Обзор лучших датасетов для компьютерного зрения в 2025 году

Знаешь ли ты, что данные играют роль практически во всем, что ты делаешь каждый день? Просмотр видео, создание фото или проверка Google Maps вносят свой вклад в постоянный поток информации, который фиксируют более 75 миллиардов подключенных устройств. Эти фрагменты данных формируют основу искусственного интеллекта (ИИ). На самом деле, передовые модели компьютерного зрения, такие как Ultralytics YOLO11, полагаются на визуальные данные, чтобы распознавать закономерности, интерпретировать изображения и осмыслять окружающий нас мир.

Интересно, что ценность данных заключается не только в их количестве. Гораздо важнее то, насколько хорошо они организованы и подготовлены. Если датасет загроможден или неполен, это может привести к ошибкам. Однако, когда датасеты чистые и разнообразные, они помогают моделям компьютерного зрения работать лучше, будь то распознавание объектов в толпе или анализ сложных визуальных материалов. Высококачественные датасеты имеют решающее значение.

В этой статье мы рассмотрим лучшие наборы данных для компьютерного зрения 2025 года и увидим, как они помогают создавать более точные и эффективные модели. Давай начнем!

Что такое наборы данных для компьютерного зрения?#

Датасет компьютерного зрения — это коллекция изображений или видео, которая помогает системам компьютерного зрения учиться понимать и распознавать визуальную информацию. Эти датасеты поставляются с метками или аннотациями, которые помогают моделям распознавать объекты, людей, сцены и закономерности в данных.

Их можно использовать для обучения моделей компьютерного зрения, помогая им улучшить такие задачи, как распознавание лиц, обнаружение объектов или анализ сцен. Чем лучше набор данных — хорошо организованный, разнообразный и точный — тем эффективнее работает модель ИИ, что ведет к созданию более умных и полезных технологий в повседневной жизни.

Как создать набор данных для компьютерного зрения#

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

Идеальный датасет включает разнообразные примеры интересующих объектов, снятые под разными углами, в различных условиях освещения и на множестве разных фонов и сред. Такое разнообразие гарантирует, что модель компьютерного зрения научится точно распознавать закономерности и будет надежно работать в реальных сценариях.

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

После сбора релевантных изображений и видео следующим шагом является разметка данных. Этот процесс включает в себя добавление тегов, аннотаций или описаний к данным, чтобы ИИ мог понять, что содержит каждое изображение или видео.

Метки могут включать имена объектов, местоположения, границы или другие релевантные детали, которые помогают обучить модель токенизировать и точно интерпретировать визуальную информацию. Разметка данных превращает простую коллекцию изображений в структурированный датасет, который можно использовать для обучения модели компьютерного зрения.

Обучение моделей требует высококачественных данных#

Возможно, тебе интересно, что делает датасет высококачественным. Здесь задействовано множество факторов, таких как точность разметки, разнообразие и согласованность. Например, если несколько разметчиков размечают датасет обнаружения объектов для определения кошачьих ушей, один может пометить их как часть головы, а другой — отдельно как уши. Эта несогласованность может запутать модель и повлиять на ее способность правильно обучаться.

Вот краткий обзор качеств идеального набора данных для компьютерного зрения:

• Четкие метки: Каждое изображение точно аннотировано последовательными и точными метками.
• Разнообразные данные: Набор данных включает различные объекты, фоны, условия освещения и углы обзора, чтобы помочь модели хорошо работать в разных ситуациях.
• Изображения высокого разрешения: Четкие, детальные изображения облегчают модели изучение и распознавание признаков.

Ultralytics поддерживает различные наборы данных#

Модели Ultralytics YOLO, такие как YOLO11, созданы для работы с наборами данных в определенном формате файлов YOLO. Хотя конвертировать свои данные в этот формат легко, мы также предоставляем готовое решение для тех, кто хочет начать экспериментировать прямо сейчас.

Пакет Python от Ultralytics поддерживает широкий спектр датасетов компьютерного зрения, позволяя тебе погружаться в проекты с использованием таких задач, как обнаружение объектов, сегментация экземпляров или оценка поз, без какой-либо дополнительной настройки.

Ты можешь легко получить доступ к готовым наборам данных, таким как COCO, DOTA-v2.0, Open Images V7 и ImageNet, указав имя набора данных в качестве одного из параметров функции обучения. Когда ты это сделаешь, набор данных будет автоматически загружен и настроен, чтобы ты мог сосредоточиться на создании и улучшении своих моделей.

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

Достижения в области визуального ИИ опираются на разнообразные крупномасштабные наборы данных, которые стимулируют инновации и позволяют совершать прорывы. Давай взглянем на некоторые из наиболее важных наборов данных, поддерживаемых Ultralytics, которые влияют на развитие моделей компьютерного зрения.

