来自不同行业领域的50多个对象检测数据集

作者|Abhishek Annamraju
编译|Flin
来源|medium

计算机视觉是一个快速发展的领域，每天都有大量的新技术和算法出现在不同的会议和期刊上。说到目标检测，理论上你会学到很多算法，比如Faster-rcnn、Mask rcnn、Yolo、SSD、Retinenet、级联rcnn、Peleenet、EfficientDet、CornerNet…。这张算法清单是永远列不完的！

通过将其应用到不同的数据集来巩固你的学习经验总是有益的！！！

这样一来，你往往会更好地理解算法，并且可以直观了解哪些算法可以在哪种数据集上运行。

我们在Monk Computer Vision Org的开源团队编制了一个对象检测，图像分割和动作识别数据集的列表，并针对每个对象创建了简短的教程，供你使用这些数据集并尝试不同的对象检测算法

下面提到的是对象检测数据集的简短列表，有关它们的简短详细信息以及使用它们的步骤。数据集来自以下领域：

★农业
★高级驾驶员辅助和自动驾驶汽车系统
★时尚，零售和营销
★野生动物
★体育
★卫星成像
★医学成像
★安全和监视
★水下成像

….. 以及更多！！！！！

完整列表可在github上找到相关的使用说明和训练代码

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/tree/master/application_model_zoo

与农业有关的数据集

A）Winegrape检测数据集

• https://github.com/thsant/wgisd

*目标：检测葡萄园中的葡萄簇

*应用：监测生长并分析产量

*详细信息：300幅图像，带有5个葡萄类别的4400个边界框

*如何利用数据集并使用YoloV3管道构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Wine Grape Instance Detection Dataset.ipynb

B）全球小麦检测数据集

• https://www.kaggle.com/c/global-wheat-detection/data

*目标：检测田间的小麦作物

*应用：监测生长并分析产量

*详细信息：带有100K +批注的3430图像

*如何利用数据集并使用EfficientDet-D4管道构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Global Wheat Detection Kaggle (Starter Code) .ipynb

先进的驾驶员辅助和自动驾驶汽车系统相关数据集

A）LISA交通标志检测数据集

• http://cvrr.ucsd.edu/LISA/lisa-traffic-sign-dataset.html

*目标：用于检测和分类行车记录仪图像中的交通标志

*应用：交通标志识别是自动驾驶的规则设置程序

*详细信息：在47种美国标志类型上的6610帧上有7855个注释

*如何利用数据集并建立自定义使用EfficientDet-D3管线的探测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/example_zoo/Example - LISA Traffic Sign Recognition (Multi-GPU).ipynb

*此存储库又多了一个数据集

• LISA车辆检测数据
  • http://cvrr.ucsd.edu/LISA/vehicledetection.html

B）低光照条件下的物体检测

• https://github.com/cs-chan/Exclusively-Dark-Image-Dataset

*目标：在低光照条件下检测道路上的物体——雾，雾霾，下雨等

*应用：这是自动驾驶汽车中的重要组成部分，因为它能够检测物体，因此在不利条件下属于更安全的车辆

*细节：在12种不同对象类型上的7500帧上的15K +注释

*如何利用数据集和使用EfficientDet-D3管道构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/example_zoo/Example - Object Detection in low lighting conditions.ipynb

C）LARA交通灯检测数据集

• http://www.lara.prd.fr/benchmarks/trafficlightsrecognition

*目标：检测交通信号灯并将其分类为红色，绿色和黄色

*应用程序：可以为道路网络交叉口的adas和自动驾驶汽车系统设置规则

*详细信息：三种交通类型的11K帧和20K +注释灯光

*如何利用数据集并建立使用Mmdet-Faster-Rcnn-fpn50管道自定义检测

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Lara Traffic Lights Detection Dataset.ipynb

D）使用红外图像进行人检测

• https://camel.ece.gatech.edu/

*目标：用于检测红外图像中的人

*应用：自动驾驶汽车配备了红外摄像头以检测恶劣条件下的物体

*详细信息：30个带有1K +注释的视频序列

*如何利用数据集并使用Mx-Rcnn管道构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - person detection in infrared images.ipynb

E）坑洼检测数据集

• https://www.kaggle.com/chitholian/annotated-potholes-dataset

*目标：从道路图像中检测坑洼

*应用：检测道路地形和坑洼可实现平稳行驶。

*详细信息： 700个在坑洼处带有3K +注释的图像

*如何利用数据集和使用M-Rcnn管道构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Pothole detection on roads.ipynb

