Skip to content

Roboflow Ensemble de 100 données

Roboflow 100, développé par Roboflow et sponsorisé par Intel, est une référence révolutionnaire en matière de détection d'objets. Il comprend 100 ensembles de données divers échantillonnés parmi plus de 90 000 ensembles de données publiques. Ce benchmark est conçu pour tester l'adaptabilité des modèles à divers domaines, notamment les soins de santé, l'imagerie aérienne et les jeux vidéo.

Roboflow 100 Aperçu

Caractéristiques principales

  • Comprend 100 ensembles de donnĂ©es dans sept domaines : AĂ©rien, Jeux vidĂ©o, Microscopique, Sous-marin, Documents, ÉlectromagnĂ©tique et Monde rĂ©el.
  • Le benchmark comprend 224 714 images rĂ©parties en 805 classes, grâce Ă  plus de 11 170 heures d'efforts d'Ă©tiquetage.
  • Toutes les images sont redimensionnĂ©es Ă  640x640 pixels, en veillant Ă  Ă©liminer l'ambiguĂŻtĂ© des classes et Ă  filtrer les classes sous-reprĂ©sentĂ©es.
  • Les annotations comprennent des boĂ®tes de dĂ©limitation pour les objets, ce qui permet d'entraĂ®ner et d'Ă©valuer les modèles de dĂ©tection d'objets.

Structure de l'ensemble de données

L'ensemble de données Roboflow 100 est organisé en sept catégories, chacune comportant un ensemble distinct d'ensembles de données, d'images et de classes :

  • AĂ©rien: Consiste en 7 ensembles de donnĂ©es avec un total de 9 683 images, couvrant 24 classes distinctes.
  • Jeux vidĂ©o: Comprend 7 ensembles de donnĂ©es, comprenant 11 579 images rĂ©parties dans 88 classes.
  • Microscopique: Comprend 11 ensembles de donnĂ©es avec 13 378 images, couvrant 28 classes.
  • Sous l'eau: Contient 5 ensembles de donnĂ©es, englobant 18 003 images dans 39 classes.
  • Documents: Comprend 8 ensembles de donnĂ©es avec 24 813 images, rĂ©parties en 90 classes.
  • ÉlectromagnĂ©tique: ComposĂ© de 12 ensembles de donnĂ©es, totalisant 36 381 images dans 41 classes.
  • Monde rĂ©el: La plus grande catĂ©gorie avec 50 ensembles de donnĂ©es, offrant 110 615 images Ă  travers 495 classes.

Cette structure permet un terrain d'essai diversifié et étendu pour les modèles de détection d'objets, reflétant les scénarios d'application du monde réel.

Applications

Roboflow 100 est inestimable pour diverses applications liées à la vision par ordinateur et à l'apprentissage profond. Les chercheurs et les ingénieurs peuvent utiliser ce benchmark pour :

  • Évaluer les performances des modèles de dĂ©tection d'objets dans un contexte multi-domaine.
  • Teste l'adaptabilitĂ© des modèles aux scĂ©narios du monde rĂ©el au-delĂ  de la reconnaissance d'objets courants.
  • Étudie les capacitĂ©s des modèles de dĂ©tection d'objets dans divers ensembles de donnĂ©es, notamment dans le domaine de la santĂ©, de l'imagerie aĂ©rienne et des jeux vidĂ©o.

Pour plus d'idées et d'inspiration sur les applications réelles, ne manque pas de consulter nos guides sur les projets concrets.

Utilisation

L'ensemble de données Roboflow 100 est disponible à la fois sur GitHub et sur Roboflow Universe.

Tu peux y accéder directement à partir du dépôt GitHub Roboflow 100. De plus, sur Roboflow Universe, tu as la possibilité de télécharger des ensembles de données individuels en cliquant simplement sur le bouton d'exportation à l'intérieur de chaque ensemble de données.

Exemples de données et d'annotations

Roboflow 100 se compose d'ensembles de données contenant diverses images et vidéos capturées sous différents angles et dans différents domaines. Voici des exemples d'images annotées dans le benchmark RF100.

Exemples de données et d'annotations

La diversité du benchmark Roboflow 100 que l'on peut voir ci-dessus est une avancée significative par rapport aux benchmarks traditionnels qui se concentrent souvent sur l'optimisation d'une seule métrique dans un domaine limité.

Citations et remerciements

Si tu utilises l'ensemble de données Roboflow 100 dans tes travaux de recherche ou de développement, cite l'article suivant :

@misc{2211.13523,
    Author = {Floriana Ciaglia and Francesco Saverio Zuppichini and Paul Guerrie and Mark McQuade and Jacob Solawetz},
    Title = {Roboflow 100: A Rich, Multi-Domain Object Detection Benchmark},
    Eprint = {arXiv:2211.13523},
}

Nous remercions l'équipe de Roboflow et tous les contributeurs pour leur travail acharné dans la création et le maintien de l'ensemble de données Roboflow 100.

Si tu souhaites explorer d'autres ensembles de données pour améliorer tes projets de détection d'objets et d'apprentissage automatique, n'hésite pas à visiter notre collection complète d'ensembles de données.



Créé le 2024-02-07, Mis à jour le 2024-03-03
Auteurs : glenn-jocher (1), abirami-vina (1)

Commentaires