精选航拍数据集资源汇总:覆盖多领域应用

精选航拍数据集,助力研究!涵盖车辆、船舶检测,城市景观等。一键下载,提升模型精度。

原文标题:航拍数据集汇总,覆盖车辆/船舶检测/物体评估/城市景观……

原文作者:数据派THU

冷月清谈:

本文整理了一系列高质量的航拍数据集,覆盖了车辆检测、船舶检测、物体评估、城市景观等多个领域,这些数据集来自天津大学、武汉大学等高校。高质量的航拍数据集对于相关模型能否从简单的数据采集,迈向精准的物体评估与场景分类至关重要。文章详细介绍了FLAME火灾航空图像数据集、SkyCity城市景观航拍数据集、Aerial Landscape Images航拍景观数据集、Ships/Vessels in Aerial Images船只航拍数据集、Bird vs Drone鸟类与无人机图像分类数据集、iSAID航空图像实例分割数据集、DroneVehicle大规模无人机航拍车辆检测数据集、西班牙交通航拍图像数据集、UAVid 航拍数据集、DOTA 航拍图像数据集等,并提供了下载地址。这些数据集对于致力于在航拍领域深耕的从业者与研究者而言,是宝贵的资源。

怜星夜思:

1、航拍数据集在城市规划中除了文中提到的景观分类,还可以应用在哪些方面?
2、针对无人机航拍图像的特点,在算法设计上有什么需要特别考虑的?
3、文中的多个数据集都提到了YOLO格式,YOLO这种目标检测算法有什么优势,为什么在航拍图像分析中应用广泛?

原文内容

来源:HyperAI超神经

本文约2200字,建议阅读5分钟

本文为大家整理了一系列热度较高且实用的航拍数据集。

本文为大家整理了目前热度较高的航拍数据集,覆盖车辆检测、船舶检测、物体评估、城市景观等多个领域。一键即可下载,快来体验吧~


随着无人机的普及化和计算机视觉技术的迅猛发展,无人机航拍作为一种创新的摄影方式,正以前所未有的速度走进大众视野。它打破了传统拍摄的局限,为我们开启了「上帝视角」。航拍硬件性能逐渐逼近物理极限,算法优化的难度也日益增大,数据质量的优劣直接决定了相关模型能否从简单的数据采集,迈向精准的物体评估与场景分类。


航拍数据集的构建,绝不是简单的影像堆砌。与传统的数据采集方式相比,航拍可以在短时间内获取大规模的信息数据,大大提高了数据采集的效率。此外,为确保数据的有效性与安全性,需对采集区域、时间进行合理规划,严格划分训练集、验证集与测试集,并建立动态更新机制,定期补充新数据,以适应不断变化的地理、物理环境。面对城市规划、目标检测、物体评估等复杂任务,构建数据集时更要深入分析各领域需求,融入多维度信息,模拟真实应用场景,为模型训练提供贴近实际的学习素材。


总而言之,当今整个社会对于高质量航拍数据集的关注度都在持续攀升。接下来,本文为大家整理了一系列热度较高且实用的航拍数据集,分别来自天津大学、武汉大学等高校,涉及车辆检测、船舶检测、物体评估等多个领域。对于致力在航拍领域深耕的从业者与研究者而言,这些数据集无疑是绝强的助力。


点击查看更多开源数据集:

https://go.hyper.ai/CdPJZ


航拍数据集汇总


1、FLAME 火灾航空图像数据集


下载地址:https://go.hyper.ai/1sVr3


FLAME 是一个基于航拍图像的森林火情检测数据集,旨在促进森林火灾的监控报警。数据来自无人机在亚利桑那州松树林的规定燃烧堆积杂物期间收集的火灾图像,包括红外相机拍摄的视频记录和热图。


