CrowdHuman est un ensemble de données de détection humaine à grande échelle et richement annoté. L'ensemble de données contient des images collectées sur Internet, avec respectivement 15 000, 4 370 et 5 000 images destinées à la formation, à la validation et aux tests. Par rapport aux précédents ensembles de données de détection de piétons difficiles tels que CityPersons, le nombre total d'images a été multiplié par plus de 10. Dans le sous-ensemble de formation CrowdHuman, le nombre total de personnes est également significativement plus élevé que dans les autres ensembles de données, avec 340 000 personnes et 90 000 régions ignorées étiquetées.

L'ensemble de données contient un total de 470 000 instances humaines issues de sous-ensembles de formation et de validation. Chaque image de l’ensemble de données contient environ 23 personnes avec diverses occlusions. Chaque instance humaine est annotée avec une boîte englobante de la tête, une boîte englobante de la région visible humaine et une boîte englobante du corps humain entier.