Jacuard抓取数据集介绍

已于 2023-07-03 11:59:06 修改
阅读量1.4k 收藏 6
点赞数 1
文章标签： 计算机视觉 图像处理 人工智能
于 2023-07-03 11:53:04 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_74089435/article/details/131512820
版权
Jacuard数据集是一个包含11619个场景和4967454个抓取注释的丰富资源，适用于机器人抓取研究。每个场景都有RGB图像、分割蒙版、深度图像等信息，便于分析和训练。数据集按对象分类，每个对象有相应的抓取注释、二进制掩码和不同类型的深度图像。
摘要由CSDN通过智能技术生成

Jacuard数据集常被翻译为提花数据集。用于机器人抓取检测的大规模数据集

数据集地址：JACQUARD DATASET

数据集内容

提花数据集由来自 54 485 个不同对象的 11 619 个不同场景组成，共有 4 967 454 个抓取注释（1 181 330 个唯一位置）。对于每个场景，都提供了一个渲染的RGB图像，一个分割蒙版，两个深度图像和抓取注释。

文件内容

每个可下载的 zip 文件都包含数据集的独立子部分，因此您可以像处理整个数据集一样处理 10 个演示对象。提取后，数据集的结构如下：

  • nameOfObject1：包含对象所有数据的文件夹。该名称与 ShapenetSem 数据集一致。此文件夹中的所有文件都以 * = i_nameOfObject1 为前缀，其中 i 是当前对象的场景索引（介于 0 和 4 之间）。
    • *_grasps.txt：带有 grasps 注释的文本文件。文件中的每一行都是一个抓握，写成 x;y;theta 以度为单位（根据个人理解，如有错误理解，🙏欢迎纠正。其中一行数据601.04479;540.7194;51.7276;24.0;26.8424，可以通过分号进行分割并解释每个数值的含义：x坐标：601.04479y坐标：540.7194z坐标：51.7276rx（x轴旋转角度）：24.0ry（y轴旋转角度）：26.8424这些数值描述了一个抓取姿态的位置和朝向。x、y、z坐标表示抓取位置的具体位置，而rx和ry表示抓取的旋转角度。）
    • *_mask.png：带有对象的二进制掩码（0表示背景）的PNG图像，可用于对数据执行背景增强。
    • *_perfect_depth.tiff：具有完美深度图像的float32 tiff图像。
    • *_RGB.png：使用Blender渲染的场景的PNG图像。
    • *_stereo_depth.tiff：一个float32 tiff图像，其深度来自现成的立体视觉算法。深度不确定的像素（由于立体视觉过程中的遮挡或匹配不良）的值为 -1。
  • 名称对象2
    • *_grasps.txt
    • *_mask.png
    • *_perfect_depth.tiff
    • *_RGB.png
    • *_stereo_depth.tiff
  • 名称对象3
    • *_grasps.txt
    • *_mask.png
    • *_perfect_depth.tiff
    • *_RGB.png
    • *_stereo_depth.tiff
  • ...

打开 Jacuard如下，12个文件夹

 

