企业官网建设流程全解析

1. 为什么我要花两周时间整理这份数据集清单

做图像处理和深度学习这行，最耗时间的往往不是调参，也不是改网络结构，而是找数据。你可能也经历过这种场景：模型代码写好了，环境配好了，结果卡在数据集上——要么找不到合适的，要么下载下来发现标注格式不对，要么类别分布严重失衡，跑出来的模型在测试集上看着还行，一到真实场景就崩。我前后做过目标检测、图像分类、遥感分割、医学影像识别等不同类型的项目，踩过的坑基本都和数据集有关。

这份清单最初是我自己的项目笔记，后来团队里新人问得多了，就慢慢整理成了体系。它覆盖了12个大类、大约150个开源数据集，从最通用的图像分类基准，到遥感、医学、自动驾驶、工业缺陷检测这些垂直场景都有涉及。不管你是刚入门想跑通第一个CNN分类模型，还是已经在做YOLO系列目标检测需要找特定场景的数据，这份清单都能帮你省掉大量搜索和筛选的时间。

我整理的原则很简单：第一，必须是真正开源可获取的，不是那种只给论文引用但找不到下载入口的；第二，标注质量要过关，至少在我实际使用中没有出现大面积错标；第三，覆盖的任务类型要全，分类、检测、分割、姿态估计、超分辨率这些主流方向都要有。下面我会按类别拆解，把每个数据集的核心信息、适用场景、使用注意事项都讲清楚。

2. 数据集选型的底层逻辑与分类框架

2.1 为什么不能随便抓一个数据集就开始训练

很多人刚开始做深度学习项目时，习惯性地去搜“图像分类数据集”，然后随便下一个CIFAR-10或者ImageNet子集就开始跑。这样做不是不行，但很容易出现一个问题：模型在基准数据集上表现很好，换到自己的业务场景就完全失效。根本原因在于，数据集的选择必须和你的任务目标、部署环境、数据分布匹配。

我一般会从四个维度来评估一个数据集是否适合当前项目。第一个维度是任务类型匹配度，分类、检测、分割、关键点，每种任务对标注格式的要求完全不同。第二个维度是场景相似度，如果你要做的是工业质检，用自然图像数据集预训练再微调，效果往往不如直接用MVTec这样的工业缺陷数据集。第三个维度是数据规模和类别平衡，小数据集适合快速验证想法，但容易过拟合；大数据集训练慢，但泛化能力更强。第四个维度是标注质量，有些数据集虽然大，但标注噪声很高，用之前必须做清洗。

2.2 12大类划分的依据和覆盖范围

我把这150个数据集分成了12个大类，划分逻辑主要依据应用场景和任务类型的交叉。具体包括：通用图像分类、目标检测与定位、语义分割与实例分割、遥感与航拍图像、医学与生物影像、自动驾驶与交通场景、工业缺陷与表面检测、人脸与人体分析、文字检测与识别、图像超分辨率与去噪、三维点云与深度估计、视频理解与动作识别。

这个分类不是绝对的，有些数据集可能同时属于多个类别，比如遥感图像既可以做分类也可以做检测。我按照主要用途归类，方便你快速定位。每个类别下面，我会挑出最具代表性的几个数据集详细说明，其余的以表格形式列出核心参数。

2.3 数据集获取与使用的合规注意事项

这里必须强调一点：开源不等于无限制使用。很多数据集虽然可以免费下载，但许可证类型不同，有的只允许学术研究，有的允许商业使用但需要署名，有的对再分发有严格限制。我在实际项目中遇到过因为忽略许可证导致产品上线前被迫更换数据集的情况，返工成本很高。

提示：下载任何数据集之前，先看LICENSE文件。常见的许可证包括CC BY 4.0、CC BY-NC 4.0、MIT、Apache 2.0等。NC代表非商业用途，如果你的项目涉及商业化，必须避开这类数据集。