F）Nexet车辆检测数据集

• https://www.kaggle.com/solesensei/nexet-original

*目标：检测车辆的道路图像

*应用：检测车辆是自动驾驶的主要组成部分

*详细信息：7000种图像，在6种类型的车辆上具有15K +注释

*如何利用数据集并使用Tensorflow Object Detection构建自定义检测器API

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Nexet Dataset Vehicle Detection.ipynb

G）BDD100K Adas数据集

• https://www.kaggle.com/solesensei/solesensei_bdd100k

*目标：检测道路上的物体

*应用：检测车辆，交通标志和人是自动驾驶的主要组成部分

*详细信息：100K图像，对10种类型的对象提供250K +注释

*如何利用数据集并建立自定义使用Tensorflow对象检测API的检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - BDD100K dataset with TensorRT optimization.ipynb

H）Linkopings交通标志数据集

• http://www.cvl.isy.liu.se/research/datasets/traffic-signs-dataset/

*目标：检测图像中的交通标志

*应用：检测交通标志是了解交通规则的第一步

*详细信息：3K图像，对40多种类型的交通标志提供5K +注释

**如何利用数据集并使用Mmdet-Cascade Mask-Rcnn构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Linkopings Traffic Sign Dataset.ipynb

时尚、零售和营销相关数据集

A）广告牌检测（二次采样OpenImages数据集）数据集

• https://storage.googleapis.com/openimages/web/index.html

*目标：检测图像中的广告牌

*应用程序：检测广告牌是自动分析整个城市营销活动的关键部分

*详细信息：2K图像，广告牌上带有5K +注释

*如何利用数据集并使用Retinanet构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Billboard (Hoarding detection).ipynb

B）DeepFashion2时尚元素检测数据集

• https://github.com/switchablenorms/DeepFashion2

*目标：检测图像中的时尚产品，服装和配饰

*应用程序：应用程序时尚检测有着从数据排序到推荐引擎的巨大应用

*详细信息：490K图像，带有约100个注释对象类

*如何利用数据集并建立自定义CornetNet-Lite管道检测仪

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Fashion detector on DeepFashion2 Dataset.ipynb

*另一个与时尚相关的数据集是淘宝商品数据集

• http://www.sysu-hcp.net/taobao-commodity-dataset/

C）Qmul-OpenLogo徽标检测数据集

• https://qmul-openlogo.github.io/

*目标：检测自然图像中的不同徽标

*应用：分析视频和自然场景中徽标出现的频率对营销至关重要

*详细信息：16K训练图片，包括各种品牌的标识——食品、车辆、连锁餐厅、送货服务、航空公司等

*如何利用数据集并使用mx-rcnn管道构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - logo detection.ipynb

与体育相关的数据集

A）足球检测数据集（从OpenImages数据集进行二次采样）

• https://storage.googleapis.com/openimages/web/index.html

*目标：在视频中跨帧检测足球

*应用：检测足球位置在越位等自动分析情况中至关重要

*详细信息：约3K训练图像。

*如何利用数据集并使用yolo-v3管道构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - FootBall detection.ipynb

B）扑克牌类型检测

• https://www.kaggle.com/luantm/playing-card

*目标：检测自然图像中的纸牌并分类纸牌类型

*应用：可能的应用是分析不同纸牌游戏的获胜几率

*详细信息：52种纸牌类型中500张以上的图像

*如何利用数据集并建立自定义使用mx-rcnn管道的检测器

• https://www.kaggle.com/luantm/playing-card

C）热图像中的足球运动员检测

• https://www.kaggle.com/aalborguniversity/thermal-soccer-dataset

*目标：使用热图像定位和跟踪玩家

*应用：跟踪游戏中的玩家是生成分析的关键部分

*详细信息：超过5K +注释的3K +图像。

*如何利用数据集和使用mmdet quick-rcnn管道构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Thermal Soccer - (Player Detection).ipynb

与安全和监视相关的数据集

A）CCTV交通摄像头中的MIO-TCD车辆检测

*目标：检测闭路电视摄像机中的车辆

*应用：检测闭路电视摄像机中的车辆是安全监控应用中的关键部分

*详细信息：113K图像，在5种以上类型的车辆上具有200K +注释

*如何利用数据集并使用Mmdet-Retinanet管道构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - MIO-TCD Vehicle Localization Dataset.ipynb

