开源数据集分类汇总（医学，卫星，分割，分类，人脸，农业，姿势等）

已于 2023-08-08 14:51:15 修改
阅读量2.5k 收藏 61
点赞数 7
分类专栏： 数据集整理 文章标签： 人工智能 目标检测 图像处理 数据集
于 2023-08-08 14:50:44 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/qq_45368632/article/details/132166739
版权

本文汇总了医学图像、卫星图像、语义分割、自动驾驶、图像分类、人脸、农业、打架识别等多个方向的数据集资源，均附有下载链接。

该文章仅用于学习记录，禁止商业使用！

1.医学图像

疟疾细胞图像数据集

下载链接：http://suo.nz/2VQTUt

图片

皮肤癌 MNIST：HAM10000

下载链接：http://suo.nz/33n6Xy

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。

图片

乳房组织病理学图像

下载链接：http://suo.nz/347Jt1

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 — > 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。

图片

胸部 X 光图像（肺炎）

下载链接：http://suo.nz/3aXYPg

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。

图片

白内障数据集

下载链接：http://suo.nz/2cOidH

用于白内障检测的白内障和正常眼睛图像数据集。

恶性与良性皮肤癌

下载链接：http://suo.nz/2kkvio

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)。

CT 医学图像

下载链接：http://suo.nz/2tQehH

该数据集旨在允许测试不同的方法来检查与使用对比度和患者年龄相关的 CT 图像数据的趋势。基本思想是识别与这些特征密切相关的图像纹理、统计模式和特征，并可能构建简单的工具，在这些图像被错误分类时自动对其进行分类（或查找可能是可疑情况、错误测量或校准不良机器的异常值）

图片

MedMNIST医学图像分割评估

下载链接：http://suo.nz/2Bmrmo

MedMNIST，这是 10 个预处理的医学开放数据集的集合。MedMNIST 经过标准化处理，可在轻量级 28x28 图像上执行分类任务，无需背景知识。它涵盖了医学图像分析中的主要数据模式，在数据规模（从 100 到 100,000）和任务（二元/多类、序数回归和多标签）上具有多样性。MedMNIST 可用于教育目的、快速原型设计、多模式机器学习或医学图像分析中的 AutoML。此外，MedMNIST Classification Decathlon 旨在对所有 10 个数据集上的 AutoML 算法进行基准测试

图片

多标签视网膜疾病 (MuReD) 数据集

下载链接：http://suo.nz/2ISEr5

多标签视网膜疾病（MuReD）数据集，使用从三个不同的最先进来源（即 ARIA、STARE 和 RFMiD 数据集）收集的图像，并执行一系列后处理确保图像质量的处理步骤、要分类的广泛疾病以及每个疾病标签有足够数量的样本。MuReD 数据集由 2208 张图像组成，具有 20 个不同的标签，图像质量和分辨率各不相同。同时，确保数据的最低质量，每个标签有足够数量的样本。

图片

2.语义分割

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

GID 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。

图片

DADA-seg

数据集下载地址：http://suo.nz/3bZ3qm

DADA-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。

图片

Dark Zurich

数据集下载地址：http://suo.nz/34sQlF

Dark 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。

斯坦福背景数据集

数据集下载地址：http://suo.nz/2WWDgY

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）。

图片

CIHP人体解析数据集

数据集下载地址：http://suo.nz/2ll7hi

Crowd 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。

图片

WoodScape自动驾驶鱼眼数据集

数据集下载地址：http://suo.nz/2sRklZ

WoodScape 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。

3.图像分类

FruitNet水果分类/识别数据集

下载链接：http://suo.nz/2Cfo4y

需要高质量的水果图像来解决水果分类和识别问题。要构建机器学习模型，整洁干净的数据集是基本要求。为了这个目标，我们创建了名为“FruitNet”的六种流行印度水果的数据集。该数据集包含 6 种不同类别水果的 14700 多张经过处理的格式的高质量图像。图像分为 3 个子文件夹 1) 优质水果 2) 劣质水果和 3) 混合质量水果。每个子文件夹包含 6 个水果图像，即苹果、香蕉、番石榴、酸橙、橙子和石榴。使用具有高端分辨率相机的手机来捕捉图像。这些图像是在不同的背景和不同的光照条件下拍摄的。建议的数据集可用于训练，水果分类或重组模型的测试和验证。

