跳至内容

Roboflow 100 数据集

Roboflow 100，由 Roboflow开发，由Intel 赞助，是一项开创性的物体检测基准。它包括从 90,000 多个公共数据集中抽取的 100 个不同数据集。该基准旨在测试模型对不同领域的适应性，包括医疗保健、航空图像和视频游戏。

Roboflow 100 概览

主要功能

  • 包括七个领域的 100 个数据集：航空、视频游戏、显微镜、水下、文件、电磁和真实世界。
  • 该基准包括 805 个类别的 224 714 幅图像，标注工作耗时超过 11 170 小时。
  • 所有图像的大小均调整为 640x640 像素，重点是消除类别模糊性和过滤代表性不足的类别。
  • 注释包括物体的边界框，因此适合用于训练和评估物体检测模型。

数据集结构

Roboflow 100 数据集分为七个类别，每个类别都有一套不同的数据集、图像和类别：

  • 航空：由 7 个数据集组成，共有 9 683 幅图像，涵盖 24 个不同类别。
  • 电子游戏：包括 7 个数据集，涉及 88 个类别的 11,579 幅图像。
  • 显微镜包括 11 个数据集，共 13,378 幅图像，跨越 28 个类别。
  • 水下：包含 5 个数据集，涵盖 39 个类别的 18 003 幅图像。
  • 文件：由 8 个数据集组成，包含 24 813 张图片，分为 90 个类别。
  • 电磁：由 12 个数据集组成，共计 41 个类别的 36 381 幅图像。
  • 真实世界：最大的类别，有 50 个数据集，提供 495 个类别的 110 615 幅图像。

这种结构为物体检测模型提供了一个多样而广泛的测试平台，反映了真实世界的应用场景。

制定基准

数据集基准测试使用准确率、平均精度和 F1 分数等标准化指标，评估机器学习模型在特定数据集上的性能。

制定基准

基准测试结果将存储在 "ultralytics-benchmarks/evaluation.txt" 中。

基准范例

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=yolov8s.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

Roboflow 100 对于与计算机视觉和深度学习相关的各种应用都非常宝贵。研究人员和工程师可以利用这一基准来：

  • 在多领域背景下评估物体检测模型的性能。
  • 测试模型对真实世界场景的适应性，而不是普通的物体识别。
  • 在各种数据集（包括医疗保健、航空图像和视频游戏中的数据集）中对物体检测模型的能力进行基准测试。

要获得更多实际应用的想法和灵感，请务必查看我们的实际项目指南。

使用方法

Roboflow 100 数据集可在GitHub和Roboflow Universe 上获取。

您可以直接从Roboflow 100 GitHub 存储库访问。此外，在Roboflow Universe 上，只需点击每个数据集内的导出按钮，您就可以灵活地下载单个数据集。

样本数据和注释

Roboflow 100 由数据集组成，其中包含从不同角度和域捕获的各种图像和视频。以下是 RF100 基准测试中的注释图像示例。

样本数据和注释

Roboflow 100 基准的多样性是传统基准的一大进步，传统基准通常只关注在有限的领域内优化单一指标。

引文和致谢

如果您在研究或开发工作中使用Roboflow 100 数据集，请引用以下论文：

@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},
}

我们感谢Roboflow 团队和所有贡献者为创建和维持Roboflow 100 数据集所付出的辛勤努力。

如果您有兴趣探索更多数据集，以加强您的物体检测和机器学习项目，请随时访问我们的综合数据集。

常见问题

Roboflow 100 数据集是什么？为什么它对物体检测意义重大？

Roboflow 100数据集由 Roboflow开发，由Intel 赞助，是一个重要的物体检测基准。它从 90,000 多个公共数据集中选取了 100 个不同的数据集，涵盖医疗保健、航空图像和视频游戏等领域。这种多样性确保了模型能够适应现实世界中的各种场景，从而提高了模型的鲁棒性和性能。

如何使用Roboflow 100 数据集对物体检测模型进行基准测试？

要使用Roboflow 100 数据集进行基准测试，可以从Ultralytics 库中实现 RF100Benchmark 类。下面是一个简单的示例：

基准范例

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=yolov8s.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 'runs' directory
        runs_dir = Path.cwd() / "runs"
        shutil.rmtree(runs_dir)
    else:
        print("YAML file path does not exist")
        continue

print("RF100 Benchmarking completed!")

Roboflow 100 数据集涵盖哪些领域？

Roboflow 100数据集横跨七个领域，每个领域都为物体检测模型提供了独特的挑战和应用：

  1. 航拍：7 个数据集，9,683 幅图像，24 个类别
  2. 视频游戏：7 个数据集，11,579 幅图像，88 个类别
  3. 显微镜11 个数据集，13,378 幅图像，28 个类别
  4. 水下5 个数据集，18 003 幅图像，39 个类别
  5. 文件：8 个数据集，24,813 幅图像，90 个类别
  6. 电磁：12 个数据集，36 381 幅图像，41 个类别
  7. 真实世界： 50 个数据集，110,615 幅图像，495 个类别

通过这种设置，可以在不同的实际应用中对模型进行广泛而多样的测试。

如何访问和下载Roboflow 100 数据集？

Roboflow 100数据集可在GitHub和Roboflow Universe 上访问。您可以从 GitHub 下载整个数据集，或使用导出按钮在Roboflow Universe 上选择单个数据集。

在研究中引用Roboflow 100 数据集时应包括哪些内容？

在研究中使用Roboflow 100 数据集时，请确保正确引用。以下是推荐的引用方式：

报价

@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},
}

更多详情，请参阅我们的综合数据集。



创建于 2024-02-07，更新于 2024-07-04
作者：glenn-jocher(5)、RizwanMunawar(2)、abirami-vina(1)

评论