Roboflow 100 数据集

由 Intel 赞助的 Roboflow 100 是一项具有开创性的 目标检测 基准数据集。它包含 100 个不同的数据集。此基准旨在专门测试 计算机视觉 模型（例如 Ultralytics YOLO 模型）对医疗保健、航拍图像和视频游戏等不同领域的适应能力。

主要特性

• 多元化领域：包括涵盖七个不同领域的 100 个数据集：航拍、视频游戏、显微图像、水下环境、文档、电磁和真实世界。
• 规模：该基准包含 805 个类别的 224,714 张图像，代表了超过 11,170 小时的 数据标注 工作量。
• 标准化：所有图像均经过 预处理 并调整为 640x640 像素，以确保评估的一致性。
• 清洁评估：专注于消除类别歧义，并过滤掉样本不足的类别，以确保更准确的 模型评估。
• Annotations: Includes bounding boxes for objects, suitable for training and evaluating object detection models using metrics like mAP.

数据集结构

Roboflow 100 数据集分为七个类别，每个类别包含独特的数据集、图像和类别集合：

• 航拍：7 个数据集，9,683 张图像，24 个类别。
• 视频游戏：7 个数据集，11,579 张图像，88 个类别。
• 显微图像：11 个数据集，13,378 张图像，28 个类别。
• 水下环境：5 个数据集，18,003 张图像，39 个类别。
• 文档：8 个数据集，24,813 张图像，90 个类别。
• 电磁：12 个数据集，36,381 张图像，41 个类别。
• 真实世界：50 个数据集，110,615 张图像，495 个类别。

该结构为 目标检测 模型提供了一个多样化且广泛的测试平台，反映了在各种 Ultralytics 解决方案 中常见的广泛现实应用场景。

基准测试

数据集 基准测试 涉及使用标准化指标在特定数据集上评估 机器学习 模型的性能。常见指标包括 准确率、平均精度均值 (mAP) 和 F1-score。你可以在我们的 YOLO 性能指标指南 中了解更多信息。

import os
import shutil
from pathlib import Path

from ultralytics.utils.benchmarks import RF100Benchmark

# Initialize RF100Benchmark and set API key
benchmark = RF100Benchmark()
benchmark.set_key(api_key="YOUR_ROBOFLOW_API_KEY")

# Parse dataset and define file paths
names, cfg_yamls = benchmark.parse_dataset()
val_log_file = Path("ultralytics-benchmarks") / "validation.txt"
eval_log_file = Path("ultralytics-benchmarks") / "evaluation.txt"

# Run benchmarks on each dataset in RF100
for ind, path in enumerate(cfg_yamls):
    path = Path(path)
    if path.exists():
        # Fix YAML file and run training
        benchmark.fix_yaml(str(path))
        os.system(f"yolo detect train data={path} model=yolo26s.pt epochs=1 batch=16")

        # Run validation and evaluate
        os.system(f"yolo detect val data={path} model=runs/detect/train/weights/best.pt > {val_log_file} 2>&1")
        benchmark.evaluate(str(path), str(val_log_file), str(eval_log_file), ind)

        # Remove the 'runs' directory
        runs_dir = Path.cwd() / "runs"
        shutil.rmtree(runs_dir)
    else:
        print("YAML file path does not exist")
        continue

print("RF100 Benchmarking completed!")

应用场景

Roboflow 100 对于与 计算机视觉 和 深度学习 相关的各种应用价值巨大。研究人员和工程师可以利用该基准来：

• 在多领域环境中评估目标检测模型的性能。
• Test the adaptability and robustness of models to real-world scenarios beyond common benchmark datasets like COCO or PASCAL VOC.
• 在不同数据集上对目标检测模型的能力进行基准测试，包括医疗保健、航拍图像和视频游戏等专业领域。
• 比较不同 神经网络 架构和 优化 技术之间的模型性能。
• Identify domain-specific challenges that may require specialized model training tips or fine-tuning approaches like transfer learning.

如需更多关于真实应用的想法和灵感，请探索 我们的实践项目指南 或查看 Ultralytics 平台 以获得简化的 模型训练 和 部署 体验。

使用方法

Roboflow 100 数据集（包括元数据和下载链接）可在官方 Roboflow 100 GitHub 仓库 获取。你可以直接从该处访问并利用该数据集来满足你的基准测试需求。Ultralytics 的 RF100Benchmark 工具简化了下载和准备这些数据集以便与 Ultralytics 模型结合使用的过程。

示例数据和标注

Roboflow 100 由来自不同角度和领域的多元化图像数据集组成。以下是 RF100 基准测试中包含的标注图像示例，展示了对象和场景的多样性。在训练过程中，数据增强 等技术可以进一步增强多样性。

Roboflow 100 基准测试中的多样性代表了传统基准测试的重大进步，传统基准通常侧重于优化有限领域内的单一指标。这种综合方法有助于开发更强大、更多功能且能够在多种不同场景中表现出色的 计算机视觉 模型。

引文与致谢

如果你在研究或开发工作中使用了 Roboflow 100 数据集，请引用原始论文：

@misc{rf100benchmark,
    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},
    Year = {2022},
    Eprint = {arXiv:2211.13523},
    url = {https://arxiv.org/abs/2211.13523}
}

我们要感谢 Roboflow 团队和所有贡献者，他们为创建和维护 Roboflow 100 数据集这一计算机视觉社区的宝贵资源所做出的巨大努力。

如果你有兴趣探索更多数据集以增强你的目标检测和机器学习项目，请随意访问 我们的综合数据集集合，其中包含各种其他的 检测数据集。

常见问题 (FAQ)

什么是 Roboflow 100 数据集，它对于目标检测有何重要意义？

Roboflow 100 数据集是 目标检测 模型的基准。它包含 100 个涵盖医疗保健、航拍图像和视频游戏等领域的多样化数据集。其意义在于提供了一种标准化的方法，用于测试模型在广泛的现实场景中的适应性和鲁棒性，超越了传统的、通常受领域限制的基准测试。

Roboflow 100 数据集涵盖了哪些领域？

Roboflow 100 数据集跨越了七个多元化领域，为 目标检测 模型带来了独特的挑战：

1. 航拍：7 个数据集（例如，卫星图像、无人机视角）。
2. 视频游戏：7 个数据集（例如，来自各种游戏环境的对象）。
3. 显微图像：11 个数据集（例如，细胞、粒子）。
4. 水下环境：5 个数据集（例如，海洋生物、水下物体）。
5. 文档：8 个数据集（例如，文本区域、表单元素）。
6. 电磁：12 个数据集（例如，雷达特征、光谱数据可视化）。
7. 真实世界：50 个数据集（一个广泛的类别，包括日常物品、场景、零售等）。

这种多样性使 RF100 成为评估计算机视觉模型 泛化能力 的绝佳资源。

在研究中引用 Roboflow 100 数据集时应该包含什么内容？

使用 Roboflow 100 数据集时，请引用原始论文以对创建者表示认可。以下是推荐的 BibTeX 引用：

@misc{rf100benchmark,
    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},
    Year = {2022},
    Eprint = {arXiv:2211.13523},
    url = {https://arxiv.org/abs/2211.13523}
}

如需进一步探索，请考虑访问我们的 综合数据集集合 或浏览其他与 Ultralytics 模型兼容的 检测数据集。