Набор данных ImageNet#

ImageNet, созданный Фэй-Фэй Ли и ее командой из Принстонского университета в 2007 году и представленный в 2009 году, представляет собой крупный датасет, содержащий более 14 миллионов размеченных изображений. Он широко используется для обучения систем распознаванию и категоризации различных объектов. Его структурированный дизайн делает его особенно полезным для обучения моделей точной классификации изображений. Хотя он хорошо документирован, он в основном сосредоточен на классификации изображений и не имеет подробных аннотаций для таких задач, как обнаружение объектов.

Вот взгляд на некоторые из ключевых преимуществ ImageNet:

• Разнообразие: Благодаря изображениям, охватывающим более 20 000 категорий, ImageNet предлагает огромный и разнообразный набор данных, который улучшает обучение и обобщающую способность моделей.
• Структурированная организация: Изображения тщательно классифицированы с использованием иерархии WordNet, что облегчает эффективное извлечение данных и систематическое обучение моделей.
• Комплексная документация: обширные исследования и годы изучения делают ImageNet доступным как для новичков, так и для экспертов, предоставляя ценные идеи и рекомендации для проектов компьютерного зрения.

Однако, как и любой набор данных, у него есть свои ограничения. Вот некоторые из проблем, которые стоит учитывать:

• Вычислительные нагрузки: Его огромный размер может создать проблемы для небольших команд с ограниченными вычислительными ресурсами.
• Отсутствие временных данных: Поскольку он содержит только статические изображения, он может не удовлетворять потребности приложений, требующих видео или данных, привязанных ко времени.
• Устаревшие изображения: Некоторые изображения в наборе данных старые и могут не отражать современные объекты, стили или условия, что потенциально снижает их актуальность для современных приложений.

Набор данных DOTA-v2.0#

Датасет DOTA-v2.0, где DOTA расшифровывается как Dataset for Object Detection in Aerial Images, представляет собой обширную коллекцию аэрофотоснимков, созданную специально для обнаружения объектов с помощью ориентированных ограничивающих рамок (OBB). При обнаружении OBB повернутые ограничивающие рамки используются для более точного соответствия фактической ориентации объектов на изображении. Этот метод особенно хорошо работает для аэрофотоснимков, где объекты часто появляются под разными углами, что приводит к более точной локализации и лучшему обнаружению в целом.

Этот набор данных состоит из более чем 11 000 изображений и более 1,7 миллиона ориентированных ограничивающих рамок по 18 категориям объектов. Размеры изображений варьируются от 800×800 до 20 000×20 000 пикселей и включают объекты, такие как самолеты, корабли и здания.

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

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

• Разнообразные категории объектов: Он охватывает множество различных типов объектов, таких как транспортные средства, гавани и резервуары для хранения, знакомя модели с различными реальными объектами.
• Высококачественные аннотации: Эксперты-разметчики предоставили точно ориентированные ограничивающие рамки, которые четко показывают формы и направления объектов.
• Многомасштабные изображения: Набор данных включает изображения разных размеров, помогая моделям научиться обнаруживать объекты как в малом, так и в большом масштабе.

Хотя DOTA-v2 имеет множество сильных сторон, вот некоторые ограничения, о которых пользователям следует помнить:

• Дополнительные шаги загрузки: Из-за способа ведения набора данных DOTA, DOTA-v2.0 требует дополнительного шага настройки. Тебе нужно сначала загрузить изображения DOTA-v1.0, а затем добавить дополнительные изображения и обновленные аннотации для DOTA-v2.0, чтобы завершить набор данных.
• Сложные аннотации: Ориентированные ограничивающие рамки могут потребовать дополнительных усилий при обработке во время обучения модели.
• Ограниченная область применения: DOTA-v2 разработан для аэрофотоснимков, что делает его менее полезным для общих задач обнаружения объектов вне этой области.

Набор данных Roboflow 100#

Датасет Roboflow 100 (RF100) был создан компанией Roboflow при поддержке Intel. Его можно использовать для тестирования и бенчмаркинга эффективности моделей обнаружения объектов. Этот бенчмарк-датасет включает 100 различных датасетов, выбранных из более чем 90 000 общедоступных датасетов. В нем содержится более 224 000 изображений и 800 классов объектов из таких областей, как здравоохранение, аэрофотосъемка и гейминг.

Вот некоторые из ключевых преимуществ использования RF100:

• Широкий охват областей: Он включает наборы данных из семи областей, таких как медицинская визуализация, аэрофотосъемка и подводные исследования.
• Поощряет улучшение моделей: Вариативность и специфические для каждой области проблемы в RF100 выявляют пробелы в текущих моделях, стимулируя исследования в направлении более адаптивных и надежных решений для обнаружения объектов.
• Единый формат изображений: Все изображения изменены до размера 640x640 пикселей. Это помогает пользователям обучать модели без необходимости корректировать размеры изображений.

