Обзор лучших наборов данных для компьютерного зрения в 2025 году

Знаешь ли ты, что данные играют роль почти во всём, что ты делаешь каждый день? Просмотр видео, съёмка фотографии или проверка Google Maps — всё это вносит вклад в постоянный поток информации, собираемой более чем 75 миллиардами подключённых устройств. Эти фрагменты данных формируют основу искусственного интеллекта (AI). Фактически передовые модели компьютерного зрения, такие как Ultralytics YOLO11, используют визуальные данные для выявления закономерностей, интерпретации изображений и понимания окружающего мира.

Интересно, что ценность данных определяется не только их количеством. Гораздо важнее, насколько хорошо они организованы и подготовлены. Если набор данных содержит ошибки или неполон, это может привести к неточным результатам. Однако чистые и разнообразные наборы данных помогают моделям компьютерного зрения работать лучше — распознавать объекты в толпе или анализировать сложные изображения. Высококачественные наборы данных имеют решающее значение.

В этой статье мы рассмотрим лучшие наборы данных для компьютерного зрения в 2025 году и узнаем, как они помогают создавать более точные и эффективные модели компьютерного зрения. Давай начнём!

Что такое наборы данных для компьютерного зрения?#

Набор данных для компьютерного зрения — это коллекция изображений или видео, которая помогает системам компьютерного зрения учиться понимать и распознавать визуальную информацию. Такие наборы данных содержат метки или аннотации, помогающие моделям распознавать объекты, людей, сцены и закономерности в данных.

Их можно использовать для обучения моделей компьютерного зрения, помогая им улучшать такие задачи, как распознавание лиц, обнаружение объектов или анализ сцен. Чем лучше набор данных — организованный, разнообразный и точный, — тем эффективнее работает модель визуального AI, обеспечивая более интеллектуальные и полезные технологии в повседневной жизни.

Как создать набор данных для компьютерного зрения#

Создание набора данных для компьютерного зрения похоже на подготовку учебных заметок, которые должны научить кого-то видеть и понимать мир. Всё начинается со сбора изображений и видео, соответствующих конкретному приложению, которое ты разрабатываешь.

Идеальный набор данных содержит разнообразные примеры интересующих объектов, снятые под разными углами, при различных условиях освещения и на разных фонах и в разных окружениях. Такое разнообразие помогает модели компьютерного зрения точно учиться распознавать закономерности и надёжно работать в реальных сценариях.

Рис. 1. Создание идеального набора данных для компьютерного зрения. Изображение автора.

После сбора релевантных изображений и видео следующий шаг — разметка данных. Этот процесс заключается в добавлении к данным тегов, аннотаций или описаний, чтобы AI мог понять содержимое каждого изображения или видео.

Метки могут включать названия объектов, их расположение, границы и другие важные сведения, которые помогают обучить модель точно распознавать и интерпретировать визуальную информацию. Разметка данных превращает простую коллекцию изображений в структурированный набор данных, который можно использовать для обучения модели компьютерного зрения.

Для обучения модели нужны качественные данные#

Возможно, ты задаёшься вопросом, что делает набор данных качественным. Здесь важны многие факторы, включая точность разметки, разнообразие и согласованность. Например, если несколько аннотаторов размечают набор данных для обнаружения объектов, чтобы обозначить кошачьи уши, один может отнести их к голове, а другой — разметить отдельно как уши. Такая несогласованность может запутать модель и повлиять на её способность правильно обучаться.

Вот краткий обзор качеств идеального набора данных для компьютерного зрения:

• Понятные метки: каждое изображение точно размечено с использованием согласованных и точных меток.
• Разнообразные данные: набор данных включает разные объекты, фоны, условия освещения и ракурсы, помогая модели хорошо работать в различных ситуациях.
• Изображения высокого разрешения: чёткие и детализированные изображения облегчают модели обучение и распознавание признаков.

Ultralytics поддерживает различные наборы данных#

Модели Ultralytics YOLO, такие как YOLO11, созданы для работы с наборами данных в специальном формате файлов YOLO. Хотя преобразовать собственные данные в этот формат легко, мы также предлагаем удобный вариант для тех, кто хочет сразу приступить к экспериментам.

Пакет Ultralytics для Python поддерживает широкий спектр наборов данных для компьютерного зрения, позволяя тебе сразу переходить к проектам с такими задачами, как обнаружение объектов, сегментация экземпляров или оценка позы, без дополнительной настройки.

Пользователи могут легко получать готовые к использованию наборы данных, такие как COCO, DOTA-v2.0, Open Images V7 и ImageNet, указывая название набора данных в качестве одного из параметров функции обучения. После этого набор данных автоматически скачивается и предварительно настраивается, чтобы ты мог сосредоточиться на создании и улучшении своих моделей.

Топ-5 наборов данных для компьютерного зрения в 2025 году#

Развитие визуального AI зависит от разнообразных крупномасштабных наборов данных, которые стимулируют инновации и делают возможными прорывы. Давай рассмотрим некоторые из важнейших наборов данных, поддерживаемых Ultralytics и влияющих на развитие моделей компьютерного зрения.

