CCTV 交通场景语义分割数据集

实例细分

CCTV 交通场景语义分割数据集

使用案例: 自动驾驶

格式: 视频

算: 1.2k

注解: Yes

X

描述: “CCTV 交通场景语义分割数据集”为自动驾驶开发提供了独特的视角,从固定视角捕捉交通场景的复杂性。该数据集利用道路监控摄像头的高分辨率 CCTV 镜头,分辨率超过 1600 x 1200 像素,帧速率超过 7 fps,对交通中的各种元素(包括人类、动物、自行车、汽车和路障)进行详细的实例分割。它还涵盖了一系列天气条件,为训练 AI 系统从固定有利位置理解和解释各种交通场景提供了强大的数据集。

城市天空轮廓分割数据集

轮廓分割

城市天空轮廓分割数据集

使用案例: 城市天空轮廓分割数据集

格式: 图片

算: 17k

注解: Yes

X

描述: “城市天空轮廓分割数据集”是专为视觉娱乐领域打造的,包含一系列从互联网收集的图像,分辨率高达 3000 x 4000 像素。该数据集专用于轮廓分割,重点捕捉城市环境中的天空,包括建筑物和植物等元素,为各种视觉内容创作提供详细的背景。

行车记录仪交通场景语义分割数据集

语义分割

行车记录仪交通场景语义分割数据集

使用案例: 自动驾驶

格式: 图片

算: 210

注解: Yes

X

描述: “行车记录仪交通场景语义分割数据集”对于突破自动驾驶技术的界限至关重要。该数据集包含分辨率约为 1280 x 720 像素的行车记录仪图像,经过语义分割以反映城市和郊区交通环境的各种元素。它全面分类了 24 种不同的物体和场景,包括天空、人、机动车、非机动车、高速公路、人行道、斑马线、树木、建筑物等。这种详细的语义分割使自动驾驶系统能够更好地理解和解释道路的复杂性,从而增强导航和安全协议。

可驾驶区域分割数据集

语义分割、二元分割

可驾驶区域分割数据集

使用案例: 自动驾驶

格式: 图片

算: 115.3k

注解: Yes

X

描述: “可驾驶区域分割数据集”经过精心设计,旨在增强人工智能在各种驾驶环境中导航自动驾驶汽车的能力。它具有各种高分辨率图像,分辨率从 1600 x 1200 到 2592 x 1944 像素不等,可捕捉各种路面类型,如沥青、混凝土、碎石、泥土、雪和冰。该数据集对于训练人工智能模型区分可驾驶和不可驾驶区域至关重要,这是自动驾驶的一个基本方面。通过提供详细的语义和二进制分割,它旨在提高自动驾驶汽车的安全性和效率,确保它们能够适应现实世界中遇到的不同道路状况和环境。

历史数据集

历史数据集

使用案例: 地标识别,地标标记

格式: .jpg、mp4

算: 2087

注解: 没有

X

描述: 从唯一身份收集图像(1 张注册照片,每个身份 20 张历史照片)和视频(1 个室内,1 个室外)

室内物体分割数据集

实例分割,语义分割,轮廓分割

室内物体分割数据集

使用案例: 室内物体分割数据集

格式: 图片

算: 51.6k

注解: Yes

X

描述: “室内物体分割数据集”服务于广告、游戏和视觉娱乐领域,提供从 1024 × 1024 到 3024 × 4032 的高分辨率图像。该数据集包括 50 多种常见的室内物体和建筑元素,如家具和房间结构,并带有注释、语义和轮廓分割等。

厨房卫生视频数据集

边界框、标签

厨房卫生视频数据集

使用案例: 厨房卫生视频数据集

格式: 视频

算: 7k

注解: Yes

X

描述: 闭路电视摄像机图像。分辨率超过 1920 x 1080,视频每秒帧数超过 30。

地标图像数据集

地标图像数据集

使用案例: 地标识别,地标标记

格式: 。JPG

算: 34118

注解: 没有

X

描述: 环境背景下的地标图像

录音设备: 移动照相机

录音条件: - 日光 - 夜晚 - 阴天/雨

车道线分割数据集

二元分割、语义分割

车道线分割数据集

使用案例: 自动驾驶

格式: 图片

算: 135.3k

注解: Yes

X

描述: “车道线分割数据集”旨在加速自动驾驶技术的进步,特别侧重于车道检测和分割。它包括来自行车记录仪的大量图像,分为 35 个不同的类别,以涵盖各种道路标记,例如白色和黄色的各种实线和虚线。该数据集旨在提高人工智能识别车道边界的精度,这对于自动驾驶汽车的安全导航至关重要。

车道合并和分叉区域分割数据集

二元分割

车道合并和分叉区域分割数据集

使用案例: 自动驾驶

格式: 图片

算: 4.2k

注解: Yes

X

描述: “车道合并和分叉区域分割数据集”专门解决车道合并和分叉的复杂性,这是自动驾驶中的关键场景。该数据集由行车记录仪图像组成,经过二元分割注释,重点关注车道合并或分叉的区域。它包括车道合并区域、车道分叉区域(以三角形倒线标记)以及车辆、树木、路标和行人等潜在障碍物的详细标签。该数据集是训练 AI 模型以应对这些具有挑战性的道路情况的重要工具,可确保更顺畅、更安全的自动驾驶体验。