卫星图像分类

下载链接：http://suo.nz/2D00yp

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

intel 自然风光图像分类数据集

下载链接：http://suo.nz/2KwdmY

这是世界各地自然风光的图像数据。

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'-> 0， '森林'-> 1， '冰川'-> 2， '山'-> 3， '海'-> 4， '街道'-> 5}

建筑遗产元素图像数据集

下载链接：http://suo.nz/2RmsZl

Architectural 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。

贝壳或鹅卵石：图像分类数据集

下载链接：http://suo.nz/2YSG42

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。

板球-足球-棒球分类

数据集下载链接：http://suo.nz/33juP6

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)。

图片

花卉数据集

数据集下载地址：http://suo.nz/2fGKVt

该数据集包含 4242 张花卉图像。数据收集基于数据flicr、google images、yandex images。此数据集可用于从照片中识别植物。数据图片会分为五类：洋甘菊、郁金香、玫瑰、向日葵、蒲公英。每个种类大约有800张照片。照片分辨率不高，约为 320x240 像素。照片不会缩小到单一尺寸，它们有不同的比例。

90种动物图像数据集

数据集下载地址：http://suo.nz/2ncY0a

在这个数据集中有 90 个不同类别的 5400 张动物图像。此数据集是从 Google 图片创建的：https://images.google.com/。所有照片将按照其所属类别存放于各自的文件夹下。动物类别包括：羚羊，獾，蝙蝠，熊，蜜蜂，甲虫，野牛，公猪，蝴蝶，猫 毛虫，黑猩猩等。该数据集中的图像大小不固定，可能需要后续的处理。

图片

衣服数据集

数据集下载地址：http://suo.nz/2uJaOJ

衣服数据集总共收集了 20 种衣服的 5,000 张图像。该数据集是根据公共领域许可 (CC0) 发布的。我们使用了三种不同的方式来收集数据集：Toloka——众包平台；社交媒体上的网络众包计划；Tagias——一家专门从事数据收集的公司。标签是使用 IPython 小部件手动完成的，同时我们使用简单的神经网络纠正了标签错误。

数据集包含 20 个类，包括T 恤（1011 件），长袖（699 件），裤子（692 件），鞋子（431 件）衬衫（378 件），连衣裙（357 件），外套（312 件），短裤（308 件），帽子（171 件），裙子（155 件），西装外套（109 件）等。

商标数据集

数据集下载地址：http://suo.nz/2CfnTq

在这项工作中，我们构建了一个大规模的 logo 数据集 Logo-2K+，它涵盖了来自真实世界 logo 图像的各种 logo 类别。我们生成的徽标数据集包含 167,140 张图像，具有 10 个根类别和 2,341 个类别。

图片

食物图像数据集

数据集下载地址：http://suo.nz/2D00oT

该数据集包含完整 food-101 数据的许多不同子集。为了给图像分析制作一个比 CIFAR10 或 MNIST 更简单的训练集，该数据包括图像的大规模缩小版本，以实现快速测试。数据已被重新格式化为 HDF5，特别是 Keras HDF5Matrix，这样可以轻松读取它们。

图片

4.垃圾分类、水下垃圾/口罩垃圾/烟头垃圾检测

AquaTrash垃圾识别数据集

数据集下载链接：http://suo.nz/2CdMGi

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)}

图片

口罩垃圾检测

数据集下载链接：http://suo.nz/2CYpbL

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。

数据集大小：7000+ 捕获者：超过 1200 多个众包贡献者 分辨率：99% 图像高清及以上（1920x1080 及以上） 地点：拍摄于印度 900 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：2020-2021 年使用手机拍摄 用途：口罩检测、口罩隔离、垃圾口罩检测等

