x光肺部分割数据集_一个超小型分割检测数据集

深度学习的典型任务一般认为是分类，检测和分割。

CNN的复兴可以说就是从图像分类开始，imagenet的出现极大推动了这一领域的进步。在这之前，cifar10和mnist也对这个领域的发展起到了极大的推动作用，时至今日，cifar10和mnist也依然不过时，cifar10依旧是一个中等难度的数据集，很多网络在cifar10上的performance已经足以说明该网络的优异了，当年在imagenet上达到sota的resnet同样在cifar10上同样也能达到sota。mnist的作用也一直重要，它是很多人入门深度学习的基础数据集，它的数据集很小，很方便下载存储，几乎可以即下即用，它的训练和收敛速度也非常快，基本全数据集上一个epoch就能达到90%以上的精确率，它的存在还有其他意义 ，如果你实现了一个新的网络结构或者损失函数，在它上面测试一次能帮你很快的定位到bug，一些开发工作，比如量化训练，分布式训练都可以拿它调试bug。

好了，这些数据集都是分类用的，另外两类任务，目前没有特别通用的小型的数据集，对于检测任务，voc，kitti数据集是比较常用的数据集，但是它们都很大，通常达数G甚至数十G，下载缓慢，存储代价高，运行时需要性能极高的机器，不适合用来教学和debug，一些很小的细节也抬高了初学者使用的门槛，就比如voc的数据组织和数据结构，如果没有人带路也不太容易明白。

我在kaggle上搜索了一圈，发现了一个小的分割数据集，名为m2nist，它是mnist的升级版，每张图像包含多余一个数字࿰