Лучшие наборы данных для компьютерного зрения в 2025 году

Знаешь ли ты, что данные используются почти во всём, что ты делаешь каждый день? Просмотр видео, съёмка фото или проверка маршрута в Google Maps — всё это становится частью постоянного потока информации, собираемой более чем 75 миллиардами подключённых устройств. Эти данные лежат в основе искусственного интеллекта (AI). Продвинутые модели компьютерного зрения, такие как Ultralytics YOLO11, используют визуальные данные, чтобы выявлять закономерности, интерпретировать изображения и понимать окружающий мир.

Интересно, что ценность данных зависит не только от их количества. Гораздо важнее, насколько хорошо данные организованы и подготовлены. Если набор данных неструктурирован или неполон, это может привести к ошибкам. Но чистые и разнообразные наборы данных помогают моделям компьютерного зрения работать лучше — будь то распознавание объектов в толпе или анализ сложных изображений. Высококачественные наборы данных имеют решающее значение.

В этой статье мы рассмотрим лучшие наборы данных для компьютерного зрения за 2025 год и узнаем, как они помогают создавать более точные и эффективные модели компьютерного зрения.

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. В такие наборы данных входят метки или аннотации, помогающие моделям распознавать объекты, людей, сцены и закономерности.

Эти наборы данных можно использовать для обучения моделей компьютерного зрения, помогая им лучше справляться с такими задачами, как распознавание лиц, обнаружение объектов или анализ сцен. Чем качественнее набор данных — лучше организованный, более разнообразный и точный, — тем лучше работает модель визуального ИИ. В результате повседневные технологии становятся умнее и полезнее.

Как создать набор данных для компьютерного зрения#

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

В идеальном наборе данных есть разнообразные примеры интересующих объектов, снятые под разными углами, при различном освещении, на разных фонах и в различных условиях. Такое разнообразие помогает модели компьютерного зрения точно распознавать закономерности и надёжно работать в реальных условиях.

Рис. 1. Создание идеального набора данных для компьютерного зрения. Изображение создано автором.

После сбора подходящих изображений и видео следующий шаг — разметка данных. Этот процесс включает добавление к данным меток, аннотаций или описаний, чтобы ИИ мог понять, что изображено на каждом фото или видео.

Метки могут содержать названия объектов, их местоположение, границы и другие важные сведения, помогающие модели 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. На это влияет множество факторов, например точность разметки, разнообразие и единообразие. Допустим, несколько аннотаторов размечают набор данных для обнаружения объектов, чтобы найти кошачьи уши: один может отметить их как часть головы, а другой — отдельно как уши. Такая несогласованность может запутать модель и помешать ей правильно обучиться.

Кратко рассмотрим свойства идеального набора данных для компьютерного зрения:

• Понятные метки: каждое изображение размечено точно, последовательно и без двусмысленности.
• Разнообразные данные: набор данных содержит разные объекты, фоны, условия освещения и ракурсы, чтобы модель хорошо работала в различных ситуациях.
• Изображения высокого разрешения: чёткие и детализированные изображения упрощают обучение модели и распознавание признаков.

Ultralytics поддерживает различные наборы данных#

Модели Ultralytics YOLO, например YOLO11, рассчитаны на работу с наборами данных в специальном формате файлов YOLO. Хотя преобразовать собственные данные в этот формат легко, мы также предлагаем более простой вариант для тех, кто хочет сразу приступить к экспериментам.

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

Пользователи могут легко получить готовые к использованию наборы данных, например COCO, DOTA (v1.0 и v1.5), Open Images V7 и ImageNet, указав название набора данных в качестве одного из параметров функции обучения. После этого набор данных автоматически загружается и предварительно настраивается, поэтому ты можешь сосредоточиться на создании и доработке моделей.

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

Развитие визуального ИИ опирается на разнообразные крупномасштабные наборы данных, которые стимулируют инновации и открывают новые возможности. Рассмотрим некоторые из наиболее важных наборов данных, поддерживаемых Ultralytics и влияющих на развитие моделей компьютерного зрения.

Набор данных ImageNet#

ImageNet, созданный Фэй-Фэй Ли и её командой из Принстонского университета в 2007 году и представленный в 2009 году, — это крупный набор данных, содержащий более 14 миллионов размеченных изображений. Его широко используют для обучения систем распознавать и классифицировать различные объекты. Продуманная структура делает его особенно полезным для обучения моделей точной классификации изображений. Несмотря на хорошую документацию, набор данных ориентирован главным образом на классификацию изображений и не содержит подробной разметки для таких задач, как обнаружение объектов.

