Dataset:数据集集合(CV方向数据集)——常见的计算机视觉图像数据集大集合包括表面缺陷检测数据集(建议收藏,持续更新) 相关文章 CV常用数据集集合 深度学习需要数据,许许多多的数据。前文提到过的著名图像分类模型的训练都基于庞大的数据集。排名前三的训练数据集分别是: 1、CAISA-WebFacehttp://www.cbsr./english/CASIA-WebFace-Database.html 2、VGG-Facehttp://www.robots./~vgg/data/vgg_face/ 3、MS-Celeb-1Mhttps://www.microsoft.com/en-us/research/project/ms-celeb-1m-challenge-recognizing-one-millioncelebrities-real-world/ 4、MegaFacehttp://megaface.cs./ 图像分类数据集1、基础数据集MNIST数据集Dataset之MNIST:MNIST(手写数字图片识别+ubyte.gz文件)数据集简介+数据增强(将已有MNIST数据集通过移动像素上下左右的方法来扩大数据集为初始数据集的5倍) CIFAR数据集Dataset之CIFAR-10:CIFAR-10数据集简介、下载、使用方法之详细攻略 Fashion-MNIST数据集Dataset之Fashion-MNIST:Fashion-MNIST数据集简介、下载、使用方法之详细攻略 PASCAL VOC数据集Dataset之Pascal VOC:Pascal VOC(VOC 2012、VOC 2007) 数据集的简介、下载、使用方法详细攻略 ImageNet数据集Dataset之ImageNet:ImageNet数据集简介、安装、使用方法之详细攻略 WebVision数据集Dataset之WebVision:WebVision数据集简介、下载、使用方法之详细攻略 2、表面缺陷检测数据集 关于表面缺陷检测的文章,主要检测对象是:金属表面、液晶屏、建筑、输电线路等缺陷或异常检测对象。方法主要有分类方法、检测方法、重建方法和生成方法。论文的电子版本(PDF)放在“paper”文件夹中与日期对应的文件下。
1、NEU表面缺陷数据库数据集下载:http://faculty./yunhyan/NEU_surface_defect_database.html 在东北大学(NEU)表面缺陷数据库中,收集了热轧带钢6种典型的表面缺陷,即卷缩皮(RS)、斑块(Pa)、裂纹(Cr)、点蚀面(PS)、夹杂物(In)和划痕(Sc)。该数据库包括1800张灰度图像:6种不同类型的典型表面缺陷各300个样本。 2、在电激发光;图像中缺陷太阳能电池的视觉识别基准数据集下载:https://github.com/zae-bayern/elpv-dataset 提供了从高分辨率光电组件的电致发光图像中提取的太阳能电池图像数据集。 3、Kolektor表面缺陷数据集数据集下载:https://www./Downloads/KolektorSDD 该数据集是由Kolektor Group d.o.o.提供和注释的缺陷电气换向器图像构建的。具体地说,在电子换向器中嵌入的塑料表面观察到微观碎片或裂纹。每个换向器的表面积在8张不重叠的图像中被捕获。这些图像是在受控环境下拍摄的。数据集包括:
对于每个项目,缺陷只在至少一幅图像中可见,而两幅图像上有两个项目的缺陷,这意味着有52幅图像的缺陷可见。剩下的347张图片作为表面无缺陷的反面例子。 4、DeepPCB数据集数据集下载:https://github.com/Charmve/Surface-Defect-Detection/tree/master/DeepPCB DeepPCB:一个数据集包含1500对图像,每个图像由一个无缺陷的模板图像和一个对齐的测试图像组成,其中注释包括6种最常见的PCB缺陷的位置: open, short, mousebite, spur, pin hole and spurious copper。 5、天池竞赛—布匹疵点数据集数据集下载:https://tianchi.aliyun.com/markets/tianchi/guangdong2019?spm=a2c41.13245196.0.0 布匹疵点检验是纺织行业生产和质量管理的重要环节,人工智能和计算机视觉技术应用于纺织行业,其价值无疑是巨大的。