Несмотря на свои сильные стороны, RF100 также имеет некоторые недостатки, о которых стоит помнить:

• Ограниченность с точки зрения задач: RF100 предназначен для обнаружения объектов, поэтому он не подходит для таких задач, как сегментация или классификация.
• Фокус на эталонном тестировании: RF100 в первую очередь задуман как инструмент для бенчмаркинга, а не для обучения моделей для реальных приложений, поэтому его результаты могут не полностью соответствовать сценариям практического развертывания.
• Вариативность аннотаций: Поскольку RF100 объединяет краудсорсинговые наборы данных, возможны несоответствия в качестве аннотаций и методах разметки, что может повлиять на оценку и дообучение моделей.

Набор данных COCO (Common Objects in Context)#

Датасет COCO является одним из наиболее широко используемых датасетов компьютерного зрения, предлагая более 330 000 изображений с подробными аннотациями. Он предназначен для обнаружения объектов, сегментации и описания изображений, что делает его ценным ресурсом для многих проектов. Его подробные метки, включая ограничивающие рамки и маски сегментации, помогают системам учиться точно анализировать изображения.

Этот набор данных известен своей гибкостью и полезен для различных задач, от простых до сложных проектов. Он стал стандартом в области визуального ИИ и часто используется в соревнованиях для оценки производительности моделей.

Некоторые из его сильных сторон включают:

• Разнообразные и реалистичные данные: Набор данных включает изображения из реальных сценариев с множеством объектов, перекрытиями и различными условиями освещения.
• Сильное сообщество и принятие в исследованиях: Используемый в крупных соревнованиях по машинному обучению и исследованиях, набор данных COCO имеет обширную документацию, предобученные модели и активную поддержку сообщества.
• Богатые и подробные аннотации: Набор данных COCO предоставляет очень подробные аннотации, включая сегментацию объектов, ключевые точки и описания, что делает его идеальным для проектов, требующих точного визуального понимания.

Вот несколько ограничивающих факторов, о которых также следует знать:

• Высокие вычислительные требования: Из-за своего размера и сложности обучение моделей на COCO может потребовать значительных вычислительных ресурсов, что затруднительно для команд с ограниченным оборудованием.
• Дисбаланс данных: Некоторые категории объектов содержат значительно больше изображений, чем другие, что может привести к предвзятости при обучении моделей.
• Сложная структура аннотаций: Подробные аннотации набора данных, при всей их ценности, могут быть непосильными для новичков или небольших команд, у которых нет опыта работы со структурированными наборами данных визуального ИИ.

Набор данных Open Images V7#

Open Images V7 — это масштабный датасет с открытым исходным кодом, созданный Google, содержащий более 9 миллионов изображений с аннотациями для 600 категорий объектов. Он включает в себя различные типы аннотаций и идеально подходит для решения сложных задач компьютерного зрения. Его масштаб и глубина обеспечивают комплексный ресурс для обучения и тестирования моделей компьютерного зрения.

Рис. 3. Краткий обзор датасета Open Images V7. Изображение автора.

Кроме того, популярность набора данных Open Images V7 в исследованиях предоставляет массу ресурсов и примеров, на которых пользователи могут учиться. Однако его огромный размер может сделать загрузку и обработку трудоемкими, особенно для небольших команд. Другая проблема заключается в том, что некоторые аннотации могут быть несогласованными, требуя дополнительных усилий по очистке данных, а интеграция не всегда проходит гладко, что означает необходимость дополнительной подготовки.

Выбор подходящего набора данных#

Выбор правильного набора данных — большая часть успеха твоего проекта по компьютерному зрению. Лучший выбор зависит от твоей конкретной задачи — нахождение хорошего соответствия помогает твоей модели освоить нужные навыки. Он также должен легко интегрироваться с твоими инструментами, чтобы ты мог сосредоточиться больше на создании своей модели и меньше на устранении неполадок.

Рис 4. Факторы для выбора правильного набора данных. Изображение автора.

Основные выводы#

Высококачественные наборы данных являются основой любой модели компьютерного зрения, помогая системам научиться точно интерпретировать изображения. Разнообразные и хорошо аннотированные наборы данных особенно важны, поскольку они позволяют моделям надежно работать в реальных условиях и снижают ошибки, вызванные ограниченными или некачественными данными.

Ultralytics упрощает процесс доступа к наборам данных для компьютерного зрения и работы с ними, делая поиск подходящих данных для твоего проекта проще. Выбор правильного набора данных — важнейший шаг в создании высокопроизводительной модели, который ведет к более точным и эффективным результатам.

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