链接：http://suo.nz/2fNUrl\u003cbr\u003e\n\n该数据集中包含 35 个有雾图像对和相应的无雾（地面实况）室内图像。与大多数现有的去雾数据库不同，雾霾图像是使用专业雾霾机产生的真实雾霾生成的。为了简化颜色校准并改进去雾算法的评估，每个场景都包含一个 MacBeth 颜色检查器。此外，由于图像是在受控环境中捕获的，因此无雾和有雾图像都是在相同的照明条件下捕获的。\u003cbr\u003e\u003cbr\u003e\n\n[3]UIEB水下图像增强数据集｜数据集下载链接：http://suo.nz/3dY13O\u003cbr\u003e\n\n该数据集包括 950 张真实水下图像，其中 890 张具有相应的参考图像。并将其余60幅无法获得满意参考图像的水下图像视为具有挑战性的数据。\u003cbr\u003e\u003cbr\u003e\n\n[4]GoPro去模糊数据集｜数据集下载链接：http://suo.nz/36rNZ7\u003cbr\u003e\n\n用于去模糊的 GoPro 数据集由 3,214 张模糊图像组成，大小为 1,280×720，分为 2,103 张训练图像和 1,111 张测试图像。该数据集由成对的真实模糊图像和高速摄像机获得的相应地面实况图像组成。\u003cbr\u003e\u003cbr\u003e\n\n[5]NH-HAZE｜数据集下载链接：http://m6z.cn/5tyN0D\u003cbr\u003e\n\n这是一个非均匀的真实数据集，具有成对的真实雾度和相应的无雾度图像。这是第一个非齐次图像去模糊数据集，包含55个室外场景。在场景中引入了非均匀雾，使用专业雾发生器模拟雾场景的真实条件。\u003cbr\u003e\u003cbr\u003e\n\n[6]ExDark图像数据集｜数据集下载链接：http://suo.nz/2lidoI\u003cbr\u003e\n\nExclusively Dark (ExDARK) 数据集是 7,363 张从极低光环境到黄昏（即 10 种不同条件）的低光图像的集合，具有 12 个对象类（类似于 PASCAL VOC），在图像类级别和局部对象边界上进行了注释盒子。\u003cbr\u003e\u003cbr\u003e\n\n[7]WoodScape自动驾驶鱼眼数据集｜数据集下载链接：http://suo.nz/2HMEtL\u003cbr\u003e\n\nWoodScape 包含四个环视摄像头和九项任务，包括分割、深度估计、3D 边界框检测和新型污染检测。为超过 10,000 张图像提供实例级别的 40 个类的语义注释。\u003cbr\u003e\u003cbr\u003e\n\n[8]PolyU数据集｜数据集下载链接：https://sourl.cn/rMsdE8\u003cbr\u003e\n\n大多数以前的图像去噪方法都集中在加性高斯白噪声（AWGN）上。然而，随着计算机视觉技术的进步，现实世界中的噪声图像去噪问题也随之而来。为了在实现并发真实世界图像去噪数据集的同时促进对该问题的研究，作者们构建了一个新的基准数据集，其中包含不同自然场景的综合真实世界噪声图像。这些图像是由不同的相机在不同的相机设置下拍摄的。\u003cbr\u003e\u003cbr\u003e\n\n[9]对比度增强评估数据库（CEED2016）｜http://suo.nz/2JfsSf\u003cbr\u003e\n\n该CEED2016是新开发的图像数据库，专门用于对比度增强评估。该数据库包含 30 张原始彩色图像和 180 张使用六种不同 CE 方法获得的增强图像。\u003cbr\u003e\u003cbr\u003e\n\n[10]NILUT三维LUT数据集｜数据集下载链接：http://suo.nz/2QLFVk\u003cbr\u003e\n\n[11]内窥镜真实图像｜http://suo.nz/2YdgQ5\u003cbr\u003e\n\n\u003ca name=\"34\"/\u003e\n\n# 实例分割\n\n[1]细胞实例分割数据集｜数据集下载链接：http://suo.nz/3bokV6\u003cbr\u003e\n\n[2]非模态实例分割数据集｜数据集下载链接：http://suo.nz/33S7Qp\u003cbr\u003e\n\n[3]Embrapa酿酒葡萄实例分割数据集｜数据集下载链接：http://suo.nz/337vkW\u003cbr\u003e\n\n[4]树上芒果实例分割数据集｜数据集下载链接：http://suo.nz/2VBigf\u003cbr\u003e\n\n[5]实例分割计算机视觉项目｜数据集下载链接：http://suo.nz/2O5vcs\u003cbr\u003e\n\n\u003ca name=\"35\"/\u003e\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fextreme-assistant%2Fdeep-learning-datasets","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fextreme-assistant%2Fdeep-learning-datasets","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fextreme-assistant%2Fdeep-learning-datasets/lists"}