如今，人工智能和机器学习范畴中最振奋人心的一个分支是计算机视觉（CV）。CV使用于多种场景，以改善我们的日常生活，并推进迷信技术研讨。其中包括：自动驾驶自动生成图像描绘社交媒体的面部辨认和标注医学影像剖析与诊断家居安防零碎制造进程中的质量控制与缺陷辨认更多计算机视觉数据集爲预备用于计算机视觉项目的机器学习模型和AI算法，数据不可或缺。从事CV项目的企业面临的一项应战是，取得足够多的正确且高质量的数据来训练他们的算法。近年来，不同的企业已创立并发布一些预标注数据集。您可以爲所能想到的每品种型场景找到开源数据集和可购置的数据集。罕见CV义务包括：目的检测目的联系多目的标注图像分类图像描绘生成人体姿势预估逐帧视频剖析关于您的项目而言，预标注CV数据集能否合适取决于您所需的数据类型及您希望完成的义务。预标注计算机视觉数据集案例训练CV算法是一个工夫和数据密集型项目，甚至比训练其他类型的机器学习算法需求更多的工夫和数据。虽然您能够习气于处置成百上千的训练数据点，但这缺乏以爲CV义务训练出高质量ML模型。假如没有足够的训练数据，您的CV模型将无法产出有用的后果。由于难以取得足够的数据来训练CV机器学习模型，在网上查找细致且牢靠的CV数据集已变得越来越普遍。假如在网上找到契合您需求的CV数据集，请务必评价数据能否具有足够高的质量。试着问本人：此数据的来源能否可信？能否发现并修单数据中的任何潜在错误？数据能否完好且具代表性？数据能否客观？还是存在分明的成见？问本人这些成绩可以确保您最终取得高质量的数据集，这将协助您训练出高质量的机器学习算法来完成CV义务。上面，您将看到我们引荐的最佳CV数据集，以及它们优秀的缘由。1. ObjectNet——最合适无成见数据预标注CV数据集的次要成绩之一是成见。许多用于训练CV模型的预标注数据集的来源均运用从互联网上抓取的不完好图像，这会在最终数据集中发生成见。ObjectNet由MIT-IBM沃森人工智能实验室（MIT-IBM Watson AI Lab）的研讨人员开发。研讨人员构建的数据集与传统数据集不同。他们不是从现有来源挑选照片，而是将图片众包。该团队在“土耳其机器人”（Mechanical Turk）上雇佣了许多不同的人，并要求提供目的的照片，然后提交审查。图像审查进程对整个数据集停止评价，以确保背景、光照、旋转和其他图像要素具有足够的多样性，从而限制图像成见。ObjectNet数据集包括散布在313个对象类中的50,000张图像。ObjectNet是一种不同类型的数据集。在某些方面，该数据集提供一个CV模型，其中的数据洁净得近乎完满。在许多图像中，目的居中，背景整洁。但是，它也具有多样性，出现出不罕见的旋转、透视和视角。虽然这些图像不会让人们在寻觅特定目的时感到困惑，但它们关于训练高质量的CV模型十分有用。2.澳鹏——国际项目的最佳选择在澳鹏，我们拥有超越250个可受权的数据集，可用于各种不同类型的CV项目，包括音频、语音、视频、图像和文字。在我们的预标注数据集中，您将发现超越25,000张图像和涵盖80多种言语与方言的870万个单词我们的预标注数据集旨在使您的CV模型训练高效和无效。每个数据集都经过精心设计，使您可以大规模训练高度准确的CV模型。在澳鹏，我们与全球超越100万名承包商的打工人员协作，这使我们可以爲运用多种言语的国际项目创立很好的预标注数据集之一。假如您检查我们的预标注数据集，但并未找到合适您需求的数据集，我们也可提供数据采集效劳，爲您的特定用例创立自定义数据集。3.VisualData——目的辨认的最佳选择假如您的CV模型旨在辨认目的，并且您需求预标注图像数据，那麼VisualData是爲您的用例寻觅正确数据集的最佳选择。