本赛场聚焦布匹疵点智能检测,要求选手研究开发高效可靠的计算机视觉算法,提升布匹疵点检验的准确度,降低对大量人工的依赖,提升布样疵点质检的效果和效率。初赛阶段考察素色布瑕疵检测和分类能力,复赛阶段考察花色布的瑕疵检测和分类能力。数据描述 深入佛山南海纺织车间现场采集布匹图像,制作并发布大规模的高质量布匹疵点数据集,同时提供精细的标注来满足算法要求。其中,素色布数据约8000张,花色布数据约12000张。 6、天池竞赛—铝型材表面瑕疵数据集数据集下载:https://tianchi.aliyun.com/competition/entrance/231682/information 铝型材是佛山南海的支柱性产业。在铝型材的实际生产过程中,由于各方面因素的影响,铝型材表面会产生裂纹、起皮、划伤等瑕疵,这些瑕疵会严重影响铝型材的质量。为保证产品质量,需要人工进行肉眼目测。然而,铝型材的表面自身会含有纹路,与瑕疵的区分度不高。传统人工肉眼检查十分费力,不能及时准确的判断出表面瑕疵,质检的效率难以把控。近年来,深度学习在图像识别等领域取得了突飞猛进的成果。铝型材制造商迫切希望采用最新的AI技术来革新现有质检流程,自动完成质检任务,减少漏检发生率,提高产品的质量,使铝型材产品的生产管理者彻底摆脱了无法全面掌握产品表面质量的状态。本次大赛选择南海铝型材标杆企业的真实痛点作为赛题场景,寻求解决方案,助力企业实现转型升级,提升行业竞争力。 7、弱监督学习下的工业光学检测《Weakly Supervised Learning for Industrial Optical Inspection》 提出了一个用于统计纹理表面检测的综合基准语料库。我们希望它有助于进一步发展和基准分类算法的应用于工业光学检测。所有数据都是公开的,可以从这个页面下载。2007年DAGM研讨会的比赛,DAGM(德意志Arbeitsgemeinschaft毛皮Mustererkennung汽车集团,德国的章IAPR国际协会(模式识别)和GNSS(德国的欧洲神经网络社会章)提供了一个开放的竞争弱监督学习工业光学检验作为DAGM研讨会的一部分,在2007年举行。该竞赛的灵感来自于自动化光学检测可以显著降低工业质量控制的成本。参赛者必须设计一种分类算法:
这些数据是人工生成的,但类似于现实世界中的问题。10个数据集中的前6个,记为开发数据集,应该用于算法开发。剩下的四个数据集,被称为比赛数据集,可以用来评估表现。研究人员应考虑在开发完成前不使用或分析竞赛数据集作为荣誉准则。在下面我们提供一些关于数据集的细节:
8、城市路面裂缝图像数据集数据集下载:https://github.com/cuilimeng/CrackForest-dataset CrackForest数据集是一个能够反映城市路面状况的标注路面裂缝图像数据库。 9、桥梁裂缝图像数据集数据集下载:https://github.com/Charmve/Surface-Defect-Detection/tree/master/Bridge_Crack_Image 该数据集主要用于训练DBCC模型和桥梁裂缝检测。 10、磁瓦表面缺陷数据集《Saliency of magnetic tile surface defects》 这是论文《Saliency of magnetic tile surface defects》的数据集。采集了6种常见磁瓦表面缺陷的图像,并对其像素级地面真值进行标记。表面缺陷显著性检测工具箱可以在https://github.com/abin24/Saliency-detection-toolbox找到。其中,我们的MCue和其他14个显著性检测模型是可用的。 11、铁轨表面缺陷数据集数据集下载:http://icn./Visint/resources/RSDDs.aspx RSDDs数据集包含两种类型的数据集:第一种是从快车道捕获的I型RSDDs数据集,其中包含67个具有挑战性的图像。第二个是从普通/重型运输轨道捕获的II型RSDDs数据集,其中包含128个具有挑战性的图像。 两个数据集的每幅图像至少包含一个缺陷,并且背景复杂且噪声很大。 RSDDs数据集中的这些缺陷已由一些专业的人类观察员在轨道表面检查领域进行了标记。 12、Kylberg纹理数据集数据集下载:http://www.cb./~gustaf/texture/ 数据集描述
|
|