Рассмотрим основные достоинства ImageNet:

• Разнообразие: ImageNet содержит изображения более чем 20 000 категорий и предлагает обширный и разнообразный набор данных, который улучшает обучение и способность моделей к обобщению.
• Структурированная организация: изображения тщательно классифицированы по иерархии WordNet, что упрощает поиск данных и систематическое обучение моделей.
• Подробная документация: благодаря обширным исследованиям и многолетней работе ImageNet доступен как новичкам, так и экспертам и предлагает полезную информацию и рекомендации для проектов компьютерного зрения.

Однако, как и у любого набора данных, у него есть ограничения. Вот о каких сложностях стоит помнить:

• Высокие требования к вычислительным ресурсам: огромный размер набора данных может создавать трудности для небольших команд с ограниченными вычислительными ресурсами.
• Отсутствие временных данных: набор содержит только статичные изображения и может не подойти для приложений, которым нужны видео или данные с временной привязкой.
• Устаревшие изображения: некоторые изображения в наборе данных были сделаны давно и могут не отражать современные объекты, стили или условия, что снижает их актуальность для современных приложений.

Набор данных DOTA-v2.0#

Набор данных DOTA-v2.0, где DOTA означает «Набор данных для обнаружения объектов на аэрофотоснимках», — это обширная коллекция аэрофотоснимков, созданная специально для обнаружения объектов с ориентированными ограничивающими рамками (OBB). При обнаружении OBB используются повёрнутые ограничивающие рамки, которые точнее соответствуют фактическому положению объектов на изображении. Этот метод особенно хорошо подходит для аэрофотоснимков, где объекты часто расположены под разными углами: благодаря этому локализация становится точнее, а обнаружение объектов в целом — качественнее.

Набор данных содержит более 11 000 изображений и свыше 1,7 миллиона ориентированных ограничивающих рамок для 18 категорий объектов. Размер изображений варьируется от 800×800 до 20 000×20 000 пикселей; на них есть самолёты, корабли, здания и другие объекты.

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

Благодаря подробной разметке DOTA-v2.0 стал популярным выбором для проектов дистанционного зондирования и аэронаблюдения. Вот основные особенности DOTA-v2.0:

• Разнообразие категорий объектов: набор данных охватывает множество типов объектов — например, транспортные средства, гавани и резервуары для хранения. Это позволяет моделям работать с разнообразными объектами реального мира.
• Высококачественная разметка: опытные специалисты разметили объекты точно ориентированными ограничивающими рамками, которые чётко показывают их форму и направление.
• Изображения разных масштабов: набор содержит изображения разного размера, помогая моделям учиться обнаруживать как мелкие, так и крупные объекты.

Несмотря на множество достоинств DOTA-v2, пользователям стоит учитывать и некоторые ограничения:

• Дополнительные шаги для загрузки: из-за особенностей поддержки набора данных DOTA для DOTA-v2.0 требуется дополнительная настройка. Сначала нужно скачать изображения DOTA-v1.0, а затем добавить изображения и обновлённые аннотации для DOTA-v2.0, чтобы собрать полный набор данных.
• Сложная разметка: для работы с ориентированными ограничивающими рамками при обучении модели могут потребоваться дополнительные усилия.
• Ограниченная область применения: DOTA-v2 предназначен для аэрофотоснимков, поэтому он менее полезен для задач общего 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 проверки и оценки качества работы моделей обнаружения объектов. Этот набор для тестирования включает 100 наборов данных, отобранных из более чем 90 000 общедоступных наборов. В нём более 224 000 изображений и 800 классов объектов из таких областей, как здравоохранение, аэрофотосъёмка и игры.

Вот некоторые основные преимущества использования RF100:

• Широкий охват областей: набор включает данные из семи сфер, например медицинской визуализации, аэрофотосъёмки и подводных исследований.
• Помогает улучшать модели: разнообразие данных и специфичные для каждой области сложности RF100 выявляют недостатки существующих моделей и направляют исследования на создание более адаптивных и надёжных решений для обнаружения объектов.
• Единый формат изображений: все изображения имеют размер 640x640 пикселей. Благодаря этому пользователям не нужно менять размер изображений перед обучением моделей.

Несмотря на достоинства RF100, стоит учитывать и его недостатки:

• Ограниченный набор задач: RF100 предназначен для обнаружения объектов и не подходит для таких задач, как сегментация или классификация.
• Ориентация на тестирование: RF100 создан прежде всего для сравнительной оценки моделей, а не для их обучения с целью применения в реальных условиях, поэтому результаты могут не полностью соответствовать практическим сценариям развёртывания.
• Различия в разметке: RF100 объединяет наборы данных, собранные краудсорсинговым способом, поэтому качество аннотаций и правила разметки могут быть непоследовательными. Это может повлиять на оценку и дообучение моделей.