另外，涉及人脸、医学影像等敏感数据的数据集，使用时要注意脱敏和伦理审查。我一般建议在项目初期就建立数据集使用台账，记录每个数据集的来源、许可证、使用范围和到期时间，避免后期出现合规问题。

3. 通用图像分类数据集：从入门到进阶的完整路径

3.1 入门级分类数据集：MNIST、Fashion-MNIST和CIFAR系列

如果你是第一次接触深度学习图像分类，MNIST几乎是不可能绕过的。这个手写数字数据集包含60000张训练图和10000张测试图，每张28x28灰度图，10个类别。它的优点是极其干净、加载方便，几乎所有框架都内置了下载接口。但缺点也很明显：太简单了，现在随便一个三层CNN都能做到99%以上的准确率，不适合用来评估模型能力。

Fashion-MNIST是我更推荐的入门替代品。它同样是28x28灰度图、10个类别，但内容是衣物、鞋子、包等时尚单品，分类难度比MNIST高不少。我用Fashion-MNIST做过对比实验，同样的网络结构，MNIST上99.2%的准确率，Fashion-MNIST上只有92%左右，更能反映模型的真实学习能力。

CIFAR-10和CIFAR-100是32x32彩色图像数据集，前者10个类别、后者100个类别，每类6000张图。CIFAR-10适合用来验证卷积网络的基本设计，CIFAR-100则更适合测试模型在细粒度分类上的表现。我通常用CIFAR-10做快速原型验证，用CIFAR-100做模型容量和正则化策略的对比。

3.2 中大规模分类数据集：ImageNet、Tiny ImageNet和Open Images

ImageNet不用多介绍，1400多万张图像、2万多个类别，其中ILSVRC竞赛用的子集是1000类、每类约1300张训练图。它是深度学习图像分类的里程碑数据集，几乎所有经典模型如ResNet、EfficientNet、Vision Transformer都在上面做过基准测试。但完整版ImageNet下载需要注册且体积巨大，训练成本很高。我一般建议用Tiny ImageNet做替代，它只有200个类别、每类500张训练图，图像尺寸64x64，适合在单卡上快速实验。

Open Images是Google发布的大规模数据集，包含约900万张图像，标注了6000多个类别，而且不仅有分类标签，还有边界框、分割掩码、视觉关系标注。它的优势在于标注维度丰富，适合做多任务学习。但数据量太大，我通常只下载特定类别的子集来用。

3.3 细粒度分类数据集：CUB-200、Stanford Cars和Food-101

细粒度分类是图像分类里比较难的方向，要求模型能区分同一大类下的不同子类，比如不同品种的鸟、不同型号的车。CUB-200-2011包含200种鸟类、11788张图像，标注了312个属性，适合做属性辅助分类研究。Stanford Cars包含196类汽车、16185张图像，常用于车辆细粒度识别。Food-101包含101类食物、101000张图像，适合做食品识别相关的应用。

我在做细粒度分类项目时，通常会用CUB-200做方法验证，因为它的标注信息最丰富，可以同时做分类和属性预测。Stanford Cars和Food-101则更贴近实际应用场景，可以用来测试模型在真实业务数据上的迁移能力。

4. 目标检测与定位数据集：从YOLO到Transformer的实战选择

4.1 通用目标检测基准：PASCAL VOC、COCO和Objects365

PASCAL VOC是目标检测领域的经典数据集，VOC2007和VOC2012两个版本最常用，包含20个类别，标注格式是XML。虽然现在看它的规模和类别数都不算大，但作为入门目标检测的第一个数据集非常合适。我建议新手先用VOC2007跑通YOLO或Faster R-CNN的完整流程，理解锚框、IoU、NMS这些核心概念。

COCO是当前目标检测和分割领域最权威的基准，包含80个类别、33万张图像，标注了150万个目标实例。它的评估指标mAP@[0.5:0.95]已经成为行业标准。COCO的难点在于小目标和密集场景，很多模型在VOC上表现很好，到COCO上就明显下降。我通常用COCO来评估模型的真实检测能力。

