卡车货车、野外火灾、抽烟识别等开源数据集资源汇总

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

编辑丨极市平台

极市导读

 

本文收集了一些卡车货车、抽烟和野外火灾等开源数据集资源，均附有下载链接。 

卡车倾倒建筑垃圾

数据集下载链接：http://suo.nz/2nVNKH

用于检测卡车倾倒建筑垃圾的数据集。大多数图像是从互联网或视频中删除的。使用yolov7训练过，模型性能：map up to 0.85

工程车辆（货车/拖车）数据集

数据集下载链接：http://suo.nz/2vrAOu

这个数据集是一个极具挑战性的集合，包含从 600 多个城市和农村地区捕获和众包的 20,000 多张原始工程车辆图像，其中每张图像都由 Datacluster Labs 的计算机视觉专业人员手动审查和验证。

数据集特征 数据集大小：20,000+ 拍摄者：超过 1000 名众包贡献者 分辨率：100% 的图像为高清及以上（1920x1080 及以上） 地点：拍摄于印度 600 多个城市 多样性：各种照明条件，如白天、夜晚、不同的距离、观察点等。使用设备：2020-2022 年使用手机拍摄 用途：建筑工地物体检测、工作场所安全监控、自动驾驶系统等。可用的注释格式 COCO、YOLO、PASCAL-VOC、Tf-Record

Smoke100k

数据集下载链接：http://suo.nz/2w81aV

由于场景复杂，单幅图像中的特征信息有限，精确的烟雾检测在实践中更具挑战性。大多数以前的烟雾检测方法要么提取烟雾的纹理和时空特征，要么分离图像的烟雾和背景成分。然而，由于单个图像中的特征信息有限，这些方法往往无法检测到烟雾位置。此外，如果收集到的训练数据集的额外信息可用，则可以更好地完成烟雾检测任务。一个关键问题是如何为端到端学习构建配对烟雾图像和地面真实边界框位置的训练数据集。本文提出了一个大规模基准图像数据集来训练烟雾探测器。使用构建的数据集，

Smoke100k数据库是一个大型烟雾检测数据库，它具有几个吸引人的特性：

Smoke100k由100k合成烟雾图像、无烟图像、烟雾遮罩和边界框位置组成。

模拟不同阴燃火灾的合成烟雾图像有3个子集如下：

Smoke100k-L : samples由Low level选择的smoke masks合成，有二十种角度， Smoke100k-M : samples由Middle level选择的8种角度的smoke masks合成， Smoke100k-H : samples 由High level 中选取的 smoke mask 合成，有十五种角度。

野外火灾烟雾数据集

数据集下载链接：http://suo.nz/2DEbEk

该模型目前是根据从气象塔收集的图像进行训练的，这些图像只覆盖了一部分有火灾风险的区域

抽烟者/不抽烟者数据集

数据集下载链接：http://suo.nz/2LaoJ1

该数据集总共包含 2400 张原始图像，其中 1200 张图像属于吸烟（smokers）类别，其余 1200 张图像属于不吸烟（non-smokers）类别。通过输入多个关键字（包括吸烟、吸烟者、人、咳嗽、吸入器、打电话的人、饮用水等），通过各种搜索引擎扫描该数据集。作者试图在两个类别中考虑通用图像以创建特定的类间混淆程度，以便更好地训练模型。例如，吸烟类别由多个角度和各种手势的吸烟者图像组成。此外，非吸烟类别的图像包含非吸烟者的图像，其手势与吸烟图像略有相似，例如人们喝水、使用吸入器、拿着手机、咬指甲等。

香烟识别

数据集下载链接：http://suo.nz/2S0Elo

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。


下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。


下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。


交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~