B）WIDER人员检测数据集

• https://wider-challenge.org/2019.html

*目标：在闭路电视和自然场景图像和视频中检测人员

*应用：基于CCTV的人员检测构成安全和监视应用程序的核心

*详细信息：10K +图像以及20K +注释可检测行人

*如何利用数据集并建立自定义使用Cornernet-Lite管道的探测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Fashion detector on DeepFashion2 Dataset.ipynb

C）防护装备-头盔和背心检测

• https://github.com/ciber-lab/pictor-ppe

*目标：检测人员的头盔和背心

*应用：这是安全合规性监视中不可或缺的一部分

*详细信息：1.5K +图像以及2K +注释可检测人员，头盔和背心

*如何利用数据集和构建自定义检测器使用Mmdet — Cascade RPN

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Protective gear - helmet and vest detection.ipynb

D）视频中的异常检测

• https://www.crcv.ucf.edu/projects/real-world/

*目标：根据视频中执行的操作对视频进行分类

*应用：实时检测异常有助于阻止犯罪

*详细信息：对应于10个异常类别的1K +视频。

*如何利用数据集和使用mmaction-tsn50管道构建自定义分类器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - UCF101 Action Recognition.ipynb

医学影像数据集

A）超声臂丛神经（BP）神经分割数据集

• https://www.kaggle.com/c/ultrasound-nerve-segmentation/data

*目标：在超声图像中分割某些神经类型

*应用：通过使用可阻塞或减轻源头疼痛的留置导管，有助于改善疼痛管理。

*详细信息： 11K +图像以及相关的实例蒙版，用于检测神经

*如何利用数据集并构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Ultrasound nerve segmentation.ipynb

B）细胞中的PanNuke癌症实例分割

• https://www.kaggle.com/andrewmvd/cancer-inst-segmentation-and-classification

*目标：在幻灯片图像中分割不同的细胞类型

*应用程序：自动分析兆字节数据中癌细胞和死细胞的存在

*详细信息：3K+图像，带有用于检测不同单元类型的关联实例掩码

*如何利用数据集和构建定制检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - PanNuke Dataset CellType Instance Segmentation.ipynb

卫星成像数据集

A）卫星图像中的道路分割

• https://www.kaggle.com/insaff/massachusetts-roads-dataset

*目标：在卫星图像中分割道路线

*应用：帮助城市规划和道路监控

*详细信息：1K +图像和相关实例遮罩可检测不同的道路区域

*如何利用数据集并构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Road segmentation on Satellite Imageset.ipynb

B）在合成生成的月球图像中的可穿越区域分割

• https://www.kaggle.com/romainpessia/artificial-lunar-rocky-landscape-dataset

*目标：分割岩石并在月球影像中找到可穿越的区域

*应用：自主漫游车路径规划中的基本元素

*详细信息：带有相关实例蒙版的10K +图像以检测不同的岩石和平坦的地面

*如何利用数据集并构建定制检测器

C）卫星影像中的汽车和游泳池检测

• https://www.kaggle.com/kbhartiya83/swimming-pool-and-car-detection

*目标：在卫星图像中检测车辆和游泳池

*应用：这是财产税估算中的关键部分

*详细信息：3.5K+图片，汽车和游泳池上有5K+注释标签

*如何利用数据集并使用cornernet lite管道构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Car and Pool Detection.ipynb

D）航空影像中的道路和居民区分割

• https://www.kaggle.com/cceekkigg/berlin-aoi-dataset

*目标：在卫星图像中分割道路和居民区

*应用：这是财产税估算中的关键部分

*详细信息：带有分割蒙版的100幅超高分辨率图像

*如何利用数据集和构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - CitySeg Dataset Road and Houses Segmentation.ipynb

*另一个类似的道路分割数据集和相关的训练代码

• 数据集：https://www.kaggle.com/srikaranand/road-segmentation-dataset
• 训练代码：https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Road Segmentation in Satellite Images - 2.ipynb

E）卫星图像中的水体分割

• https://www.kaggle.com/franciscoescobar/satellite-images-of-water-bodies

*目标：在卫星图像中分割水体

*应用：了解水体如何随时间变化和演变非常重要

-带有分割蒙版的100幅超高分辨率图像

*如何利用数据集并构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Water Body Segmentation.ipynb