Objects365是旷视发布的大规模检测数据集，包含365个类别、63万张图像、1000万个边界框。它的类别覆盖比COCO更广，适合做预训练。我在做自定义检测项目时，经常先用Objects365预训练，再在自己的数据上微调，效果比直接用COCO预训练更好。

4.2 垂直场景检测数据集：交通、安防、工业

交通场景方面，KITTI是最经典的自动驾驶数据集，包含7481张训练图和7518张测试图，标注了汽车、行人、自行车等类别，还有激光雷达点云和GPS信息。BDD100K是更大规模的自动驾驶数据集，包含10万段视频，标注了10个类别。我在做车辆检测项目时，通常用KITTI做算法验证，用BDD100K做泛化测试。

安防场景方面，WiderFace包含32203张图像、393703个人脸边界框，是人脸检测的标准数据集。CrowdHuman包含15000张图像、47万个人体实例，专门针对密集人群场景。工业缺陷检测方面，MVTec AD包含15个类别、5354张图像，涵盖纹理和物体两类缺陷，是工业异常检测的基准数据集。

4.3 小目标与密集场景检测：VisDrone、DOTA和xView

小目标检测是目标检测里的难点，VisDrone是无人机视角的数据集，包含10209张图像、54万个目标框，目标普遍很小且密集。DOTA是遥感图像目标检测数据集，包含2806张图像、15个类别，目标尺寸差异极大。xView也是遥感数据集，包含60个类别、100万个目标实例，是目前最大的遥感检测数据集之一。

我在做小目标检测时，通常会用VisDrone做训练和验证，因为它的场景最贴近实际无人机应用。DOTA和xView则更适合做遥感领域的专项研究。需要注意的是，这些小目标数据集对图像分辨率要求很高，训练时通常需要切图处理，否则直接缩放会导致小目标丢失。

5. 语义分割与实例分割数据集：像素级理解的基石

5.1 通用分割数据集：Cityscapes、ADE20K和Pascal VOC Segmentation

Cityscapes是城市街景分割的标准数据集，包含5000张精细标注图像和20000张粗略标注图像，覆盖30个类别。它的标注质量很高，适合做语义分割模型的训练和评估。我在做街景分割项目时，通常用Cityscapes做基准测试，用它的19个评估类别来计算mIoU。

ADE20K包含25000张图像、150个类别，场景覆盖室内外各种环境，标注非常精细。它的难度比Cityscapes高，因为类别更多、场景更复杂。Pascal VOC Segmentation是VOC数据集的像素级标注版本，包含21个类别，适合做入门级分割实验。

5.2 实例分割数据集：COCO Instance Segmentation和LVIS

COCO的实例分割标注包含80个类别、约80万个实例掩码，是实例分割领域最常用的基准。Mask R-CNN、YOLACT等经典实例分割模型都在COCO上做过评估。LVIS是Facebook发布的大规模实例分割数据集，包含1200个类别、200万个实例，专门针对长尾分布问题设计。我在做实例分割项目时，通常用COCO做方法验证，用LVIS做长尾场景的鲁棒性测试。

5.3 医学图像分割数据集：ISIC、LiTS和BraTS

医学图像分割是深度学习在医疗领域的重要应用。ISIC是皮肤病变分割数据集，包含2594张皮肤镜图像，用于黑色素瘤分割。LiTS是肝脏肿瘤分割数据集，包含131组腹部CT扫描，标注了肝脏和肿瘤区域。BraTS是脑肿瘤分割数据集，包含多模态MRI图像，标注了肿瘤的不同子区域。

我在做医学图像分割时，最大的体会是数据预处理比模型选择更重要。医学图像通常存在灰度分布不一致、器官形状差异大、标注边界模糊等问题，需要做标准化、裁剪、重采样等处理。另外，医学数据集的样本量通常较小，数据增强和迁移学习是必备手段。

