Eine Sammlung Von Datensätzen Zur Zielerkennung Durch Fernerkundung, Die Städtische Probleme, Arbeitssicherheit, Landwirtschaftliche Gesundheit, Innenszenarien usw. abdecken.
Durch die tiefe Integration von künstlicher Intelligenz und Fernerkundungstechnologie entwickelt sich die Fernerkundungszielerkennung zu einer der dynamischsten Forschungsrichtungen im Bereich der Computervision.Insbesondere mithilfe von Satellitenbildern und Drohnenaufnahmen kann die Objekterkennungstechnologie nicht nur Personen, Fahrzeuge und Gebäude in natürlichen Szenen identifizieren, sondern auch Erdrutsche und Ernten in komplexen geografischen Umgebungen präzise erkennen. Man kann sagen, dass die Objekterkennung uns ein „Maschinenauge“ verleiht, das in die Welt sehen kann und der Menschheit erstmals eine umfassende und detaillierte Beobachtung der Erde nahezu in Echtzeit ermöglicht.
Was die Hardware betrifft, nähert sich die Sensorauflösung von Drohnen und Fernerkundungssatelliten der physikalischen Grenze, doch die Gewinnung wertvoller Zielinformationen aus riesigen und komplexen Datenmengen hängt zunehmend von einer effizienten Algorithmusoptimierung ab.Fernerkundungsbilder weisen häufig Merkmale wie große Auflösungsunterschiede, dramatische Änderungen im Zielmaßstab und komplexe Hintergründe auf. Dies bedeutet, dass die Qualität der Daten direkt bestimmt, ob das Zielerkennungsmodell von der „Identifizierung von Anwesenheit oder Abwesenheit“ zur „präzisen Positionierung und Klassifizierung mehrerer Kategorien“ übergehen kann.
Der Aufbau von Datensätzen ist der Kern der Förderung der praktischen Anwendung der Zielerkennung. Im Vergleich zu natürlichen Szenendaten,Datensätze zur Fernerkundung und Zielerkennung zeichnen sich durch eine große Abdeckung und eine starke räumlich-zeitliche Dynamik aus und ermöglichen die Erfassung umfangreicher geografischer Informationen mit hoher Auflösung in kurzer Zeit.Ein wissenschaftlicher Datenerfassungsprozess muss den regionalen Umfang und das Zeitfenster rational planen und die Aufteilung der Trainingssätze, Validierungssätze und Testsätze streng kontrollieren, um sicherzustellen, dass das Modell über ausreichende Generalisierungsfähigkeiten verfügt.
Generell nimmt das Interesse der Gesellschaft an hochwertigen Datensätzen zur Objekterkennung und Fernerkundung ständig zu. Zu diesem Zweck hat HyperAI eine Reihe von Datensätzen zusammengestellt, die derzeit in Wissenschaft und Industrie beliebt sind.Es deckt mehrere Bereiche ab, darunter medizinische Bildgebung, städtische Probleme, Innenaufnahmen, landwirtschaftliche Krankheiten, Arbeitssicherheit usw.Diese Datensätze sind nicht nur wichtige Werkzeuge für Forscher und Ingenieure, sondern auch leistungsstarke Motoren, um die Technologie in Richtung praktischer Anwendung voranzutreiben.
Klicken Sie hier, um weitere Open-Source-Datensätze anzuzeigen:
Zusammenfassung der Fernerkundungsdaten zur Zielerkennung
1. InteriorGS 3D-Innenraum-Szenen-Datensatz
Geschätzte Größe:19,84 GB
Downloadadresse:https://go.hyper.ai/eyG9q
InteriorGS ist ein 3D-Datensatz für Innenraumszenen, der die Einschränkungen bestehender Datensätze für Innenraumszenen hinsichtlich geometrischer Vollständigkeit, semantischer Annotation und räumlicher Interaktionsmöglichkeiten überwinden soll.
Dieser Datensatz bietet hochwertige 3D-Gaußsche Streuung (3DGS) sowie semantische Begrenzungsrahmen auf Instanzebene und Belegungskarten, die die für Agenten zugänglichen Bereiche anzeigen. Der Datensatz umfasst 1.000 hochwertige Innenaufnahmen und die dazugehörigen Grundrisse und deckt über 80 Umgebungstypen ab, darunter Wohnhäuser, Lebensmittelgeschäfte, Hochzeitssäle und Museen. Darüber hinaus enthält er über 554.000 Objektinstanzen aus 755 Objektkategorien.