2、SkyCity Aerial City Landscape 

城市景观航拍数据集


预估大小:117.1 MB

下载地址:https://go.hyper.ai/3SVIW


该数据集用于空中景观分类,图像共 8k 张,包含 10 个不同类别(桥、商业场所、工业场所、路口、地标、公园、停车场、操场、住宅、体育场),每个类别包含 800 张高质量图像。数据来源包括公开的 AID 和 NWPU-Resisc45 数据集,旨在促进城市景观分析。


3、Aerial Landscape Images 

航拍景观数据集


预估大小:154.31 MB

下载地址:https://go.hyper.ai/552Ae


该数据集用于空中景观分类,图像共 12k 张,包含 15 个不同类别(农业、飞机场、海滩、城市、沙漠、森林、草原、公路、湖、山、停车场、港口、铁路、住宅、河),每个类别包含 800 张高质量图像,分辨率为 256×256 像素。旨在促进计算机视觉领域的研究和开发,特别是在空中景观分析方面。


4、Ships/Vessels in Aerial Images 

船只航拍数据集


预估大小:353.02 MB

下载地址:https://go.hyper.ai/oBqbP


该数据集专门用于船舶检测,共包含 26.9k 张图像,边界框标注以 YOLO 格式呈现,可实现高效、准确的船舶检测,从而实现广泛的潜在应用。


5、Bird vs Drone 

鸟类与无人机图像分类数据集


预估大小:1.05 GB

下载地址:https://go.hyper.ai/TdOle


该数据集来自 Pexel 网站的多种图像集合,共包含 20,925 张图像,以视频帧方式捕获,经过分割、增强和预处理以模拟不同的环境条件,更好地识别各种环境中的无人机和鸟类。数据集按照 YOLOv7 PyTorch 规范进行格式化,分为 3 个文件夹:Test 、Train 和 Valid 。


*测试文件夹 (Test) :包含 889 张无人机和鸟类图像。该文件夹有标记为 BT(鸟类测试图像)和 DT(无人机测试图像)的子类别。

*火车文件夹 (Train) :该文件夹共有 18,323 张图像,包括无人机和鸟类图像,分为 BT 和 DT 类。

*有效文件夹 (Valid) :包含 1,740 幅图像,文件夹图像分为 BT 和 DT 。


6、iSAID 航空图像实例分割数据集


预估大小:6.74 GB

下载地址:https://go.hyper.ai/Hr7Ry


iSAID 是第一个用于航空图像中实例分割的基准数据集,结合了实例级物体检测和像素级分割任务。共包含 2,806 张高分辨率图像,涉及 15 个类别, 655,451 个对象实例。数据源自 Google Earth 、 JL-1 卫星及 GF-2 卫星(中国资源卫星数据和应用中心的)拍摄。


7、DroneVehicle 

大规模无人机航拍车辆检测数据集


预估大小:13.06 GB

下载地址:https://go.hyper.ai/D6eqZ


该数据集由天津大学研究团队于 2020 年发布,共 56,878 幅图像,全部由 RGB 图像和红外图像组成。图像来源于无人机航拍图像的车辆检测和计数研究。分别对 car、turck、bus、van、freight car 五个类别进行了带有方向性边界框的丰富标注。


8、西班牙交通航拍图像数据集


预估大小:32.3 GB

下载地址:https://go.hyper.ai/L6sb7


该数据由无人机拍摄,共 15,070 帧图像,涵盖区域道路、城市交叉口、乡村道路等多种交通场景,其创建过程包括数据采集、图像拍摄、车辆标注、匿名化处理以及数据验证等多个步骤。旨在为交通管理领域的机器视觉算法提供高质量的训练数据。


9、UAVid 航拍数据集


预估大小:35.16 GB

下载地址:https://go.hyper.ai/m1L3X


该数据集是一个高分辨率无人机语义分割数据集,由 30 个视频序列组成,以倾斜的视角捕获 4K 高分辨率图像,用 8 个类密集标注了 300 张图像,用于语义标签任务 (semantic labeling task)。在大规模变异 (variation) 、运动目标识别及时间融合保持 (temporal consistency preservation) 等方面具有显著特点。