VisualData监控大学实验室、社交媒体和许多其他来源，以跟踪新发布的开源数据集。VisualData提供了可供运用的开源数据集的可搜索存档。您可以按发布日期、主题或经过关键字搜索对数据集停止排序，以找到CV用例的正确图像。4. Graviti——共享和查找数据的最佳选择Graviti已树立一个开放的数据集社区，其中，各种公司、机构、研讨团队和团体开发人员共享、拜访和管理大型数据集。Graviti拥有1000多个高质量的开源数据集，可用于50多种使用场景和10多种数据格式，爲数据搜索者提供了不时扩展的数据集选择。5. ImageNet——大型数据集的最佳选择ImageNet是市场上最大、最受欢送的开源数据集之一。ImageNet拥有超越1400万张已手动标注的图像。数据库按WordNet层次构造予以组织，对象级标注经过边界框完成。6. Roboflow——运用不同文件格式的最佳选择Roboflow旨在支持开发人员创立本人的计算机视觉机器学习模型，而无论他们的技艺或团队规模如何。Roboflow经过协助您取得正确的数据并精确地标注数据，以简化CV模型的构建进程。作爲简化进程的一局部，Roboflow还具有可用于训练CV模型的开源数据集。这些数据集涵盖各种范畴，包括植物、棋类游戏、自动驾驶汽车、医疗、热图像和空中无人机图像。Roboflow还提供一些由分解数据组成的预标注数据集。Roboflow的劣势在于它爲用户提供了以多种不同格式下载图像的才能。这些格式包括：VOC XMLCOCO JSONYOLOv3立体文本文件TFRecords7. GitHub和Kaggle——最新数据集或模糊数据集的最佳选择假如您正在处置许多不同的CV项目，并且将需求多个数据集，那麼您可以运用的最佳来源之一是社区构建和共享平台，如GitHub和Kaggle。经过参加这些收费的社区，您可以开端构建您的知识库，理解存在哪些数据集，以及哪些数据集对您的共同项目最有协助。花点工夫输出正确的关键字，您就可以在GitHub和Kaggle等网站上找到一些最新和最模糊的数据集。您还可以与其他数据迷信家和机器学习工程师树立网络，他们能够会协助您找到所需的数据集。8. Kinetics——人物交互视频的最佳选择Kinetics提供一个开源数据集，其中共包括650,000个视频剪辑，涵盖700团体类举措类型。该数据集包括人与物互动，人与人互动。数据集可以细分爲700个视频剪辑的局部。数据集中的每个视频剪辑均有标注，且继续大约10秒。Kinetics数据集是一个高质量的数据集，可用于许多不同的CV用例。9. IMDB-WIKI——辨认性别和年龄的最佳选择假如您想训练辨认一团体的年龄或性别的CV模型，您就需求运用IMDB-WIKI开源数据集。您可以在许多不同的网站（包括GitHub）上找到此数据集。IMDB-WIKI数据集共有523,051张图片。这些图像均从维基百科和IMDB中提取。每张图像均有标注，并包括图像中人物的性别、年龄和姓名。这使得该开源数据集成爲最大的可地下运用的人脸数据集。10. Berkeley DeepDrive——自动驾驶车辆CV义务的最佳选择CV技术最令人兴奋的实践使用之一是自动驾驶。但是，在这些车辆上路之前，它们均需求数小时的训练。爲使这些CV模型的训练更易获取且公道，加州大学伯克利分校创立了拥有超越10万个视频序列的Berkeley DeepDrive数据集。该数据集爲开源数据集，可供大众运用。Berkeley DeepDrive数据集包括各种标注，包括目的边界框、驾驶区域、图像级标志、空中标志和全帧实例联系。