Набор данных ImageNet#

ImageNet, созданный Фэй-Фэй Ли и её командой в Принстонском университете в 2007 году и представленный в 2009 году, — это крупный набор данных, содержащий более 14 миллионов размеченных изображений. Его широко используют для обучения систем распознаванию и категоризации различных объектов. Структурированная организация делает его особенно полезным для обучения моделей точной классификации изображений. Несмотря на хорошую документированность, он в основном ориентирован на классификацию изображений и не содержит подробных аннотаций для таких задач, как обнаружение объектов.

Рассмотрим некоторые ключевые преимущества ImageNet:

• Разнообразие: изображения охватывают более 20 000 категорий, поэтому ImageNet предлагает обширный и разнообразный набор данных, улучшающий обучение и обобщающую способность модели.
• Структурированная организация: изображения тщательно распределены по категориям с использованием иерархии WordNet, что упрощает эффективный поиск данных и систематическое обучение моделей.
• Подробная документация: обширные исследования и многолетнее изучение делают ImageNet доступным как новичкам, так и экспертам, предоставляя ценные сведения и рекомендации для проектов компьютерного зрения.

Однако, как и любой набор данных, он имеет свои ограничения. Вот некоторые сложности, которые стоит учитывать:

• Вычислительные требования: огромный размер набора может создавать сложности для небольших команд с ограниченными вычислительными ресурсами.
• Отсутствие временных данных: поскольку набор содержит только статические изображения, он может не подходить для приложений, которым нужны видео или данные, зависящие от времени.
• Устаревшие изображения: некоторые изображения в наборе данных старые и могут не отражать современные объекты, стили или окружение, что потенциально снижает их актуальность для современных приложений.

Набор данных DOTA-v2.0#

Набор данных DOTA-v2.0, где DOTA расшифровывается как «набор данных для обнаружения объектов на аэрофотоснимках», — это обширная коллекция аэрофотоснимков, созданная специально для обнаружения объектов с ориентированными ограничивающими рамками (OBB). При обнаружении с использованием OBB повёрнутые ограничивающие рамки точнее соответствуют фактической ориентации объектов на изображении. Этот метод особенно хорошо подходит для аэрофотоснимков, где объекты часто расположены под разными углами, обеспечивая более точную локализацию и в целом лучшее обнаружение.

Этот набор данных содержит более 11 000 изображений и свыше 1,7 миллиона ориентированных ограничивающих рамок в 18 категориях объектов. Размер изображений варьируется от 800×800 до 20 000×20 000 пикселей; на них представлены такие объекты, как самолёты, корабли и здания.

Рис. 2. Примеры изображений и аннотаций из набора данных DOTA-v2.0. Изображение автора.

Благодаря подробным аннотациям DOTA-v2.0 стал популярным выбором для проектов дистанционного зондирования и воздушного наблюдения. Вот некоторые ключевые особенности DOTA-v2.0:

• Разнообразные категории объектов: набор охватывает множество типов объектов, таких как транспортные средства, гавани и резервуары для хранения, знакомя модели с различными объектами реального мира.
• Высококачественные аннотации: эксперты предоставили точно ориентированные ограничивающие рамки, которые ясно показывают формы и направления объектов.
• Мульти-масштабные изображения: набор данных включает изображения разных размеров, помогая моделям учиться обнаруживать объекты как в малом, так и в крупном масштабе.

Несмотря на многочисленные преимущества DOTA-v2, пользователям стоит помнить о следующих ограничениях:

• Дополнительные шаги для скачивания: из-за особенностей сопровождения набора данных DOTA для DOTA-v2.0 требуется дополнительный этап настройки. Сначала нужно скачать изображения DOTA-v1.0, а затем добавить дополнительные изображения и обновлённые аннотации для DOTA-v2.0, чтобы собрать полный набор данных.
• Сложные аннотации: обработка ориентированных ограничивающих рамок во время обучения модели может потребовать дополнительных усилий.
• Ограниченная область применения: DOTA-v2 предназначен для аэрофотоснимков, поэтому он менее полезен для общих задач обнаружения объектов за пределами этой области.

Набор данных Roboflow 100#

Набор данных Roboflow 100 (RF100) создан компанией Roboflow при поддержке Intel. Его можно использовать для тестирования и оценки качества работы моделей обнаружения объектов. Этот эталонный набор данных включает 100 различных наборов, отобранных из более чем 90 000 общедоступных наборов данных. Он содержит более 224 000 изображений и 800 классов объектов из таких областей, как здравоохранение, аэрофотосъёмка и игровая индустрия.

Вот некоторые ключевые преимущества использования RF100:

• Широкий охват областей: набор включает данные из семи областей, таких как медицинская визуализация, аэрофотосъёмка и подводные исследования.
• Способствует улучшению моделей: разнообразие и специфические для каждой области сложности RF100 выявляют пробелы в современных моделях, направляя исследования на создание более адаптивных и устойчивых решений для обнаружения объектов.
• Единый формат изображений: все изображения изменены до размера 640x640 пикселей. Это позволяет пользователям обучать модели без необходимости корректировать размеры изображений.

