Vai al contenuto

Roboflow 100 Set di dati

Roboflow 100, sviluppato da Roboflow e sponsorizzato da Intel, è un benchmark innovativo per il rilevamento degli oggetti. Include 100 diversi set di dati campionati da oltre 90.000 set di dati pubblici. Questo benchmark è stato progettato per testare l'adattabilità dei modelli a vari domini, tra cui l'assistenza sanitaria, le immagini aeree e i videogiochi.

Roboflow 100 Panoramica

Caratteristiche principali

  • Include 100 set di dati in sette domini: Aereo, Videogiochi, Microscopico, Subacqueo, Documenti, Elettromagnetico e Mondo reale.
  • Il benchmark comprende 224.714 immagini in 805 classi, grazie a oltre 11.170 ore di lavoro di etichettatura.
  • Tutte le immagini sono state ridimensionate a 640x640 pixel, con l'obiettivo di eliminare l'ambiguità della classe e filtrare le classi sottorappresentate.
  • Le annotazioni includono i riquadri di delimitazione degli oggetti, rendendolo adatto all'addestramento e alla valutazione dei modelli di rilevamento degli oggetti.

Struttura del set di dati

Il dataset Roboflow 100 è organizzato in sette categorie, ognuna con un insieme distinto di dataset, immagini e classi:

  • Aerial: Si tratta di 7 set di dati con un totale di 9.683 immagini, che coprono 24 classi distinte.
  • Videogiochi: Include 7 set di dati, con 11.579 immagini suddivise in 88 classi.
  • Microscopico: Comprende 11 set di dati con 13.378 immagini, suddivise in 28 classi.
  • Subacqueo: Contiene 5 set di dati che comprendono 18.003 immagini in 39 classi.
  • Documenti: Si tratta di 8 set di dati con 24.813 immagini, suddivise in 90 classi.
  • Elettromagnetico: Composto da 12 set di dati, per un totale di 36.381 immagini in 41 classi.
  • Mondo reale: La categoria più grande con 50 set di dati che offrono 110.615 immagini in 495 classi.

Questa struttura permette di testare i modelli di rilevamento degli oggetti in modo ampio e diversificato, riflettendo gli scenari applicativi del mondo reale.

Applicazioni

Roboflow 100 è prezioso per diverse applicazioni legate alla computer vision e al deep learning. Ricercatori e ingegneri possono utilizzare questo benchmark per:

  • Valutare le prestazioni dei modelli di rilevamento degli oggetti in un contesto multidominio.
  • Testare l'adattabilità dei modelli a scenari reali che vanno oltre il comune riconoscimento di oggetti.
  • Eseguire un benchmark delle capacità dei modelli di rilevamento degli oggetti su diversi set di dati, tra cui quelli relativi all'assistenza sanitaria, alle immagini aeree e ai videogiochi.

Per ulteriori idee e ispirazioni sulle applicazioni reali, non dimenticare di dare un'occhiata alle nostre guide sui progetti reali.

Utilizzo

Il dataset Roboflow 100 è disponibile sia su GitHub che su Roboflow Universe.

Puoi accedervi direttamente dal repository Roboflow 100 di GitHub. Inoltre, su Roboflow Universe, hai la possibilità di scaricare i singoli set di dati semplicemente cliccando sul pulsante di esportazione all'interno di ogni set di dati.

Dati di esempio e annotazioni

Roboflow 100 è composto da set di dati con immagini e video diversi catturati da varie angolazioni e domini. Ecco alcuni esempi di immagini annotate nel benchmark RF100.

Dati di esempio e annotazioni

La diversità del benchmark Roboflow che si può vedere qui sopra è un progresso significativo rispetto ai benchmark tradizionali che spesso si concentrano sull'ottimizzazione di una singola metrica all'interno di un dominio limitato.

Citazioni e ringraziamenti

Se utilizzi il dataset Roboflow 100 nel tuo lavoro di ricerca o sviluppo, cita il seguente documento:

@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},
}

I nostri ringraziamenti vanno al team di Roboflow e a tutti i collaboratori per il duro lavoro svolto nella creazione e nel mantenimento del dataset Roboflow 100.

Se sei interessato a esplorare altri set di dati per migliorare i tuoi progetti di rilevamento di oggetti e di apprendimento automatico, non esitare a visitare la nostra collezione completa di set di dati.



Creato 2024-02-07, Aggiornato 2024-02-07
Autori: abirami-vina (1)

Commenti