图片

烟头垃圾数据集

数据集下载链接：http://suo.nz/2KuC0k

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。

图片

水下垃圾检测数据集

数据集下载链接：http://suo.nz/2RkRCH

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。

图片

垃圾分类数据集

数据集下载链接：http://suo.nz/2YR4Ho

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。

Kaggle 垃圾分类图片数据集

数据集下载链接：http://suo.nz/36mRLb

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）

图片

生活垃圾数据集

数据集下载链接：http://suo.nz/3dT4PS

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。

图片

垃圾溢出数据集

数据集下载链接：http://suo.nz/2fJocH

图片

SpotGarbage垃圾识别数据集

数据集下载链接：http://suo.nz/2nfBho

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。

图片

5.目标跟踪

Temple Color 128

数据集下载链接：http://suo.nz/2dKEEL

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）

图片

NfS高帧率视频数据集

数据集下载链接：http://suo.nz/34o8df

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。

VOT2020

数据集下载链接：http://suo.nz/2W7iD5

PathTrack 数据集

数据集下载链接：http://suo.nz/2OFhXy

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。

图片

ALOV300++跟踪数据集

数据集下载链接：http://suo.nz/2dKDTl

ALOV++，Amsterdam Library of Ordinary Videos for tracking 是一个物体追踪视频数据，旨在对不同的光线、通透度、泛着条件、背景杂乱程度、焦距下的相似物体的追踪。

图片

6.口罩识别检测

SF-MASK

数据集下载链接：http://suo.nz/2E6ADA

从监控录像中对有面具和无面具的人脸进行分类是最困难的任务之一，数据集SF-MASK来解决这些问题，该数据集适用于小尺寸人脸、部分隐藏的人脸、各种人脸方向和各种面具类型等。SF-MASK是通过收集已经发布的面具相关数据集而构建的。同时，通过分析现有数据集中缺失的数据和补充缺失的数据，使其更加完整。

图片

口罩检测视频数据集

数据集下载链接：http://suo.nz/2wAnAv

一个实时视频/图像数据集，其中包含在大学环境中行走的多个主题（带/不带面具）。每个带注释的帧都包含多个具有唯一标识、边界框和类/标签信息的实例（即人）。数据集和注释可用于训练、验证和测试基于深度学习和计算机视觉的口罩检测算法。以下是数据集的详细信息：视频总帧数：4357 边界框总数：21941 带遮罩的盒子 (MW)：8306 不带遮罩的盒子 (NM)：13635 图像帧：此文件夹包含 4357 个视频帧 (.png)。

口罩佩戴数据集

数据集下载链接：http://suo.nz/2p4avO

该Mask Wearing数据集是戴各种口罩的人和不戴口罩的人的物体检测数据集。这些图像最初由台湾伊甸社会福利基金会的 Cheng Hsun Teng 收集，并由 Roboflow 团队重新标记。

图片

口罩检测数据集

数据集下载链接：http://suo.nz/2ojy0l

数据集由 2 个文件夹中的 7553 张 RGB 图像组成，分别是 with_mask 和 without_mask。图像被命名为标签 with_mask 和 without_mask。戴口罩的人脸图像为3725张，不戴口罩的人脸图像为3828张。

MDMFR口罩数据集

数据集下载链接：http://suo.nz/2gNkVE

MDMFR 数据集由两个主要集合组成，1) 面罩检测和 2) 蒙面面部识别。我们的 MDMFR 数据集中有 6006 张图像。面罩检测集合包含两类人脸图像，即蒙面和未蒙面。检测数据库包含 3174 个带掩码和 2832 个不带掩码（未掩码）的图像。

RMFD口罩遮挡人脸数据集

数据集下载链接：http://suo.nz/2ojy0v

图片

7.自动驾驶

ExDark图像数据集

下载地址：http://suo.nz/2lidoI

Exclusively 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。

图片

Nexet车辆检测数据集

下载地址：http://suo.nz/2sKekn

50000张带标注的训练图片

41190张测试图片

图片来自77个国家

Udacity 自动驾驶汽车数据集

下载地址：http://suo.nz/2Agrp4

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）。本数据集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）。

