[Résumé Des Ensembles De Données De Segmentation D'images] Byte a Publié COCONut, Sélectionné Pour CVPR 2024, Découvrez Segment Anything Maintenant !
Avec le développement continu de la technologie de vision par ordinateur, la segmentation d’images a montré une valeur d’application importante dans de nombreux domaines. Ces dernières années, divers ensembles de données de segmentation d’images ont poussé comme des champignons après la pluie. mois dernier,ByteDance a publié le premier ensemble de données de segmentation d'images panoramiques à grande échelle « COCONut ».Cela a injecté du sang neuf dans la recherche dans ce domaine.
Cette semaine, HyperAI a compilé et analysé 10 ensembles de données de segmentation d’images de haute qualité pour mieux promouvoir les progrès de la recherche connexe.
De plus, le projet populaire « Segment Anything » sur GitHub est également disponible dans la section « Tutoriel » du site officiel d'hyper.ai ! Venez découvrir le monde de la segmentation d'images !
Exécutez en ligne : https://go.hyper.ai/4GUjy
1.Ensemble de données de segmentation d'images à grande échelle COCONut
Agence d'édition :ByteDance
Heure de sortie :2024
Taille estimée :2,27 Go
Adresse de téléchargement :https://go.hyper.ai/D1XHs
COCONut est le premier ensemble de données de segmentation d'images panoramiques annotées manuellement à grande échelle publié par ByteDance, contenant environ 383 000 images et 5,18 millions de masques de segmentation panoramiques annotés manuellement. Cette réalisation a été sélectionnée pour le CVPR 2024.
2.Ensemble de données de segmentation panoptique des pièces panoptiques Pascal
Agence d'édition :Université de technologie d'Eindhoven
Heure de sortie :2021
Taille estimée :157,78 Mo
Adresse de téléchargement :https://go.hyper.ai/KD9NU
L'ensemble de données se compose d'annotations provenant de la tâche de segmentation panoptique prenant en compte les parties sur l'ensemble de données PASCAL VOC 2010. Les résultats connexes ont été sélectionnés pour CVPR 2021.
3.Ensemble de données de segmentation d'images de petits échantillons PASCAL-5i
Agence d'édition :Institut de technologie de Géorgie
Heure de sortie :2020
Taille estimée :112,42 Mo
Adresse de téléchargement :https://go.hyper.ai/oNGRX
PASCAL-5i est un ensemble de données permettant d'évaluer la segmentation d'images en quelques prises. L'ensemble de données est subdivisé en 4 parties, chaque partie contient 5 catégories, totalisant 20 catégories.
4.Ensemble de données de segmentation d'images SUN09
Agence d'édition :Institut de technologie du Massachusetts
Heure de sortie :2010
Taille estimée :8,15 Go
Adresse de téléchargement :https://go.hyper.ai/PWjWo
L'ensemble de données SUN09 comprend 12 000 images annotées couvrant plus de 200 catégories d'objets. L'ensemble de données contient des images naturelles, intérieures et extérieures. Chaque image contient en moyenne 7 objets annotés différents, et la surface moyenne occupée par chaque objet est de 5 % de la taille de l'image. Cet ensemble de données a été publié dans IEEE CVPR 2010.
5.Ensemble de données de segmentation d'images PASCAL VOC 2011
Agence d'édition :Université de Leeds
Heure de sortie :2011
Taille estimée :1,7 Go
Adresse de téléchargement :https://go.hyper.ai/bXb4O
PASCAL VOC 2011 est un ensemble de données de segmentation d'images. L'ensemble d'entraînement contient 2 223 images et 5 034 objets cibles ; L'ensemble de test contient 1 111 images et 2 028 objets cibles. Au total, plus de 5 000 objets segmentés avec précision sont utilisés pour la formation.
6.Ensemble de données de segmentation d'images basé sur la langue PhraseCut
Agence d'édition :Université du Massachusetts à Amherst
Heure de sortie :2020
Adresse de téléchargement :https://go.hyper.ai/bvzRm
L'ensemble de données PhraseCut contient 77 262 images et 345 486 paires phrase-région. L'ensemble de données est collecté à partir de l'ensemble de données Visual Genome et utilise les annotations existantes pour générer un ensemble de phrases de référence difficiles, et les régions correspondantes de ces phrases sont annotées manuellement.
