Автономное вождение – набор данных о поведении водителя в салоне автомобиля
Улучшайте модели ИИ с помощью лучших в своем классе наборов изображений и видеоданных промышленных машин.
Пример использования: Автономное вождение / Компьютерное зрение
Формат: Изображения
Количество: 9,612
Аннотация: Нет
Описание: Проект по сбору изображений салонов автомобилей: сбор данных изображений — анализ поведения водителя.
Пример использования: Автономное вождение / Компьютерное зрение
Формат: Видео
Количество: 48,022
Аннотация: Нет
Описание: Видеоданные с поврежденным автомобилем (незначительные повреждения), 360° видеообзор автомобиля.
Пример использования: Автономное вождение / Компьютерное зрение
Формат: Изображения
Количество: 8,014
Аннотация: Нет
Описание: Набор данных номерных знаков (США, Канада, Мексика). Аннотирование выполнено в соответствии со спецификациями заказчика.
Пример использования: Автономное вождение / Компьютерное зрение
Формат: Изображения
Количество: 3,000
Аннотация: Нет
Описание: Набор данных изображений автомобильных номерных знаков (США) содержит разнообразные изображения автомобилей с видимыми номерными знаками, что поддерживает автономное вождение, мониторинг дорожного движения и приложения компьютерного зрения, такие как обнаружение и распознавание номерных знаков.
Пример использования: Набор данных для идентификации ключевых точек автомобиля
Формат: Изображение
Количество: 25 тыс.
Примечание: Да
Описание: Набор данных «Идентификация ключевых точек автомобиля» предназначен для применения в сфере визуальных развлечений и автономного вождения и включает в себя коллекцию изображений, собранных в интернете, с разрешением 640 x 512 пикселей. В этом наборе данных используются ограничивающие рамки для идентификации целевых автомобилей, а также аннотируются 14 ключевых точек на каждом транспортном средстве, включая четыре верхние точки, четыре фары, четыре колеса и области остекления спереди и с левой стороны, что обеспечивает подробные данные для задач моделирования и распознавания автомобилей.
Пример использования: Набор данных для сегментации поврежденных компонентов печатной платы
Формат: Изображение
Количество: 1,000
Примечание: Да
Описание: Набор данных «Сегментация поврежденных частей древесных плит» — это специализированная коллекция, разработанная специально для производственного сектора, особенно для деревообрабатывающей промышленности. Он включает в себя изображения, собранные в интернете, с высоким разрешением от 3024 x 4032 до 2048 x 5750 пикселей. Этот набор данных фокусируется на семантической сегментации различных типов повреждений древесных плит, включая трещины, повреждения от насекомых и гниение, что помогает в контроле качества и производственных процессах.
Пример использования: Процесс рассмотрения страхового случая
Формат: avi, mkv, mov, mp4, mp5.
Количество: 48366
Аннотация: Нет
Описание: Видеообзор автомобилей с повреждениями в формате 360 градусов, снятый в обычном, размеренном темпе, с постоянной видимостью верхней и нижней части кузова. Повреждения: царапины, вмятины, сколы или трещины размером больше мяча для гольфа. Повреждения внешних панелей: бамперы, крылья, задние крылья, двери, капоты и багажники. Местоположение: Азия, США, Канада и Европа.
Устройство записи: Мобильная камера
Условия записи: смешанные условия освещения.
Пример использования: Процесс рассмотрения страхового случая
Формат: .jpg
Количество: 3958
Примечание: Да
Описание: Более 490 автомобилей и 3958 фотографий поврежденных автомобилей с аннотациями (вместе с метаданными). Охватывает все стороны автомобиля (8 фотографий для каждого автомобиля) - Примеры использования в процессе страхового возмещения.
Устройство записи: Мобильная камера
Условия записи: смешанные условия освещения.
Пример применения: Классификация пламени при промышленной выплавке металлов
Формат: Изображение
Количество: 41 тыс.
Примечание: Да
Описание: Набор данных «Классификация пламени при промышленной выплавке металлов» предназначен для промышленного сектора и включает в себя коллекцию изображений пламени при выплавке металлов, собранных в интернете, с разрешением 350 x 350 пикселей. Этот набор данных предназначен для классификации изображений пламени по 10 категориям, включая переэкспозицию, черный дым, интенсивность пожара, искры, а также различную интенсивность разбрызгивания шлака и брызг, предоставляя важные данные для мониторинга и оптимизации процессов выплавки.
Пример использования: Набор данных для сегментации дефектов деталей машин.
Формат: Изображение
Количество: 120 тыс.
Примечание: Да
Описание: Набор данных «Сегментация дефектов деталей машин» предназначен для производственной отрасли и состоит из изображений, собранных в интернете, с разрешением 1000 x 1000 пикселей. Этот набор данных ориентирован на бинарную сегментацию для выявления белых дефектов на деталях машин, предоставляя четкие аннотации, которые выделяют проблемные области для процессов контроля качества и инспекции.
Пример использования: Набор данных для сегментации деталей машин
Формат: Изображение
Количество: 2.3 тыс.
Примечание: Да
Описание: Набор данных «Сегментация деталей машин» разработан специально для производственного сектора и представляет собой коллекцию изображений, собранных в интернете, с разрешением 2048 x 1536 пикселей. Этот набор данных специализируется на семантической сегментации, аннотировании полигонов и ключевых точек, уделяя особое внимание аннотированию контуров мест обработки на рентгеновских снимках деталей машин, что облегчает точный анализ и контроль в производственных процессах.
Пример использования: Набор данных с обозначениями железнодорожных линий
Формат: Изображение
Количество: 3 тыс.
Примечание: Да
Описание: Набор данных «Rail Line Labeling Dataset» разработан для промышленного применения и представляет собой коллекцию изображений, собранных в интернете, с разрешением 1920 x 1080 пикселей. Этот набор данных специализируется на детальной разметке железнодорожных линий, включая их повороты и слияния, с использованием полигональных аннотаций. Кроме того, поезда на этих изображениях помечены ограничивающими рамками. Набор данных специально ориентирован на железнодорожные сети, собранные в Ухане, что обеспечивает локализованный контекст для анализа железнодорожных линий и обнаружения поездов.
Мы используем файлы cookie для улучшения вашего опыта на нашем сайте. Используя наш сайт, вы соглашаетесь на файлы cookie.
Управляйте настройками файлов cookie ниже:
Основные файлы cookie включают основные функции и необходимы для правильной работы сайта.
Диспетчер тегов Google упрощает управление маркетинговыми тегами на вашем сайте без изменения кода.
Статистические файлы cookie собирают информацию анонимно. Эта информация помогает нам понять, как посетители используют наш веб-сайт.
Google Analytics — мощный инструмент, который отслеживает и анализирует трафик веб-сайта для принятия обоснованных маркетинговых решений.
URL сервиса: policies.google.com (откроется в новом окне)
Маркетинговые файлы cookie используются для отслеживания посетителей веб-сайтов. Цель состоит в том, чтобы показывать рекламу, которая актуальна и интересна для отдельного пользователя.
Google Ads — это онлайн-платформа для размещения рекламы, которая позволяет компаниям создавать целевые объявления, отображаемые в результатах поиска Google и на сайтах партнеров.
URL сервиса: policies.google.com (откроется в новом окне)
HubSpot — это универсальная платформа для маркетинга, продаж и обслуживания клиентов, которая способствует росту бизнеса.
URL сервиса: legal.hubspot.com (откроется в новом окне)
Более подробную информацию вы найдете в нашей Политике использования файлов cookie и Политике конфиденциальности.