图片

WoodScape

下载地址：http://suo.nz/2HMEtL

WoodScape 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。

BDD100K

下载地址：http://suo.nz/2OCU68

UCB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。

图片

Linkopings交通标志数据集

下载地址：http://suo.nz/2W97aP

超过 20,000 张图像 ，其中 20% 已标记。

包含 3488个 交通标志。

从超过 350 公里的瑞典道路上 记录的公路和城市序列。

非洲地区交通标志数据集

下载地址：http://suo.nz/2WTJGi

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。

图片

8.卫星图像

水体卫星图像的图像

数据集下载地址：http://suo.nz/2ksvWY

Sentinel-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。

图片

城市航拍图像分割数据集

数据集下载地址：http://suo.nz/2cWiSh

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。

图片

游泳池和汽车卫星图像检测

数据集下载地址：http://suo.nz/3b5ZtQ

人工月球景观数据集

数据集下载地址：http://suo.nz/33zMp9

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。

图片

马萨诸塞州道路数据集

数据集下载地址：http://suo.nz/32Pa9O

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。

图片

UC Merced Land-Use

数据集下载地址：http://suo.nz/2IXmvN

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：

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

每个图像的尺寸为 256x256 像素。

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。

图片

Indian Pines

数据集下载地址：http://suo.nz/2JHZ1g

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。

图片

KSC

数据集下载地址：http://suo.nz/2Rec5X

KSC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。

图片

Washington DC

数据集下载地址：http://suo.nz/2YJZ9K

Washington 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。

图片

BigEarthNet

数据集下载地址：https://bigearth.net/

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。

9.农业相关

DeepWeeds 杂草类型分类数据集

下载链接：http://suo.nz/2OmaTQ

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”。

图片

仙人掌航拍图片数据集

下载链接：http://suo.nz/2VSnYx

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。

农作物图像分类（小麦、水稻、甘蔗、玉米等）

下载链接：http://suo.nz/33oB1C

数据集（作物图像）包含每种农业作物（玉米、小麦、黄麻、水稻和甘蔗）的 40 多张图像数据集（kag2）包含每类作物图像的 159 多张增强图像。增强包括水平翻转、旋转、水平平移、垂直平移。

图片

5种不同的水稻图像数据集

下载链接：http://suo.nz/349aVN

  • 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。

图片

玉米叶感染数据集

下载链接：http://suo.nz/3aZ0xg

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。

图片

打架识别相关

监控摄像头下的打架检测

数据集下载链接：http://suo.nz/39IbxQ

该数据集是从包含打架实例的 Youtube 视频中收集的。此外，还包括一些来自常规监控摄像机视频的非打架序列。

  • 总共有300个视频，150个打架+150个非打架

  • 视频时长 2 秒

  • 示例中仅包含与打架相关的部分

此外，由于任务是通过监控摄像头检测打斗，因此首选没有背景运动的视频作为样本。此外，还包括各种打斗场景，例如用物体撞击、踢打、拳击、摔跤。示例中的环境也各不相同，例如咖啡馆、街道、公共汽车等。

图片

UBI-Fight异常事件检测数据集

数据集下载链接：http://suo.nz/3aoBUh

UBI-Fights 数据集是一个独特的全新大型数据集，涉及特定的异常检测并仍然在打斗场景中提供广泛的多样性，该数据集包含 80 小时的视频，在帧级别进行了完全注释。由 1000 个视频组成，其中 216 个视频包含打斗事件，784 个是正常的日常生活场景。删除所有可能干扰学习过程的不必要的视频片段（例如，视频介绍、新闻等） 。

图片

曲棍球比赛检测数据集

数据集下载链接：http://suo.nz/2ceViI

该数据集中包含 1000 个序列，分为两组：打斗和非打斗。

图片

打架识别图像数据集

数据集下载链接：http://suo.nz/2jL8np

该数据集是为“打斗探测器”项目创建的，该项目检测静止图像中的打斗，然后将打斗探测器移动到上下文中具有时间维度的下一级视频检测。打斗数据集是从视频数据集 HMDB51 数据集创建的。

图片

真实街头斗殴视频数据集

数据集下载链接：http://suo.nz/2rhiQO

该数据集包含从 youtube 视频中收集的 1000 个暴力视频和 1000 个非暴力视频，数据集中的暴力视频包含多种环境和条件下的许多真实街头斗殴情况。数据集中的非暴力视频也是从许多不同的人类行为中收集的，如运动、饮食、步行等。

图片

人脸

FePh面部表情数据集

数据集下载链接：http://suo.nz/2zIouL

手语背景下带注释的序列化面部表情数据集，其中包含从公共电视台 PHOENIX 的每日新闻和天气预报中提取的 3000 多张面部图像。与大多数当前现有的面部表情数据集不同，FePh 提供具有不同头部姿势、方向和运动的序列化半模糊面部图像。

