DriveSeg場景分割數(shù)據(jù)集

數(shù)據(jù)集下載鏈接：http://m6z.cn/5tDCeU

MIT DriveSeg 數(shù)據(jù)集是一個大規(guī)模的駕駛場景分割數(shù)據(jù)集，為 5,000 個視頻幀中的每個像素和每個像素都進行了密集注釋。這個數(shù)據(jù)集是一個面向前的逐幀像素級語義標記數(shù)據(jù)集，該數(shù)據(jù)集是在連續(xù)白天駕駛通過擁擠的城市街道時從移動的車輛捕獲的。該數(shù)據(jù)集的目的是允許探索時間動態(tài)信息的價值，以便在動態(tài)的真實操作環(huán)境中進行全場景分割。

Comma2k19 車道線檢測數(shù)據(jù)集

數(shù)據(jù)集下載鏈接：http://m6z.cn/6r36nm

該數(shù)據(jù)集是CVPR2022論文"Towards Driving-Oriented Metric for Lane Detection Models"的數(shù)據(jù)集。為了在同一數(shù)據(jù)集上評估傳統(tǒng)指標和以任務(wù)為中心的下游指標 E2E-LD 和 PSLD，需要用到車道線注釋和駕駛信息（例如位置、轉(zhuǎn)向角和速度）。其中手動注釋了 2,000 幀的左右車道線（100 個 20 Hz 的 1 秒剪輯場景）。所選場景是從原始 Comma2k19 數(shù)據(jù)集中時速超過 30 mph（約 48 km/h）的場景中隨機選擇的。

雷達場景數(shù)據(jù)集

數(shù)據(jù)集下載鏈接：http://m6z.cn/5tDChE

RadarScenes 數(shù)據(jù)集包含來自四個汽車雷達傳感器的記錄，這些傳感器安裝在一輛測量車輛上。添加了來自一臺前置紀實相機的圖像。它于 2016 年至 2018 年在德國烏爾姆錄制。該數(shù)據(jù)集的長度超過 4 小時，除了來自雷達傳感器的點云數(shù)據(jù)外，還提供了 12 個不同類別的逐點語義注釋。除了逐點類標簽外，跟蹤 ID 還附加到動態(tài)對象的每個單獨檢測，以便可以隨時間跟蹤各個對象。

Cam2BEV 數(shù)據(jù)集

數(shù)據(jù)集下載鏈接：http://m6z.cn/6jwTlT

該存儲庫包含兩個語義分割的道路場景圖像合成數(shù)據(jù)集，它們是作為 Cam2BEV 項目的一部分創(chuàng)建的。在該項目中，數(shù)據(jù)集收集了多個車載攝像頭的圖像，并被用于計算語義分割的鳥瞰圖（BEV）圖像。同時該數(shù)據(jù)集被arXiv論文"A Sim2Real Deep Learning Approach for the Transformation of Images from Multiple Vehicle-Mounted Cameras to a Semantically Segmented Image in Bird’s Eye View"使用，驗證了一種Sim2Real 深度學(xué)習(xí)方法。

LiDAR 2D深度圖像數(shù)據(jù)集

數(shù)據(jù)集下載鏈接：http://m6z.cn/5Pwfy5

KITTI數(shù)據(jù)集是針對自動駕駛汽車領(lǐng)域最著名的數(shù)據(jù)集之一。它包含來自安裝在汽車頂部的攝像頭、激光雷達和其他傳感器的記錄數(shù)據(jù)，汽車在具有許多不同場景和場景的許多街道上行駛。該數(shù)據(jù)集包含轉(zhuǎn)換為 2D 深度圖像的 KITTI 數(shù)據(jù)集的 LiDAR 幀，并使用此代碼進行了轉(zhuǎn)換。這些 2D 深度圖像代表相應(yīng) LiDAR 幀的相同場景，但格式更易于處理。

交通信號燈檢測圖像

數(shù)據(jù)集下載鏈接：http://m6z.cn/6jwTHb

該數(shù)據(jù)集來自 Bosch Small Traffic Lights Dataset，是一個用于基于視覺的交通信號燈檢測的準確數(shù)據(jù)集。該數(shù)據(jù)集包含 13427 個攝像機圖像，分辨率為 1280x720 像素，并包含大約 24000 個帶注釋的交通信號燈。注釋包括交通燈的邊界框以及每個交通燈的當(dāng)前狀態(tài)（活動燈）。相機圖像以使用紅色-清晰-清晰-藍色濾鏡拍攝的原始 12 位 HDR 圖像和重建的 8 位 RGB 彩色圖像形式提供。

