计算机视觉使计算机能够理解图像和视频的内容。计算机视觉的目标是使人类视觉系统能够自动执行任务。计算机视觉任务包括图像采集，图像处理和图像分析。图像数据可以采用不同的形式，例如视频序列，从不同角度查看来自不同摄像机的图像或来自医疗扫描仪的多维数据。用于计算机视觉训练的Labelme图像数据集：由MIT计算机科学和人工智能实验室（CSAIL）创建的大型数据集，包含187,240张图像，62,197条带注释的图像和658,992张带标签的对象。乐高积木：通过文件夹和使用Blender渲染的计算机分类的大约16,700种乐高积木的大约12,700张图像。 ImageNet：用于新算法的实际图像数据集。根据WordNet层次结构进行组织，其中层次结构的每个节点都以成千上万的图像进行描绘。 LSUN：具有许多辅助任务（房间布局估计，显着性预测等）的场景理解MSCOCO：COCO是大规模的对象检测，分割和字幕数据集，包含超过200,000张带标签的图像。它可以用于对象细分，上下文识别和许多其他用例。哥伦比亚大学图像库：COIL100是一个数据集，其中包含100个不同的对象，分别以360度旋转角度成像。视觉基因组：视觉基因组是旨在将结构化图像概念与语言联系起来的数据库和知识库。该数据库具有详细的视觉知识库，其中包含108077个图像标题。 Google的公开图片：“ CreativeCommons”下有900万个URL的图像集合，这些URL带有6,000多个类别标签。来自“打开图像”的带注释图像数据集。左：“ Ghost Arch”由Kevin Krejci。右：JB制造的银色厨具。这两个图像均在CCBY2.0许可下使用。 Youtube-8M：大规模的标记数据集，由数百万个YouTube视频ID组成，并带有3,800多个视觉实体的注释。带有标签的野外面孔：用于开发涉及面部识别的应用程序的13,000个带有标签的面孔图像。斯坦福犬数据集：包含20,580张图像和120个不同的犬种类别，每个类别约有150张图像。位置：以场景为中心的数据库，其中包含205个场景类别和250万个带有类别标签的图像。 CelebFaces：人脸数据集，其中包含200,000多个名人图像，每个图像带有40个属性注释。花卉：英国常见的花卉图像数据集，包含102个不同类别。每个花朵类别包含40到258张图像，这些图像具有不同的姿势和光线变化。植物图像分析：涵盖超过一百万个植物图像的数据集。您可以从11种植物中选择。家庭对象：一个数据集，包含来自家庭的随机对象，大部分来自厨房，浴室和客厅。这些对象分为训练和测试数据集。 CIFAR-10：包含60,000张32×32彩色图像的大图像数据集，分为10类。数据集分为五个训练批次和一个测试批次，每个批次包含10,000张图像。 CompCars：包含163个模型，其中包括1,716个模型。每个模型都有五个属性标记，包括最大速度，排量，门数，座椅数和轿厢类型。室内场景识别：非常具体的数据集，非常有用，因为大多数场景识别模型的“外部”效果更好。包含67个室内类别，共15,620张图像。 VisualQA：VQA是一个数据集，其中包含有关265,016张图像的开放式问题。这些问题需要对视觉和语言的理解。对于每个图像，至少有3个问题，每个问题有10个答案。原始标题：机器学习和计算机视觉的前20个图像数据集文章来源：[微信官方帐号：新机器视觉]欢迎您关注！请指出转载文章的来源。