图片

不平衡面部表情数据集

数据集下载链接：http://suo.nz/2OKM2R

图像大小保持 96x96，并使用改进后的标签。源数据集被分成两个子集——训练和测试。train.csv 和 test.csv 文件分别包含训练和测试子集的标签到文件名的映射。类别有：愤怒、蔑视、厌恶、恐惧、快乐、中性、悲伤和惊讶。

图片

FER-2013

数据集下载链接：http://suo.nz/2WgZ7y

数据由 48x48 像素的人脸灰度图像组成。人脸已自动注册，因此人脸或多或少居中，并且在每张图像中占据大致相同的空间训练集包含 28,709 个示例，公共测试集包含 3,589 个示例。

图片

FANE：面部表情和情绪数据集

数据集下载链接：http://suo.nz/2X1BD1

FANE 是一个图像数据集，用于对野外图像中的面部表情和情绪进行分类。数据集中有九个类别。总共有16,913 张图片。图像是从多个来源收集的，包括其他面部表情数据集，以及主要通过网络抓取的互联网。使用手动注释和预训练模型对图像进行标记。

图片

小鼠面部表情数据集

数据集下载链接：http://suo.nz/34xOHI

老鼠在三种情绪状态（中性、疼痛和发痒）下的面部图像。

图片

MrRoose
关注
  • 7
    点赞
  • 踩
  • 61
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
[数据集][VOC][正版]打架数据集VOC-3146张
06-09
数据集格式：Pascal VOC格式(不包含分割的txt文件，仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数)：3146 标注数量(xml文件个数)：3146 标注类别数：2 标注类别名称:["nofight","fight"] 每个类别标注的框数： nofight count = 1288 fight count = 2170 使用标注工具：labelImg 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 标注规则：对于2人明显存在打架行为且包含肢体接触为fight，否则为nofight，注意非打架行为数据集必须要标注，否则容易误检测 重要说明：此数据集经过yolov5训练验证，演示视频有部分数据集加入训练，演示视频地址为：www.bilibili.com/video/BV1PL4y1773X?vd_source=989ae2b903ea1b5acebbe2c4c4a635ee
YOLO目标检测——肺结节检测数据集【含对应voc、coco和yolo三种格式标签】
m0_64879847的博客
10-18 556
YOLO目标检测——肺结节检测数据集【含对应voc、coco和yolo三种格式标签】
医学顶刊Nature Medicine！上海交大盛斌团队提出DeepDR Plus：预测糖尿病视网膜病变进展时间的深度学习系统...
阿木寺的博客
01-10 218
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【医学影像】微信交流群扫码加入CVer学术星球，可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，以及最前沿项目和应用！发论文搞科研，强烈推荐！在CVer微信公众号后台回复：论文，即可下载论文pdf链接！快学起来！转载自：上海交大电院1月4日，上海交通大学电子信息与电气工程学院计算机科学与工程系/教育...
解锁AI技能：深度学习利用OCT图像诊断眼内视网膜疾病
qwe254927977的博客
09-03 5448
解锁AI技能：深度学习利用OCT图像诊断眼内视网膜疾病 深度学习（Deep learning，DL）是一种新型的AI机器学习技术，它使用一些机器学习技术解决现实世界的问题，通过开发神经网络，模拟人类的决策。 在过去的几年里，深度学习（Deep learning，DL）在医学中得到了广泛的应用，旨在模仿人脑中的神经元层来处理和提取信息，使计算机无需明确编程即可学习。这种技术也可用于检测疾病，包括...
YOLO目标检测数据集大全【含voc(xml)、coco(json)和yolo(txt)三种格式标签+划分脚本+训练教程】（持续更新建议收藏）
热门推荐
m0_64879847的博客
11-05 26万+
YOLO目标检测数据集大全【含voc(xml)、coco(json)和yolo(txt)三种格式标签+划分脚本+训练教程】（持续更新建议收藏）
深度学习方法在糖尿病视网膜病变诊断中的应用
lalajh的博客