2. Landslide4Sense Benchmark zur Fernerkundung von Erdrutschen
Geschätzte Größe:2,84 GB
Downloadadresse:https://go.hyper.ai/mIdeN
Landslide4Sense ist ein aus mehreren Quellen stammender Benchmark-Datensatz zur Satellitenfernerkundung für die Erdrutscherkennung, der 2022 von der IARAI veröffentlicht wurde und als offizieller Datensatz für den Landslide4Sense-Wettbewerb dient.
Dieser Datensatz umfasst Erdrutschszenen aus verschiedenen Regionen von 2015 bis 2021. Der Datensatz ist in 128×128 Bildblöcke mit einer Auflösung von ca. 10 m/Pixel unterteilt, wobei jede Probe 14 Bänder enthält. Die Daten sind in Trainings-, Validierungs- und Testsätze mit jeweils 3.799, 245 und 800 Proben unterteilt. Die Daten enthalten außerdem binäre Masken auf Pixelebene (Erdrutsch = 1, Nicht-Erdrutsch = 0). Nur der Trainingssatz verfügt über öffentlich zugängliche Beschriftungen; die Validierungs- und Testsätze werden zur Bewertung der Rangfolge verwendet.
3. VisDrone-Drohnenerkennungsdatensatz
Geschätzte Größe:2,1 GB
Downloadadresse:https://go.hyper.ai/Odzam
VisDrone ist ein umfangreicher Benchmark-Datensatz zur visuellen Zielerkennung und -verfolgung von Drohnen, der vom AISKYEYE-Team der Universität Tianjin veröffentlicht wurde. Er soll die Entwicklung und Bewertung von Computer Vision-Aufgaben wie Zielerkennung, Objektverfolgung und Bildsegmentierung unterstützen.
Dieser Datensatz enthält hochauflösende Bilder und Videos, die von Drohnen in städtischen und vorstädtischen Umgebungen verschiedener Städte Chinas aufgenommen wurden und sechs Kategorien (z. B. Menschen, Fahrzeuge, Gebäude, Tiere usw.) abdecken. Die Daten wurden unter verschiedenen Lichtverhältnissen, Winkeln und Bewegungsmustern erfasst und bieten detaillierte Bilddaten und Beschriftungen im YOLO-Format.
4. Pflanzenkrankheiten-Datensatz
Geschätzte Größe:1,99 GB
Downloadadresse:https://go.hyper.ai/exltg
„Crops Disease“ ist ein Bilddatensatz zu landwirtschaftlichen Pflanzenkrankheiten, der bei der Entwicklung von Computervision-Modellen zur automatischen Erkennung und Klassifizierung von Krankheiten verschiedener Nutzpflanzen helfen soll.
Der Datensatz enthält etwa 1.300 Bilder von Pflanzenkrankheiten, die häufige Krankheiten verschiedener Nutzpflanzen (wie Mais, Tomaten, Kartoffeln usw.) abdecken, und jedes Bild ist als eine bestimmte Krankheitskategorie gekennzeichnet.
5. Erkennung von Sicherheitswesten
Datensatz zur Erkennung von Sicherheitswesten
Geschätzte Größe:408,58 MB
Downloadadresse:https://go.hyper.ai/ahI1u
Safety Vests Detection ist ein Datensatz zur Erkennung von Sicherheitswesten, der zum Benchmarking neuer Architekturen zur Objekterkennung (YOLOv8, Faster-RCNN, SSD usw.), zum Transferlernen verwandter Aufgaben zur Erkennung persönlicher Schutzausrüstung (PSA) (Helme, Handschuhe, Schutzbrillen) und zur Prototypenentwicklung von Sicherheitsmonitoren im Edge-Bereich entwickelt wurde. Er hilft bei der Entwicklung und Schulung von Modellen zur automatischen Identifizierung und Erkennung von Personen mit Sicherheitswesten und verbessert so die Sicherheit am Arbeitsplatz.
Der Datensatz umfasst 3.897 hochauflösende Fotos (die Arbeiter mit und ohne Sicherheitswesten zeigen), Anmerkungen zu Begrenzungsrahmen (Sicherheitsweste und keine Sicherheitsweste) und Bildkontext (Arbeitsplätze im Innenbereich, Baustellen im Außenbereich, unterschiedliche Lichtverhältnisse, Verdeckungen und mehrere Blickwinkel).