预标注CV数据集给公司带来的益处预标注计算机视觉数据集的衰亡使公司可以更容易获取训练CV模型所需的数据。CV模型的使用范围很广，许多组织正在研讨如何使用它来处理成绩。随着更多的公司认识到CV模型的弱小功用，越来越多的公司将寻觅数据来训练他们的CV模型。假如没有预标注数据集，许多公司将没有工夫或资源创立CV所需的模型。预标注数据集可使公司将其资源用于构建和训练CV模型，而不是采集数据。而且，可用的开源数据集越多，数据质量就越高。随着这些数据集质量的进步，用于处理整个组织中成绩的CV模型也将失掉改善。计算机视觉数据集罕见成绩解答随着越来越多的数据集可以收费在线运用，务必慎重看待项目中运用的数据集，并理解潜在数据集绝对于其他数据集的劣势。这些罕见成绩有助于引导您找到CV项目的正确数据集。我可以从何处取得正确的数据？谈及“正确的数据”，有许多要素需求思索。您需求数据有正确的：数据类型（图像、视频、音频）文件格式数据点的数量数据类型（无成见、高质量、精确标注）由于存在这麼多不同的要素，审查数据集的来源、数据的标注方式和数据的标注者十分重要。或许，假如数据是原始数据且未经标注，您将如何可以本人停止标注。取得正确的数据也意味着取得足够的数据。您将需求找到与您的用例相婚配的数据集，并且可以协助您训练CV模型。普通来说，用来训练模型的数据越多越好。寻觅大型开源数据集或结合两个小型数据集，是找到足够数据来训练您的CV模型的好办法。数据数量越多，数据类型越多样化，您的CV模型就越能辨认数据点的纤细差别，并可以更精确地读取四周的环境。这有助于防止误判。我需求多多数据？虽然您会常常听到这样的指点准绳，即数据越多越好，但当数据集中有太少数据时，就会有一个临界值。那麼，正确的数据量是多少？没有一个数字可表示正确的数据量，但范围可以协助您爲项目找到正确的数据量。大少数CV模型需求在数千到数百万个数据点上停止训练。CV模型或形式辨认场景越复杂，数据集中所需的数据点就越多。如何确保计算机视觉数据集的高质量？在本文中，我们已提到高质量的数据集。但是，是什麼使得数据质量高而不是低？高质量的数据与数据的标注方式和标注精确率有关。虽然一些数据标注曾经完成自动化，但是最佳、质量最高的数据标注经过人工标注和自动化相结合来完成。当您运用高质量的数据来训练您的CV模型时，您将拥有一个更好的功用模型，可以更精确地预测和察看。CV模型数据集质量的另一个思索要素是集合中包括的数据点的范围。例如，您希望数据集中的图像掩盖CV模型能够遇到的一切实践场景。假如您的训练数据缺乏多样性，或许由于缺乏数据而存在成见，那麼您的CV模型也是如此。精确标注的高质量数据关于创立成功的CV模型颇有协助。如何防止计算机视觉数据集中的成见？在寻觅正确的数据集时，人们面临的另一个罕见成绩是如何评价数据集的成见。训练数据成见会以多种不同的方式对CV模型的精确性发生负面影响。虽然成见通常被以为是种族主义或性别歧视，但当触及到数据时，这种概念更爲普遍。成见是指数据集中短少的任何内容。数据集中最罕见的一种成见方式——数据集不能精确地表示CV模型打工的真实环境。重要的是，您的数据集要尽能够地代表您的模型所处的真实世界场景。创立训练数据集时，必需思索以下要素：时节性倾向天文差别图像视角背景许多目前可用的开源数据集包括在理想条件下拍摄的图像，这意味着角度间接，背景整洁。虽然这使得图像易于运用，但无法训练您的CV模型去顺应真实世界、不完满的条件和状况。减多数据成见的一种最复杂办法是在运用数据之前让更多的人来检查数据。审查数据的人越多、越多样化，您在数据中能够存在的破绽和成见就越少。