7.Ensemble de données de séparation d'images 3D MPI3D
Agence d'édition :Institut Max Planck pour les systèmes intelligents
Heure de sortie :2019
Adresse de téléchargement :https://go.hyper.ai/JfmOO
MPI signifie Moldflow Plastic Insight, qui se compose de plus d'un million d'images d'objets physiques 3D. Il y a sept variables dans une image, telles que la couleur, la forme, la taille et la position des objets. Cet ensemble de données peut être utilisé pour tester des algorithmes d’apprentissage de représentation dans des environnements simulés et réels. Les résultats connexes ont été sélectionnés pour NeurIPS 2019.
8.Ensemble de données de segmentation d'instance CryoNuSeg
Agence d'édition :Université de médecine de Vienne
Heure de sortie :2023
Taille estimée :160 Mo
Adresse de téléchargement :https://go.hyper.ai/Ybpbg
CryoNuSeg est un ensemble de données pour la segmentation d'instances nucléaires dans des images de tissus colorés H&E en coupe congelée. L'ensemble de données contient des images de 10 organes humains d'une taille fixe de 512 × 512 pixels et fournit 3 annotations manuelles pour permettre la mesure de la variabilité intra et inter-observateur.
9.Ensemble de données de segmentation d'instance TrashCan
Agence d'édition :Conservatoire numérique universitaire
Heure de sortie :2020
Taille estimée :18,3 Go
Adresse de téléchargement :https://go.hyper.ai/dxw78
TrashCan est un ensemble de données de segmentation d'instances de déchets sous-marins, composé de 7 212 images annotées, enregistrant les activités de divers déchets sous-marins, de submersibles sans pilote et de la flore et de la faune des fonds marins. L'annotation de cet ensemble de données adopte le format d'annotation de segmentation d'instance et ses images proviennent de l'ensemble de données J-EDI.
10.Ensemble de données de segmentation d'images de petits échantillons FSS-1000
Agence d'édition :L'Université des sciences et technologies de Hong Kong
Heure de sortie :2019
Taille estimée :7,56 Go
Adresse de téléchargement :https://go.hyper.ai/eTDiv
FSS-1000 est un ensemble de données de segmentation à quelques coups contenant 1 000 classes. Cet ensemble de données explore la tâche de formation d'un modèle pour compléter la reconnaissance d'image en utilisant seulement 5 images annotées manuellement. L'ensemble de données contient un grand nombre d'objets qui ne sont jamais apparus ou n'ont jamais été annotés dans les ensembles de données précédents, tels que des objets du quotidien, des produits de base, des personnages de dessins animés, des logos, etc.
Tutoriel SegmentAnything
Segment Anything Model (SAM) est un modèle de vision artificielle qui peut générer une segmentation d'image de haute qualité en fonction d'invites d'entrée telles que des points ou des cases, et peut être utilisé pour générer des masques correspondants pour tous les objets d'une image. Formé sur un ensemble de données de 11 millions d'images et de 1,1 milliard de masques, le modèle atteint de solides performances de zéro coup sur une variété de tâches de segmentation, permettant une véritable segmentation de tout.
Exécutez en ligne : https://go.hyper.ai/D1XHs
Les 10 ensembles de données de segmentation et de classification d'images ci-dessus sont compilés par HyperAI. Si vous avez des ressources que vous souhaitez inclure sur le site officiel hyper.ai, n'hésitez pas à laisser un message ou à soumettre votre contribution pour nous le faire savoir !
À propos d'HyperAI
HyperAI (hyper.ai) est une communauté leader en matière d'intelligence artificielle et de calcul haute performance en Chine.Nous nous engageons à devenir l'infrastructure dans le domaine de la science des données en Chine et à fournir des ressources publiques riches et de haute qualité aux développeurs nationaux. Jusqu'à présent, nous avons :
* Fournir des nœuds de téléchargement accélérés nationaux pour plus de 1 200 ensembles de données publiques
* Comprend plus de 300 tutoriels en ligne classiques et populaires
* Interprétation de plus de 100 cas d'articles AI4Science
* Prise en charge de plus de 500 termes de recherche associés
* Hébergement de la première documentation complète d'Apache TVM en Chine
Visitez le site Web officiel pour commencer votre parcours d'apprentissage :