Несмотря на преимущества, RF100 имеет и некоторые недостатки, которые стоит учитывать:

• Ограниченность задачами: RF100 предназначен для обнаружения объектов, поэтому он не поддерживает такие задачи, как сегментация или классификация.
• Ориентация на бенчмаркинг: RF100 в первую очередь создан как инструмент оценки, а не для обучения моделей реальным приложениям, поэтому его результаты могут не полностью переноситься на практические сценарии развёртывания.
• Вариативность аннотаций: поскольку RF100 объединяет наборы данных с краудсорсинговой разметкой, качество аннотаций и методы разметки могут быть непоследовательными, что способно повлиять на оценку и дообучение модели.

Набор данных COCO (Объекты общего назначения в контексте)#

Набор данных COCO — один из наиболее широко используемых наборов данных для компьютерного зрения, содержащий более 330 000 изображений с подробными аннотациями. Он предназначен для обнаружения объектов, сегментации и создания подписей к изображениям, что делает его ценным ресурсом для множества проектов. Его подробные метки, включая ограничивающие рамки и маски сегментации, помогают системам учиться точно анализировать изображения.

Этот набор данных известен своей универсальностью и подходит для различных задач — от простых до сложных проектов. Он стал стандартом в области визуального AI и часто используется в испытаниях и соревнованиях для оценки производительности моделей.

К его преимуществам относятся:

• Разнообразные и реалистичные данные: набор включает изображения из реальных сценариев с несколькими объектами, перекрытиями и различными условиями освещения.
• Широкое применение сообществом и исследователями: набор данных COCO используется в крупных соревнованиях по машинному обучению и исследованиях, имеет подробную документацию, предварительно обученные модели и активную поддержку сообщества.
• Богатые и подробные аннотации: набор данных COCO предоставляет детальные аннотации, включая сегментацию объектов, ключевые точки и подписи, что делает его идеальным для проектов, требующих точного визуального понимания.

Также стоит учитывать несколько ограничивающих факторов:

• Высокие вычислительные требования: из-за размера и сложности обучение моделей на COCO может требовать значительных вычислительных ресурсов, что создаёт сложности для команд с ограниченным оборудованием.
• Дисбаланс данных: некоторые категории объектов представлены значительно большим количеством изображений, чем другие, что может привести к смещению при обучении модели.
• Сложная структура аннотаций: подробные аннотации набора данных, несмотря на свою ценность, могут оказаться слишком сложными для новичков или небольших команд без опыта работы со структурированными наборами данных для визуального AI.

Набор данных Open Images V7#

Open Images V7 — это огромный набор данных с открытым исходным кодом, составленный Google и содержащий более 9 миллионов изображений с аннотациями для 600 категорий объектов. Он включает различные типы аннотаций и идеально подходит для решения сложных задач компьютерного зрения. Масштаб и глубина этого набора данных делают его комплексным ресурсом для обучения и тестирования моделей компьютерного зрения.

Рис. 3. Обзор набора данных Open Images V7. Изображение автора.

Кроме того, популярность набора данных Open Images V7 в исследованиях обеспечивает множество ресурсов и примеров для обучения пользователей. Однако огромный размер может сделать скачивание и обработку трудоёмкими, особенно для небольших команд. Ещё одна проблема заключается в том, что некоторые аннотации могут быть непоследовательными, поэтому для очистки данных потребуются дополнительные усилия; интеграция также не всегда проходит гладко, и может понадобиться дополнительная подготовка.

Выбор подходящего набора данных#

Выбор подходящего набора данных — важная часть успешного запуска проекта компьютерного зрения. Лучший вариант зависит от конкретной задачи: подходящий набор помогает модели освоить нужные навыки. Он также должен легко интегрироваться с твоими инструментами, чтобы ты мог больше заниматься созданием модели и меньше — устранением неполадок.

Рис. 4. Факторы выбора подходящего набора данных. Изображение автора.

Основные выводы#

Высококачественные наборы данных — основа любой модели компьютерного зрения, помогающая системам точно учиться интерпретировать изображения. Особенно важны разнообразные наборы данных с качественной разметкой: они позволяют моделям надёжно работать в реальных сценариях и сокращают количество ошибок, вызванных ограниченными или некачественными данными.

Ultralytics упрощает процесс доступа к наборам данных для компьютерного зрения и работы с ними, помогая легче находить подходящие данные для проекта. Выбор правильного набора данных — важнейший этап создания высокопроизводительной модели, ведущий к более точным и эффективным результатам.

Присоединяйся к нашему сообществу и изучай наш репозиторий GitHub, чтобы больше узнать об AI. Открой для себя такие направления, как компьютерное зрение в здравоохранении и AI в беспилотных автомобилях, на страницах наших решений. Ознакомься с вариантами лицензирования и сделай первый шаг к началу работы с компьютерным зрением уже сегодня!