今天你什么色号
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
GRCNN抓取网络学习3【自制Jacquard数据集模型调优】
vor234的博客
09-01 1092
请先完成，这样有利于下面操作的理解！然后第二步是，有了自己的数据集输入到GRCNN中是三种文件，那么可以GRCNN抓取网络学习2【自制Jacquard数据集训练】！既然学会训练，那么开展下一步计划模型调优。GRCNN源码：https://github.com/skumra/robotic-grasping。
GRCNN抓取网络学习1【Jacquard数据集等效制作】
vor234的博客
08-26 2918
首先了解Jacquard数据集的参数组成通过上面的步骤可以获取自己抓取数据集，输入到GRCNN中是三种文件grasps.txtRGB.png接下来会教大家如何训练自己的GRCNN网络啦！参考文献：pybullet GGCNN数据集制作。
深度学习jacquard数据集运行一半卡死但不报错，且一运行cpu跑满cuda不动
m0_66638719的博客
02-22 282
最近学习GGCNN，自己想照着原代码敲一遍学习，学习jacquard数据集，代码照着以往的规范写，但一运行到特定位置就卡住了，并且cpu跑满cuda不动，明明以已经全部.to(device)了，求大佬指点。
GRCNN抓取网络学习2【自制Jacquard数据集训练】
vor234的博客
09-01 955
请先完成【机械臂视觉抓取从理论到实战】，这样有利于下面操作的理解！然后第二步是GRCNN抓取网络1【Jacquard数据集等效抓取集制作】，有了自己的数据集输入到GRCNN中是三种文件，接下来就是准备训练GRCNN网络啦！grasps.txtRGB.png本文帮大家根据自制Jacquard数据集训练GRCNN抓取网络，其中包含数据格式的对齐，列举了常见的几种训练方法，相信能坚持到这里的都应该试试顺利了吧！接下来会针对GRCNN调优，期待一下下吧，那就别宁色你的三连。
抓取检测数据集Cornell数据解析
热门推荐
千羽的计算机视觉与机器人
02-27 1万+
从Cornell数据集网站：http://pr.cs.cornell.edu/grasping/rect_data/data.php中，我们可以得到比较详细的数据集格式信息，但是其中关于pcd文件的说明不太详细，经过一段时间的查询，记录一下。 以pcd0100.txt为例，打开文件，第一行就是“# .PCD v.7 - Point Cloud Data file format”，说明文件采用的...
抓取的数据集
keny-大成的博客
08-27 254
机器人抓取检测算法基于多模态数据
02-26
基于深度学习的机器人抓取检测 采用康奈尔大学抓取数据集 We consider the problem of detecting robotic grasps in an RGB-D view of a scene containing objects. In this work, we apply a deep learning approach to solve this problem, which avoids time-consuming hand-design of features. This presents two main challenges. First, we need to evaluate a huge number of candidate grasps. In order to make detection fast and robust, we present a two-step cascaded system with two deep networks, where the top detections from the first are re-evaluated by the second. The first network has fewer features, is faster to run, and can effectively prune out unlikely candidate grasps. The second, with more features, is slower but has to run only on the top few detections. Second, we need to handle multimodal inputs effectively, for which we present a method that applies structured regularization on the weights based on multimodal group regularization. We show that our method improves performance on an RGBD robotic grasping dataset, and can be used to successfully execute grasps on two different robotic platforms.
抓取检测之 Convolutional multi-grasp detection using grasp path for RGBD images
千羽的计算机视觉与机器人
12-09 824
目前的平面抓取检测主要基于Jiang在2014年提出的矩形抓取表示，其最大的缺点是，无法对物体的抓取真值进行详尽的标注（或者说现有的数据集没有详尽的标注），导致两个问题： （1）无法为神经网络提供完美的真值； （2）无法准确的验证，因为一个实际可操作的预测抓取可能不满足验证标准，即IOU>0.25 & angle<30，反之亦然。 容易想到的一个解决办法是，对数据集进行像素级标注，使标注的抓取尽量贴近真值，但是这个方案难以实现，替代的，Chen提出了一个简化的方法，即本文介绍的论文
智能抓取沙箱的抓取数据集
02-06
智能抓取沙箱的抓取数据集 数据说明： 在Shadow Robot，我们是机器人抓取和操作的领导者。作为智能抓取系统开发的一部分，我们正在使用机器学习开发不同的算法。 这个第一个公共数据集的创建是为了研究使用机器学习...
机器人视觉抓取数据集Jacquard V2-代码
最新发布
02-28