09-18 2329
DR 是糖尿病 (Diabetes mellitus, DM) 的重要并发症之一, 调查显示, 其中约 1/3 的糖尿病患 者将发生 DR, 近 10% 的 DM 患者将发生威胁视力 的视网膜病变 (Vision-threatening diabetic retinopathy, VTDR),已成为全球工作人群失明人数攀升的主要原因. 由于 DR 检查量增 加, 在诊断方面出现了以下问题:1) 大量的阅片任 务, 给医生带来了极大的工作压力;2) 医生阅片速 度慢, 患者也无法得到即时的反馈;
常用的医学组织切片细胞图像数据集
new_0428的博客
10-22 1万+
乳腺癌细胞图像数据集、血细胞图像数据集、HE染色切片、疟疾细胞图像 图像识别、分类、分割
数据分类分级产品，一文详解
数据安全学习分享
05-03 6540
数据分类分级是偏数据治理领域的一项工作，专业的数据治理公司缺乏技术工具，一般是寻求安全厂商的协助，越来越多的组织机构对于数据分类分级比较关注，但是这个投入成本超乎预期，存在一定的阻力。监管机构、企业用户和专业厂商的合作探索将为这项工作指明越来越明晰的方向和步骤。
医学数据集
wuguangbin1230的博客
01-18 9885
数据集:一文道尽医学图像数据集与竞赛： https://www.cnblogs.com/yumoye/p/10512460.html https://zhuanlan.zhihu.com/p/24634505 在AI与深度学习逐渐发展成熟的趋势下，人工智能和大数据等技术开始进入了医疗领域，它们把现有的一些传统流程进行优化，大幅度提高各种流程的效率、精度、用户体验，同时也缓解了医疗资源的压力和...
90+个各种疾病相关医疗数据集
02-10 2万+
含新冠、传染病、医学图像等
水果数据集（苹果香蕉橙子三种水果）
12-15
水果数据集通常包含各种水果的图像和相关信息，用于机器学习和计算机视觉中的图像分类、目标检测和识别任务。这个数据集有以下用途： 图像分类: 水果数据集可以用于训练机器学习模型，使其能够识别和分类不同种类的水果。这有助于开发出能够自动识别水果的系统，比如识别苹果、香蕉、橙子等。 目标检测: 数据集中的图像可以用于训练目标检测模型，让计算机能够在图像中标记出水果的位置和边界框。这种技术在自动化收集、分类和质量控制中有广泛应用。 农业和食品行业: 在农业领域，水果数据集可以帮助农民或农场主识别不同种类的水果。在食品行业，它可用于品质控制和自动化的水果分类。 教育和学术研究: 水果数据集也可用于教学目的，帮助学生理解图像分类和目标检测的概念。在学术研究中，这个数据集可以用于评估和比较不同的图像处理和机器学习算法。 总的来说，水果数据集在图像识别、农业、食品行业以及机器学习研究领域有广泛的应用，可用于训练模型、解决实际问题并推动技术发展。
ag-news dataset - ag-news 数据集
最新发布
03-26
AG News数据集是一个常用的文本分类数据集，通常用于训练和评估文本分类模型。该数据集由来自AG（About Good）的新闻文章组成，涵盖了四个类别：World（世界新闻）、Sports（体育新闻）、Business（商业新闻）和Sci/Tech（科技新闻）。 AG News数据集具有以下特点： - **规模适中**：数据集包含约120,000条新闻文本，其中约30,000条用于训练，约1,900条用于测试。这使得它适合用于快速开发和评估文本分类算法。 - **类别明确**：每个样本都被明确标记为四个类别之一，使得分类任务变得简单明了。 - **真实性**：新闻来源包括真实的新闻机构，如CNN、BBC和Reuters，使得数据更具有现实意义。 - **多样性**：涵盖了多个领域的新闻，从世界新闻到科技新闻，反映了不同主题和内容的文本。 AG News数据集通常用于研究和教育目的，帮助研究人员和开发者了解和实践文本分类技术。通过使用AG News数据集，可以快速搭建和测试文本分类模型，评估其性能并进行改进。
中国城市地名及区域数据集.zip
05-12
中国城市地名及区域划分数据集 该数据集可以和中国统计年鉴或者行业数据结合使用。主要包括以下特征： City: 城市中文名称缩写 City_FullName: 城市中文全称 City_EN: 城市英文名称 Province: 省中文名 Province_EN：省英文名 Region：区域划分（西、南、东、北） Tier：城市分级（一线、新一线、二线、三线、四线、五线） 城市英文名称参考了维基百科
教育测评知识图谱的构建及其表示学习
05-06