Набор данных COCO (Общие объекты в контексте)#

Набор данных COCO — один из самых широко используемых наборов данных для компьютерного зрения. Он содержит более 330 000 изображений с подробной разметкой. Набор предназначен для обнаружения объектов, сегментации и создания описаний изображений, поэтому он полезен во многих проектах. Подробные метки, в том числе ограничивающие рамки и маски сегментации, помогают системам точно анализировать изображения.

Этот набор данных отличается гибкостью и подходит для самых разных задач — от простых до сложных проектов. Он стал отраслевым стандартом в области визуального ИИ и часто используется в испытаниях и соревнованиях для оценки производительности моделей.

Вот некоторые его достоинства:

• Разнообразные и реалистичные данные: набор включает изображения из реальных сценариев с несколькими объектами, перекрытиями и разными условиями освещения.
• Активное использование в сообществе и исследованиях: набор данных COCO используют в крупных соревнованиях по машинному обучению и научных исследованиях; для него доступны подробная документация, предварительно обученные модели и активная поддержка сообщества.
• Богатая и подробная разметка: набор данных COCO содержит подробную разметку, включая сегментацию объектов, ключевые точки и подписи, поэтому он идеально подходит для проектов, требующих точного визуального понимания.

Также стоит учитывать несколько ограничений:

• Высокие требования к вычислительным ресурсам: из-за размера и сложности набора обучение моделей на COCO может требовать значительных вычислительных ресурсов, что создаёт трудности для команд с ограниченным аппаратным обеспечением.
• Дисбаланс данных: одни категории объектов представлены значительно большим количеством изображений, чем другие, что может привести к смещению при обучении модели.
• Сложная структура разметки: подробные аннотации набора данных полезны, но могут быть сложны для новичков и небольших команд, у которых нет опыта работы со структурированными наборами данных для визуального ИИ.

Набор данных Open Images V7#

Open Images V7 — это огромный набор данных с открытым исходным кодом, подготовленный Google. Он включает более 9 миллионов изображений с разметкой для 600 категорий объектов. Набор содержит разные типы аннотаций и идеально подходит для решения сложных задач компьютерного зрения. Его масштаб и разнообразие делают его исчерпывающим ресурсом для обучения и тестирования моделей компьютерного зрения.

Рис. 3. Пример набора данных Open Images V7. Изображение предоставлено автором.

Кроме того, популярность набора данных Open Images V7 в исследовательской среде даёт пользователям доступ к множеству ресурсов и примеров для обучения. Однако из-за огромного размера загрузка и обработка данных могут занимать много времени, особенно у небольших команд. Ещё одна проблема — непоследовательность некоторых аннотаций, из-за которой приходится тратить дополнительные усилия на очистку данных. Интеграция также не всегда проходит гладко, поэтому может потребоваться дополнительная подготовка.

Как выбрать подходящий набор данных#

Выбор подходящего набора данных — важный этап, от которого зависит успех проекта по компьютерному зрению. Оптимальный вариант определяется конкретной задачей: подходящий набор данных поможет модели освоить нужные навыки. Кроме того, его должно быть легко интегрировать с твоими инструментами, чтобы ты мог сосредоточиться на создании модели, а не на устранении неполадок.

Рис. 4. Факторы выбора подходящего набора данных. Изображение предоставлено автором.

Главные выводы#

Высококачественные наборы данных — основа любой модели компьютерного зрения: они помогают системам точно интерпретировать изображения. Особенно важны разнообразные и качественно размеченные данные, поскольку они позволяют моделям надёжно работать в реальных условиях и снижают число ошибок, вызванных недостаточными или некачественными данными.

Ultralytics упрощает доступ к наборам данных для компьютерного зрения и работу с ними, помогая быстрее находить подходящие данные для проекта. Выбор правильного набора данных — важный этап создания высокопроизводительной модели, который помогает добиться более точных и значимых результатов.

Присоединяйся к нашему сообществу и изучай наш репозиторий на GitHub, чтобы больше узнать об ИИ. Познакомься с такими достижениями, как компьютерное зрение в здравоохранении и ИИ в беспилотных автомобилях, на страницах наших решений. Ознакомься с вариантами лицензирования и сделай первый шаг к работе с компьютерным зрением уже сегодня!