多场景、多人物语义分割数据集

轮廓分割,语义分割

多场景、多人物语义分割数据集

使用案例: 多场景、多人物语义分割

格式: 图片

算: 54k

注解: Yes

X

描述: “多场景与人物语义分割”数据集是针对视觉娱乐行业量身定制的,包含互联网收集的图像,分辨率从 1280 x 720 到 6000 x 4000。它专注于城市、自然和室内环境中的多人场景,为人物、配饰和背景提供详细注释。

户外建筑全景分割数据集

全景分割

户外建筑全景分割数据集

使用案例: 户外建筑全景分割数据集

格式: 图片

算: 1k

注解: Yes

X

描述: “户外建筑全景分割数据集”是专为视觉娱乐行业打造的,包含一系列通过互联网收集的户外图像,分辨率超过 3024 x 4032 像素。该数据集专注于全景分割,捕捉户外场景中每个可识别的实例,包括建筑、道路、人、汽车等,为详细的环境分析和创作提供全面的数据集。

户外物体语义分割数据集

边界框、关键点

户外物体语义分割数据集

使用案例: 户外物体语义分割数据集

格式: 图片

算: 7.1k

注解: Yes

X

描述: “户外物体语义分割数据集”是为媒体娱乐和机器人应用而开发的,由各种互联网收集的图像组成,分辨率从 1024 x 726 到 2358 x 1801 像素不等。该数据集使用边界框和关键点注释来分割各种户外元素,包括人体部位、自然风景、建筑结构、人行道、交通工具等。

全景场景分割数据集

语义分割

全景场景分割数据集

使用案例: 全景场景分割数据集

格式: 图片

算: 21.3k

注解: Yes

X

描述: “全景场景分割数据集”是机器人和视觉娱乐领域的综合资源,由各种从互联网收集的图像组成,分辨率从 660 x 371 到 5472 x 3648 像素不等。该数据集旨在进行语义分割,捕捉水平和垂直平面、建筑物、人物、动物和家具等各种元素,提供各种场景的整体视图。

PUBG 游戏场景分割数据集

实例分割、语义分割

PUBG 游戏场景分割数据集

使用案例: PUBG 游戏场景分割数据集

格式: 图片

算: 11.2k

注解: Yes

X

描述: “绝地求生游戏场景分割数据集”专为游戏应用而设计,包含热门游戏绝地求生的截图,分辨率为 1920 × 886、1280 × 720 和 1480 × 720 像素。它涵盖 17 个类别用于实例和语义分割,包括角色、车辆、风景和游戏内物品,为游戏开发和分析提供了丰富的资源。

道路场景语义分割数据集

语义分割

道路场景语义分割数据集

使用案例: 道路场景语义分割数据集

格式: 图片

算: 2k

注解: Yes

X

描述: “道路场景语义分割数据集”专为自动驾驶应用而设计,包含一组标准分辨率为 1920 x 1080 像素的互联网采集图像。该数据集专注于语义分割,旨在准确分割道路场景中的各种元素,例如天空、建筑物、车道线、行人等,以支持高级驾驶辅助系统 (ADAS) 和自动驾驶汽车技术的开发。

道路场景全景分割数据集

全景分割

道路场景全景分割数据集

使用案例: 道路场景全景分割数据集

格式: 图片

算: 1k

注解: Yes

X

描述: “道路场景全景分割数据集”面向视觉娱乐和自动驾驶应用,包含一系列通过互联网收集的道路场景图像,分辨率超过 1600 x 1200 像素。该数据集专门用于全景分割,标注图像中每个可识别的实例,例如车辆、道路、车道线、植被和人,为全面的道路场景分析提供详细的数据集。

天空轮廓抠图数据集

用户分类

天空轮廓抠图数据集

使用案例: 天空轮廓抠图数据集

格式: 图片

算: 20k

注解: Yes

X

描述: 我们的“天空轮廓抠图数据集”为互联网、媒体和移动行业提供精选的天空图像。该数据集包含多种天空条件,包括晴天、多云、日出、日落等,并具有像素级精细分割,可进行详细的轮廓提取,适用于各种应用。

天空分割数据集

掩模分割

天空分割数据集

使用案例: 天空分割数据集

格式: 图片

算: 73.6k

注解: Yes

X

描述: “天空分割数据集”是专为视觉娱乐行业精心打造的,其中包含手动捕获的图像,分辨率从 937 × 528 到 9961 × 3000 不等。该集合专用于白天和夜晚不同时间的天空分割,为全面的遮罩分割任务提供了动态范围的户外天空场景。

人行道分割数据集

实例分割、二元分割

人行道分割数据集

使用案例: 自动驾驶

格式: 图片

算: 87.8k

注解: Yes

X

描述: “人行道分割数据集”旨在通过准确识别和分割人行道来提高自动驾驶系统的安全性和效率。该数据集包含来自行车记录仪的图像,对于训练 AI 模型以区分可驾驶区域和行人区至关重要。通过实例和二进制分割技术对行人步行区域进行分割,它为开发能够安全行驶在城市环境中的自动驾驶汽车提供了关键资源。