知识图谱旨在描述现实世界中存在的实体以及实体之间的关系.自2012年谷歌提出“Google Knowledge Graph”以来，知识图谱在学术界和工业界受到广泛关注.针对教育领域中信息缺乏系统性组织的不足，本文构建了面向高中的教育测评知识图谱（Educational Assessment Knowledge Graph，EAKG），其中EAKG的构建包括基于本体技术的知识图谱模式层构建和依托于模式层结构的知识图谱数据层构建.与传统通过网页爬虫等技术手段构建的知识图谱相比，本文构建的知识图谱优点在于逻辑结构清晰，实体间关系的刻画遵循知识图谱模式层的定义.EAKG为领域内知识共享，知识推理，知识表示学习等任务提供了良好的支撑.在真实模考数据上的实验结果表明：在试卷得分预测，知识点得分预测的实体链接预测和三元组分类嵌入式表示学习任务上，引入领域本体作为模式层构建的EAKG的性能优于没有领域本体模式层单纯由数据事实构成的EAKG，实验表明，领域本体的引入对知识图谱的表示学习具有一定的指导意义.
深度学习开源数据集分类汇总
05-16
学习数据分析需要持续进行实操，但...极市平台收集整理了21个国内外经典的开源数据，包含了目标检测、图像分割、图像分类、人脸、自动驾驶、姿态估计、目标跟踪等方向。总有一个是适合你练手的数据集！赶紧收藏点赞吧！
100+深度学习开源数据集分类汇总.docx
08-15
内容概要：本文汇总了医学图像、卫星图像、语义分割、自动驾驶、图像分类、人脸、农业、打架识别等多个方向的数据集资源，均附有下载链接。废话不多说，看干货。 适用人群：需要数据集训练的相关人员；人工智能研究...
100+深度学习开源数据集分类汇总
09-13
100+深度学习开源数据集分类汇总
21个深度学习开源数据集分类汇总
04-16
深度学习的三大要素：数据、算法、算力。 数据在深度学习中占据着非常重要的地位，...极市平台收集整理了21个国内外经典的开源数据，包含了目标检测、图像分割、图像分类、人脸、自动驾驶、姿态估计、目标跟踪等方向。
深度学习开源数据集分类汇总.pdf
04-27
深度学习开源数据集分类汇总.pdf.
开源的高原动物图像分类数据集
03-31
1. Caltech-UCSD Birds-200-2011: 包含200种鸟类共约11,000张图像，每种鸟类有约50张图像。该数据集已经被广泛应用于图像分类、物体检测、图像分割等领域的研究。 2. CIFAR-10/100: CIFAR-10包含10个类别共60,000张32x32的彩色图像，每个类别有6,000张图像。CIFAR-100包含100个类别，每个类别包含600张图像。这些数据集已经成为图像分类领域的基准数据集。 3. ImageNet: ImageNet是一个庞大的图像数据库，包含超过1,000万张图像，涵盖了超过20,000种物体类别。该数据集已经成为计算机视觉领域的重要基准数据集，被广泛应用于图像分类、物体检测、图像分割等领域的研究。 4. Oxford-IIIT Pet Dataset: 包含12种不同的宠物类别共7,349张图像。该数据集已经被广泛应用于图像分类、物体检测、图像分割等领域的研究。 5. PASCAL VOC: PASCAL VOC 数据集包含20个物体类别，每个类别有训练集和测试集各4,952张图像。该数据集已经成为计算机视觉领域的重要基准数据集，被广泛应用于物体检测、图像分割等领域的研究。 6. Stanford Dogs Dataset: 包含120个不同品种的狗共20,580张图像。该数据集已经被广泛应用于图像分类、物体检测、图像分割等领域的研究。 7. Stanford Cars Dataset: 包含196个不同品牌的汽车共16,185张图像。该数据集已经被广泛应用于图像分类、物体检测、图像分割等领域的研究。 8. CUB-200-2011: 包含200种鸟类共约11,000张图像，每种鸟类有约50张图像。该数据集已经被广泛应用于图像分类、物体检测、图像分割等领域的研究。 9. Fashion-MNIST: 包含10个类别共70,000张28x28的灰度图像，该数据集被广泛应用于图像分类领域的研究。 10. MNIST: 包含10个类别共70,000张28x28的灰度图像，该数据集被广泛应用于手写数字识别的研究。

“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 1
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

打赏作者

MrRoose

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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