Link to this sectionRoboflow 100 数据集#

Roboflow 100 由 Intel 赞助，是一个突破性的 目标检测 基准数据集。它包含 100 个不同的数据集。该基准专门用于测试 计算机视觉 模型（如 Ultralytics YOLO 模型）对医疗、航拍图像和视频游戏等各种领域的适应性。

Link to this section主要特性#

• 多元化领域：涵盖了七个不同领域的 100 个数据集：航拍、视频游戏、显微镜、水下、文档、电磁和现实世界。
• 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 并调整大小为 640x640 像素，以确保评估的一致性。
• 清晰的评估：专注于消除类别歧义，并过滤掉代表性不足的类别，以确保更清晰的 模型评估。
• Annotations: Includes bounding boxes for objects, suitable for training and evaluating object detection models using metrics like mAP.

Link to this section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、图像和类别的集合：

• 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。
• 显微镜：11 个数据集，13,378 张图像，28 个类别。
• 水下：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。
• 现实世界：50 个数据集，110,615 张图像，495 个类别。

这种结构为 目标检测 模型提供了一个多样化且广泛的测试场，反映了在各种 Ultralytics 解决方案 中发现的大量现实应用场景。

Link to this section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。常用指标包括 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 中了解更多相关信息。

import re
from pathlib import Path

from ultralytics import YOLO
from ultralytics.utils import ASSETS_URL, YAML
from ultralytics.utils.checks import check_requirements
from ultralytics.utils.downloads import safe_download

# Download the RF100 datasets from Roboflow (requires a free Roboflow API key)
check_requirements("roboflow")
from roboflow import Roboflow

rf = Roboflow(api_key="YOUR_ROBOFLOW_API_KEY")
safe_download(f"{ASSETS_URL}/datasets_links.txt")  # list of RF100 dataset links

datasets = []
for line in Path("datasets_links.txt").read_text().splitlines():
    try:
        _, _url, workspace, project, version = re.split("/+", line.strip())
        location = f"rf-100/{project}-{version}"
        rf.workspace(workspace).project(project).version(version).download("yolov8", location=location)
        yaml = Path(location) / "data.yaml"
        cfg = YAML.load(yaml)  # point train/val at the downloaded image folders
        cfg["train"], cfg["val"] = "train/images", "valid/images"
        YAML.save(yaml, cfg)
        datasets.append(str(yaml))
    except Exception:
        continue

# Fine-tune one base model across all RF100 datasets and visualize the cross-dataset results
model = YOLO("yolo26n.pt")
results = model.train(data=datasets, epochs=100, imgsz=640)  # {dataset: metrics}

# Per-dataset runs, multitrain_results.json (per-dataset + mean), and multitrain_results.png are saved
# together under runs/detect/multitrain. Read results in-memory or from the JSON for custom post-processing.
for dataset, metrics in results.items():
    if metrics:  # None if that dataset failed to train
        print(f"{dataset}: mAP50-95 = {metrics['metrics/mAP50-95(B)']:.4f}")

Link to this section应用#

Roboflow 100 对于与 计算机视觉 和 深度学习 相关的各种应用非常宝贵。研究人员和工程师可以利用此基准进行：

• 在多领域背景下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.
• 在多样化的数据集上基准测试目标检测模型的能力，包括医疗、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。
• 识别可能需要专业 模型训练技巧 或 微调 方法（如 迁移学习）的特定领域挑战。

如需更多关于现实应用的创意和灵感，请探索 我们关于实用项目的指南，或查看 Ultralytics 平台 以获得简化的 模型训练 和 部署。

Link to this section用法#

Roboflow 100 数据集（包括元数据和下载链接）可在官方 Roboflow 100 GitHub 仓库 中获取。你可以直接从那里访问和利用该数据集来满足你的基准测试需求。一旦按上述说明下载并准备好数据集，通过传递数据集 YAML 列表，Ultralytics 模型可以在单次 model.train() 调用中跨整个集合进行微调。

Link to this section示例数据与标注#

Roboflow 100 由从各种角度和领域捕获的图像数据集组成。以下是 RF100 基准中包含的标注图像示例，展示了对象和场景的多样性。使用 数据增强 等技术可以进一步提高训练过程中的多样性。

Roboflow 100 基准中所见的多样性代表了对传统基准的重大进步，传统基准通常专注于优化有限领域内的单个指标。这种全面的方法有助于开发更强大、更多功能的 计算机视觉 模型，使其能够在多种不同的场景中表现良好。

Link to this section引用与致谢#

如果你在研究或开发工作中使用 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}
}

我们感谢 Roboflow 团队和所有贡献者为创建和维护 Roboflow 100 数据集作为计算机视觉社区的一项宝贵资源所做出的重大努力。

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，欢迎访问 我们的综合数据集集合，其中包含各种其他 检测数据集。

Link to this section常见问题解答#

Link to this section什么是 Roboflow 100 数据集，它对于目标检测为何重要？#

Roboflow 100 数据集是 目标检测 模型的基准。它包含 100 个涵盖医疗、航拍图像和视频游戏等领域的多样化数据集。它的重要性在于提供了一种标准化的方法，用于测试模型在广泛现实场景中的适应性和鲁棒性，超越了传统的、通常受限于领域的基准。

Link to this sectionRoboflow 100 数据集涵盖了哪些领域？#

Roboflow 100 数据集跨越了七个不同的领域，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. 显微镜：11 个数据集（例如细胞、颗粒）。
4. 水下：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. 现实世界：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。

Link to this section在我的研究中引用 Roboflow 100 数据集时应该包含什么？#

使用 Roboflow 100 数据集时，请引用原始论文以肯定创作者的贡献。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。