*另一个此类数据集是DeepGlobe土地覆盖分类及其相关的使用准则

• 数据集：https://competitions.codalab.org/competitions/18468#participate-get_starting_kit
• 相关使用准则：https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - DeepGlobe Land Cover Classification.ipynb

野生动物相关数据集

A）老虎检测数据集（从OpenImages采样）

• https://storage.googleapis.com/openimages/web/index.html

*目标：检测自然和无人机图像中的老虎

*应用：监视濒临灭绝的物种

*详细信息：带有4k +注释的2K +图像。

*如何利用数据集和使用Cornernet-lite管道构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Tiger detection using Cornernet-Saccade (No Val Dataset).ipynb

*另外一个这样的数据集可以是猴子检测数据集及其相关的教程

• 猴子检测数据集：https://storage.googleapis.com/openimages/web/index.html
• 相关的教程：https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Monkey detection in the wild.ipynb

B）斑马和长颈鹿检测数据集

• https://lev.cs.rpi.edu/public/datasets/wild.tar.gz

*目标：检测自然和无人机图像中的斑马和长颈鹿物种

*应用：监视濒危物种

*详细信息：带有5k +注释的5K +图像。

*如何使用数据集并使用efficiencydet-d3管道构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Wildlife Localization - (Giraffes%2C Zebras%2C Impalas).ipynb

C）加州理工学院相机陷阱数据集

• https://beerys.github.io/CaltechCameraTraps/

*目标：检测陷阱照相机类型图像中的动物

*应用：监视濒临灭绝的物种

*详细信息：带有8k +注释的10K +图像。

*如何利用数据集并使用Retinanet管道构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Caltech cameratrap ECCV animal detection.ipynb

*另外一个这样的相机数据集和相关的训练代码

• 数据集：https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Cameratrap Animals Detection - 1.ipynb
• 训练代码：https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Cameratrap Animals Detection - 1.ipynb

D）大象检测数据集（从COCO数据集中采样）

• https://cocodataset.org/#download

*目标：检测自然和无人机图像中的大象种类

*应用：监视濒临灭绝的物种

*详细信息：带有5k +注释的5K +图像。

*如何利用数据集并使用mmdet-maskrcnn构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Elephant segmentation in the wild.ipynb

水下数据集

A）在野外发现海龟

• https://lev.cs.rpi.edu/public/datasets/wild.tar.gz

*目标：检测水下图像中的海龟

*应用：监视濒危物种

*详细信息：带有5k +注释的5K +图像。

*如何利用数据集并使用有效数据量构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Wildlife Localization - (Extended version with sea turtles).ipynb

*类似的数据集，可监控水下鱼类

• http://groups.inf.ed.ac.uk/f4k/GROUNDTRUTH/RECOG/

相关代码

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Underwater Fish Segmentation.ipynb

B）水下垃圾检测数据集

• https://conservancy.umn.edu/handle/11299/214366

*目标：检测海洋垃圾

*应用：监视和控制海洋垃圾问题

*详细信息：带有5k +注释的2K +图像。

*如何利用数据集并使用有效数据量构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Underwater Trash Detection.ipynb

*更复杂的基于像素的垃圾分类数据集和相关代码

• 垃圾分类数据集：https://conservancy.umn.edu/handle/11299/214865
• 相关代码：https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - SUIM Dataset Underwater Object Segmentation.ipynb

C）SUIM水下物体检测数据集

• http://irvlab.cs.umn.edu/resources/suim-dataset

*目标：分割水下物体

*应用：自主水下航行器的路径规划，跟踪潜水员和监视海洋物种

*详细信息：1.5K +图像和1.5k +注释蒙版。

*如何利用数据集并构建自定义检测器

• http://irvlab.cs.umn.edu/resources/suim-dataset

D）咸淡的水下鱼类识别数据集

• https://www.kaggle.com/aalborguniversity/brackish-dataset/data

*目标：检测水下图像中的海洋物种。

*应用程序：监视海洋物种

*详细信息：89个视频以检测鱼类，螃蟹，虾，水母，海星

*如何利用数据集并使用mmdet构建自定义检测器——Faster-rcnn管道

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Brackish Water Creatures Identification.ipynb