德國交通標志識別數(shù)據(jù)集

數(shù)據(jù)集下載鏈接：http://m6z.cn/6c0GEA

“德國交通標志識別基準”是在 2011 年國際神經(jīng)網(wǎng)絡(luò)聯(lián)合會議 (IJCNN) 上舉辦的多類單圖像分類挑戰(zhàn)賽。交通標志的自動識別是高級駕駛輔助系統(tǒng)所必需的，并且構(gòu)成了具有挑戰(zhàn)性的現(xiàn)實世界計算機視覺和模式識別問題。該數(shù)據(jù)集收集了超過 50,000 個交通標志圖像的全面、逼真的數(shù)據(jù)集。它反映了由于距離、照明、天氣條件、部分遮擋和旋轉(zhuǎn)而導(dǎo)致的標志視覺外觀的強烈變化。這些圖像由幾個預(yù)先計算的特征集補充，以允許在沒有圖像處理背景知識的情況下應(yīng)用機器學(xué)習(xí)算法。該數(shù)據(jù)集包含 43 個類別頻率不平衡的類別。參與者必須對兩個測試集進行分類，每個測試集超過 12,500 張圖像。

LISA交通燈數(shù)據(jù)集

數(shù)據(jù)集下載鏈接：http://m6z.cn/6rNj17

為了為未來交通燈識別 (TLR) 研究的比較提供共同基礎(chǔ)，我們根據(jù)美國道路的鏡頭收集了一個廣泛的公共數(shù)據(jù)庫。該數(shù)據(jù)庫收集于美國加利福尼亞州圣地亞哥。該數(shù)據(jù)庫提供了四個主要用于測試的白天和兩個夜間序列，提供了在太平洋海灘和圣地亞哥拉霍亞的 23 分 25 秒的駕駛時間。該數(shù)據(jù)庫由連續(xù)測試和訓(xùn)練視頻序列組成，共有 43,007 幀和 113,888 個帶注釋的交通信號燈。這些序列由安裝在車輛車頂上的立體攝像機捕捉，該攝像機在夜間和白天以及不同的光線和天氣條件下行駛。此數(shù)據(jù)庫中僅使用左側(cè)攝像機視圖，因此立體特征處于當(dāng)前未使用狀態(tài)。左側(cè)攝像頭視圖用于所有測試序列和訓(xùn)練剪輯。訓(xùn)練剪輯包括 13 個白天剪輯和 5 個夜間剪輯。

晝夜行人序列數(shù)據(jù)集

數(shù)據(jù)集下載鏈接：http://m6z.cn/6rNj1r

數(shù)據(jù)集由兩組序列組成。這些序列被命名為白天和夜晚集，指的是它們被獲取的一天中的時刻，Visible和 FIR 取決于用戶記錄序列的相機。白天訓(xùn)練 3695 個 imegas，晚上訓(xùn)練 3390 個圖像，每個序列大約有 1500 個強制性行人注釋。用于測試兩個序列的約 700 張圖像，白天約有 2000 名行人，夜間約有 1500 名行人。

目標檢測類上新：睡崗識別、勞動防護用品識別

【睡崗識別】

算法目的：通過視覺算法識別崗位上的員工是否存在睡覺行為。

算法類型：目標檢測

數(shù)據(jù)集：26.742 G

數(shù)據(jù)標注方式：2D框標注，VOCxml標注文件

本項目年均分成?10,000?元報名鏈接：https://cvmart.net/topList/10369?tab=RealTime

【勞動防護用品識別】

算法目的：當(dāng)切割、打磨作業(yè)時未佩戴防護面罩；焊接作業(yè)時，未佩戴電焊面罩，算法能自動識別，并發(fā)出告警信息。

算法類型：目標檢測

算法要求：準確率≥90%

數(shù)據(jù)集：11.838 G

數(shù)據(jù)標注方式：Cvat線上平臺，2D框標注

本項目年均分成?10,000?元

報名鏈接：https://cvmart.net/topList/10376?tab=RealTime

算法打榜是極市平臺推出的一種算法項目合作模式，平臺目前已對接智慧城市、商業(yè)地產(chǎn)、明廚亮灶等行業(yè)真實需求，包括不限于目標檢測、行為識別、圖像分割、視頻理解、目標跟蹤、OCR等視覺算法方向?，F(xiàn)平臺已上線數(shù)十種產(chǎn)業(yè)端落地算法項目！

免費算力，豐厚獎金！極市平臺提供已標注真實場景數(shù)據(jù)集，開發(fā)者可直接使用免費算力進行線上算法開發(fā)，算法模型成績分數(shù)達到標準后即可獲得定額獎勵，成績優(yōu)異的開發(fā)者還可與平臺簽約合作，獲得長期的算法訂單分成收益。