机器人视觉抓取数据集Jacquard V2是一个广泛用于机器人学习和计算机视觉研究的重要资源，尤其在物体识别、抓取规划以及深度学习算法的训练中起到关键作用。这个数据集包含了大量的图像和相应的标注信息，旨在帮助...
PyPI 官网下载 | jacquard-split-0.1.2.tar.gz
02-10
资源来自pypi官网。 资源全名：jacquard-split-0.1.2.tar.gz
ggcnn_tf
03-04
注意：这是用于以下RSS 2018论文的原始代码。 它处于非常糟糕的状态，不太可能维护，因此我建议您在master分支中使用更新的PyTorch，它对用户更加友好。 生成式抓取CNN（GG-CNN） GG-CNN是一个轻量级的，完全卷积的网络，可预测输入深度图像中每个像素处对偶抓取的质量和姿势。 GG-CNN的轻量级和单遍生成特性可实现快速执行和闭环控制，从而在抓取尝试期间移动对象的动态环境中实现准确抓取。 该存储库包含以下论文中的生成式把握卷积神经网络（GG-CNN）的实现： 闭合循环以进行机器人抓取：实时，生成的抓取综合方法 （ ，（ ，于 机器人技术：科学与系统（RSS）2018 | 如果您使用本作品，请引用： @article{morrison2018closing, title={Closing the Loop for Robotic Grasping:
抓取检测数据集Cornell生成抓取检测标签.mat文件
08-09
在学习古月居课程《基于深度学习的机器人平面抓取》的过程中，针对GGCNN抓取网络，训练GGCNN需要两个文件：.mat格式的标签文件和.tiff格式的深度图，因为文件体积太大，我分成两个文件来发。 本资源是根据pcd****...
机械手抓取数据集，使用labelme标注
04-13
机械手抓取数据集，使用labelme标注
抓取位置检测数据集（VMRD）
05-28
【抓取位置检测数据集（VMRD）】是专门用于研究和开发机器人视觉抓取技术的一个重要资源。在机器学习和计算机视觉领域，这样的数据集是推动算法进步的关键因素，尤其是对于深度学习模型的训练。VMRD数据集包含了丰富...
抓取检测之ACRV Picking Benchmark（APB）数据集
千羽的计算机视觉与机器人
03-12 507
来源 J. Leitner et al., “The ACRV picking benchmark: A robotic shelf picking benchmark to foster reproducible research,” 2017 IEEE International Conference on Robotics and Automation (ICRA), Singapore, ...
机械臂论文笔记（二）【实时抓取点检测】Real-Time Grasp Detection Using Convolutional Neural Networks
CSPhD-winston的博客
12-07 4743
Real-Time Grasp Detection Using Convolutional Neural Networks Abstract— We present an accurate, real-time approach torobotic grasp detection based on convolutional neural networks.Our network performs single-stage regression to graspable bounding boxes wit
GraspNet 通用物品抓取数据集
qq_38056431的博客
03-01 8087
GraspNet 通用物品抓取数据集 GraspNet 是一个通用物品抓取的开源项目，现包含 GraspNet-1Biliion：使用平行爪进行抓取 SuctionNet-1Billion：使用吸盘进行抓取 下面就 GraspNet-1Billion 展开介绍 GraspNet-1Billion 物体抓取计算机视觉领域很具有挑战性的研究课题，也是人工智能可以直接影响现实生活的应用。目前对于简单背景、单个物体的研究精度基本达标，但对于拥挤场景研究较为缺乏。究其原因，一是训练数据不足，而是没有一个统一的评价
抓取检测论文笔记, 用于抓取的Residual Squeeze-and-Excitation Network
qq_44949041的博客
12-23 2136
论文：Residual Squeeze-and-Excitation Network with Multi-scale Spatial Pyramid Module for Fast Robotic Grasping Detection解读。用于快速机器人抓取检测的具有多尺度空间金字塔模块的剩余挤压和激励网络详细解读，基于接触点的机械臂抓取算法，RSEN、MSSPM和特征融合模块详细分析。帮助机器人抓取检测取入门小白快速梳理行业发展脉络。
抓取数据集labelme
08-11
要使用labelme来抓取数据集，首先需要安装labelme。可以使用以下命令通过pip进行安装：pip install labelme。安装完成后，打开labelme，可以使用以下命令：labelme。接下来，将收集好的照片（大小为320×320，格式为png）存放到一个文件夹中，例如F:\test。在该文件夹下再创建一个名为label的文件夹，用于存放标签文件。然后使用labelme打开数据存放的文件夹路径，进行标记。保存时选择创建的label文件夹，最终的结果就可以得到了。123 #### 引用[.reference_title] - *1* [四、采集和制作数据集](https://blog.csdn.net/qq_41264055/article/details/126918113)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}} ] [.reference_item] - *2* *3* [收藏 | 90+深度学习开源数据集整理：包括目标检测、工业缺陷、图像分割等多个方向（附下载）...](https://blog.csdn.net/Yong_Qi2015/article/details/124535517)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值