6. HBFMID-Datensatz menschlicher Frakturenbilder
Downloadadresse:https://go.hyper.ai/p7As2
Bei diesem Datensatz handelt es sich um einen medizinischen Bilddatensatz, der 2024 von der American International University Bangladesh veröffentlicht wurde und Aufgaben zur Frakturerkennung und -klassifizierung unterstützen soll.
Der Datensatz enthält Röntgen- und MRT-Bilder von Ellenbogen, Fingern, Unterarm, Oberarmknochen, Schulter, Oberschenkelknochen, Schienbein, Knie, Hüfte, Handgelenk, Wirbelsäule und ausgewählten gesunden Knochen. Der Datensatz umfasste zunächst 641 Originalbilder, aufgeteilt in einen Trainingssatz mit 449, einen Validierungssatz mit 128 und einen Testsatz mit 64 Bildern. Alle Bilder wurden automatisch ausgerichtet, skaliert (640×640) und kontrastverstärkt. Basierend auf dem Trainingssatz wurden Optimierungsmethoden wie Spiegeln, Drehen, Skalieren, Scheren sowie Helligkeits- und Sättigungsänderungen angewendet, um etwa 1.347 erweiterte Beispiele zu generieren. Der endgültige Datensatz enthält 1.539 Bilder.
7. Urban Issues Urban Issues Bilddatensatz
Downloadadresse:https://go.hyper.ai/VqriU
Urban Issues ist ein öffentlicher Bildklassifizierungsdatensatz, der automatisierten und maschinellen Bildverarbeitungssystemen dabei helfen soll, öffentliche Infrastruktur- und Umweltprobleme in städtischen Umgebungen zu identifizieren. Der Datensatz umfasst zehn Kategorien, darunter beschädigte Straßen, Schlaglöcher und illegales Parken.
Die Bilder in diesem Datensatz werden nach Kategorien gespeichert und im YOLO-Format kommentiert und organisiert. Sie eignen sich zum Trainieren und Evaluieren von Bildklassifizierungs- und Objekterkennungsmodellen und sind besonders wertvoll für die Überwachung der Smart-City-Infrastruktur, die Instandhaltung der öffentlichen Umwelt, die Erkennung des Straßenzustands und Anwendungen in der Stadtverwaltung.
8. Neue Pflanzenkrankheiten Bilddatensatz zu Pflanzenkrankheiten
Downloadadresse:https://go.hyper.ai/C0DhD
„New Plant Diseases“ ist ein 2018 veröffentlichter Bilddatensatz zur Identifizierung von Pflanzenkrankheiten und zur Blattklassifizierungsforschung.
Dieser Datensatz enthält rund 87.000 RGB-Bilder, die in 38 Kategorien kategorisiert sind und sowohl gesunde Blätter als auch verschiedene Krankheitstypen abdecken. Die Bilder sind nach Kategorien in einem Trainingssatz (80%) und einem Validierungssatz (20%) organisiert. Ein Testsatz mit 33 Bildern steht zur Bewertung der Modellleistung zur Verfügung. Dieser Datensatz eignet sich vielseitig für die Entwicklung und Bewertung von Machine-Learning- und Deep-Learning-Modellen, insbesondere in der Pflanzengesundheitsüberwachung, Krankheitserkennung, Präzisionslandwirtschaftsmodellen und der akademischen Forschung, und bietet einen wertvollen Benchmark.
Oben finden Sie eine Zusammenfassung der empfohlenen Datensätze in dieser Ausgabe. Laden Sie sie mit einem Klick herunter~
Über HyperAI
HyperAI (hyper.ai) ist eine führende Community für künstliche Intelligenz und Hochleistungsrechnen in China.Wir haben uns zum Ziel gesetzt, die Infrastruktur im Bereich der Datenwissenschaft in China zu werden und inländischen Entwicklern umfangreiche und qualitativ hochwertige öffentliche Ressourcen bereitzustellen. Bisher haben wir:
* Bereitstellung von inländischen beschleunigten Download-Knoten für über 1200 öffentliche Datensätze
* Enthält über 300 klassische und beliebte Online-Tutorials
* Interpretation von über 200 AI4Science-Papierfällen
* Unterstützt die Suche nach über 500 verwandten Begriffen
* Hosting der ersten vollständigen chinesischen Apache TVM-Dokumentation in China
Besuchen Sie die offizielle Website, um Ihre Lernreise zu beginnen: