CrowdHuman ist ein umfangreicher, reich annotierter Datensatz zur Personenerkennung. Der Datensatz enthält aus dem Internet gesammelte Bilder, mit 15.000, 4.370 und 5.000 Bildern zum Trainieren, Validieren bzw. Testen. Im Vergleich zu früheren anspruchsvollen Datensätzen zur Fußgängererkennung wie CityPersons hat sich die Gesamtzahl der Bilder um mehr als das Zehnfache erhöht. Auch die Gesamtzahl der Personen im CrowdHuman-Trainingsteilsatz ist mit 340.000 Personen und 90.000 beschrifteten ignorierten Regionen deutlich größer als in anderen Datensätzen.

Der Datensatz enthält insgesamt 470.000 menschliche Instanzen aus Trainings- und Validierungsteilmengen. Jedes Bild im Datensatz enthält etwa 23 Personen mit unterschiedlichen Okklusionen. Jede menschliche Instanz ist mit einem Begrenzungsrahmen für den Kopf, einem Begrenzungsrahmen für den sichtbaren Bereich des Menschen und einem Begrenzungsrahmen für den gesamten Körper des Menschen versehen.