文本分析相关的数据集

A）文档布局检测数据集

• https://www.primaresearch.org/datasets/Layout_Analysis

*目标：检测文档布局以进行进一步分析

*应用：必不可少的将图像分割成不同的部分，以便可以进一步应用基于规则的NLP和文本识别的功能。

*详细信息：5K +图像，带有10k +批注的标签，如段落，图像，标题。

*如何利用数据集并使用mx-rcnn构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Document Layout Analysis (FasterRCNN).ipynb

*在名为IIIT-AR-13K的文档中存在用于图形组件检测的非常相似的数据集，这是如何利用数据集并在其上训练模型的方法

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Graphical figures detection in documents.ipynb

B）总文字数据集

• https://github.com/cs-chan/Total-Text-Dataset

*目标：在自然场景中定位文本

*应用程序：使用OCR识别的基本组件

*详细信息：带有5K +多边形注释的1.5K +图像

*如何利用数据集和使用Text-Snake管道构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Text Localization over Total-Text Dataset.ipynb

C）YY-Mnist简单OCR数据集

*目标：在白色背景图像中定位数字并将其分类

*应用程序：使用OCR识别的基本组件

*详细信息：超过10类的具有2K +批注的1K图像

*如何利用数据集并使用Retinanet管道构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - OCR over YYMnist Dataset.ipynb

其他数据集

A）TACO垃圾检测数据集

• http://tacodataset.org/

*目标–定位和分割图像中的各种垃圾

*应用程序：试图解决公共场所垃圾问题的自动机器人的关键组件

*详细信息：包含20种以上不同类别垃圾对象的15K +注释的10K图像

*如何利用数据集并使用Retinanet管道构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Trash (Waste) Detection.ipynb

B）室内场景通用物体检测数据集

• https://storage.googleapis.com/openimages/web/index.html

*目标：定位和检测图像中的室内对象

*应用程序：在带有便利设施的房地产和租赁网站中为图像自动标记

*详细信息：超过10种不同类别的室内对象（例如电器，床，窗帘，椅子等)

*如何利用数据集和使用Retinanet管道构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Indoor Image Object Detection and Tagging.ipynb

C）EgoHands手部分割数据集

• http://vision.soic.indiana.edu/projects/egohands/

*目标：在自然场景中分割手

*应用：理解手势的第一步，以及在人机交互，手语识别中的应用

*详细信息：4.8K +图像和相应的手罩。

*如何利用数据集和使用Retinanet管道构建自定义检测器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Hand segmentation (Ego-Hands Dataset).ipynb

D）UCF动作识别数据集

• https://www.crcv.ucf.edu/data/UCF101.php

*目标：根据视频中执行的操作对视频进行分类

*应用：标记视频对于存储和检索大量视频很重要

*详细信息：对应于101种动作类别的1K +视频。

*如何利用数据集和使用mmaction-tsn50管道构建自定义分类器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - UCF101 Action Recognition.ipynb

E）油罐数据集

• https://www.kaggle.com/towardsentropy/oil-storage-tanks

*目标：在卫星图像中检测油罐

*应用：跟踪油罐

*详细信息：具有10K +注释的10K +图像。

*如何利用数据集并使用Retinanet管道构建自定义分类器

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - Oil Tanks Detection in Satellite Imagery.ipynb

其他动作识别数据集

A）楼梯动作识别数据集以及如何在其上训练模型

• 数据集：https://actions.stair.center/videos.html

• 训练模型：https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - STAIRS Action Recognition Dataset.ipynb

B）A2D动作识别数据集以及如何在其上训练模型

• 数据集：http://web.eecs.umich.edu/~jjcorso/r/a2d/

• 训练模型：https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - A2D Action Recognition Dataset.ipynb

C）KTH动作识别数据集以及如何在其上训练模型

• 数据集：https://www.csc.kth.se/cvap/actions/

• 训练模型：https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/application_model_zoo/Example - KTH Action Recognition Dataset.ipynb

附录

有关教程的更多详细信息，请访问我们的Github页面

• https://github.com/Tessellate-Imaging/Monk_Object_Detection

原文链接：https://medium.com/towards-artificial-intelligence/50-object-detection-datasets-from-different-industry-domains-1a53342ae13d

欢迎关注磐创AI博客站：
http://panchuang.net/

sklearn机器学习中文官方文档：
http://sklearn123.com/

欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/