10、DOTA 航拍图像数据集


预估大小:35.38 GB

下载地址:https://go.hyper.ai/SGWZV


DOTA-v1.0 数据集由武汉大学于 2017 年 11 月 28 日发布在 arXiv 上,后于 2018 年 6 月在 IEEE 计算机视觉和模式识别会议 (CVPR) 上发布。共 2,806 张航拍图,分别来源于 Google Earth、 JL – 1 卫星、中国资源卫星数据、 GF – 2 卫星。可用于航拍图像中的目标检测,发现和评估图像中的物体。


11、DOTA 航拍图像数据集 v1.5+v2.0


预估大小:53.12 GB

下载地址:https://go.hyper.ai/FlVFA


DOTA 数据集来自不同的传感器和平台的航拍图,用于航拍图像中的目标检测,本数据集分为 v1.5 及 v2.0 版本。实例由航拍图判读专家通过任意四边形(8 自由度)进行标记。


*DOTA-v1.5 :共包含 403,318 个实例,并为极小的实例(小于 10 像素)添加了注释,新增了 「container crane」 类别。

*DOTA-v2.0 :共有 18 个常用类别,11,268 个图像(分为训练、验证、测试开发和测试挑战集)和 1,793,658 个实例。


编辑:于腾凯

校对:杨学俊




关于我们

数据派THU作为数据科学类公众号,背靠清华大学大数据研究中心,分享前沿数据科学与大数据技术创新研究动态、持续传播数据科学知识,努力建设数据人才聚集平台、打造中国大数据最强集团军。




新浪微博:@数据派THU

微信视频号:数据派THU

今日头条:数据派THU

同意楼上的分析!我补充一点,无人机视角经常是倾斜的,这会导致图像中的物体发生透视变形。因此,在目标检测算法中,需要考虑透视变换的影响,才能更准确地识别目标。

无人机航拍图像视角独特,存在目标尺度变化大、光照条件复杂、图像畸变等问题,因此算法设计上需要考虑尺度不变性、光照鲁棒性和图像校正。例如,可以采用多尺度特征融合算法,提高对不同大小目标的检测能力;使用图像增强技术,改善光照不均的影响;利用相机标定技术,校正图像畸变。

楼上说得很有道理!我想补充一点,感觉还可以用来做城市三维建模,现在很多游戏或者VR应用都需要这种高精度的模型。而且,航拍数据结合GIS技术,在智慧城市建设方面潜力巨大!

除了速度快,YOLO还有一个优点是它是一个端到端的模型。这意味着它可以直接从原始图像预测目标的位置和类别,无需复杂的特征提取过程。这简化了模型的训练和部署,也降低了对硬件的要求。

YOLO确实牛,不过在小目标检测方面还是有提升空间的。毕竟航拍图像里小目标太多了,有时候YOLO就直接忽略了。期待未来能有更好的算法出来!

除了景观分类,航拍数据集在城市规划中还可以用于监测违章建筑、评估绿化覆盖率、优化交通流量、灾害预警和应急响应等方面。例如,通过对比不同时期的航拍图像,可以快速识别新增的违章建筑;分析植被覆盖情况,可以为城市绿化提供数据支持;结合交通流量数据,可以优化道路规划和交通信号灯设置。

YOLO (You Only Look Once) 算法最大的优势在于速度快,可以实现实时目标检测。这对于需要快速处理大量航拍图像的应用场景非常重要。此外,YOLO算法的准确率也较高,能够满足大多数航拍图像分析的需求。而且,YOLO的实现相对简单,易于上手,因此在研究和工业界都得到了广泛应用。

格局打开!其实还可以结合AI算法,做更智能的应用。比如,通过分析航拍图像,自动识别城市中的安全隐患,像老旧建筑、地质灾害点之类的,提前预警,防患于未然。这才是真正意义上的智慧城市!

歪个楼,有没有大佬能分享一些相关的论文或者开源项目?最近在搞这方面的研究,感觉有点迷茫。