6. 遥感与航拍图像数据集：从分类到变化检测

6.1 遥感图像分类数据集：UC Merced、AID和NWPU-RESISC45

UC Merced是遥感场景分类的经典数据集，包含21个类别、2100张图像，图像尺寸256x256。AID包含30个类别、10000张图像，场景更丰富。NWPU-RESISC45包含45个类别、31500张图像，是目前规模较大的遥感场景分类数据集之一。

我在做遥感分类时，通常会用UC Merced做快速验证，用NWPU-RESISC45做最终评估。需要注意的是，遥感图像的类间差异可能很小，比如不同种类的建筑物或农田，模型需要很强的特征提取能力。

6.2 遥感目标检测数据集：DOTA、DIOR和HRSC2016

DOTA前面已经提到，是遥感检测的基准数据集。DIOR包含20个类别、23463张图像、190288个目标实例，覆盖范围更广。HRSC2016是舰船检测数据集，包含1070张图像，专门针对遥感图像中的舰船目标。

遥感目标检测的难点在于目标方向任意、尺度变化大、背景复杂。我在实际项目中通常会用旋转框标注，因为水平框会引入大量背景噪声。DOTA和HRSC2016都支持旋转框标注，适合做旋转目标检测研究。

6.3 遥感图像分割与变化检测数据集

遥感分割方面，LoveDA包含5987张高分辨率图像，覆盖城市和农村场景，标注了7个类别。变化检测方面，LEVIR-CD包含637对高分辨率图像，标注了建筑物变化区域。WHU-CD包含一对航空图像，标注了建筑物变化。

变化检测是遥感领域比较特殊的方向，要求模型能识别同一区域在不同时间的变化。我在做变化检测时，通常会用孪生网络结构，共享权重提取双时相特征，然后做差异分析。数据增强方面，随机翻转和旋转是必备的，因为遥感图像的方向不确定性很强。

7. 医学与生物影像数据集：高价值但高门槛

7.1 医学图像分类数据集：ChestX-ray14、ISIC和PatchCamelyon

ChestX-ray14包含112120张胸部X光片，标注了14种疾病，是多标签分类的经典数据集。ISIC皮肤病变数据集除了分割标注，还有分类标签，用于黑色素瘤识别。PatchCamelyon包含327680张病理图像块，标注了肿瘤转移与否，适合做二分类。

医学图像分类的难点在于类别不平衡和标注噪声。ChestX-ray14中某些疾病的阳性样本很少，直接训练会导致模型偏向多数类。我通常会用加权损失函数或重采样策略来处理。另外，医学图像的标注通常由多位医生共同完成，存在一定的主观差异，需要做标注一致性分析。

7.2 医学图像检测数据集：LUNA16、DeepLesion和NIH Malaria

LUNA16是肺结节检测数据集，包含888个CT扫描、1186个结节标注。DeepLesion包含32120个病灶标注，覆盖多种器官和病灶类型。NIH Malaria包含27558张细胞图像，标注了疟疾感染与否。

医学图像检测的挑战在于目标小、对比度低、背景复杂。我在做肺结节检测时，通常会用3D CNN处理CT序列，因为结节在三维空间中才有完整形态。数据预处理方面，肺部分割、重采样、HU值归一化是标准流程。

7.3 医学图像分割数据集：BraTS、LiTS和KiTS

BraTS、LiTS前面已经提到。KiTS是肾脏肿瘤分割数据集，包含300组CT扫描，标注了肾脏和肿瘤区域。医学图像分割的评估指标通常用Dice系数和Hausdorff距离，前者衡量重叠度，后者衡量边界误差。

我在实际项目中发现，医学图像分割的模型泛化能力往往不如自然图像分割，因为医学数据的分布差异更大。跨中心验证是必须的，即在一个医院的数据上训练，在另一个医院的数据上测试。如果条件允许，最好做多中心联合训练。

8. 自动驾驶与交通场景数据集：从感知到决策

8.1 自动驾驶感知数据集：KITTI、nuScenes和Waymo Open Dataset

KITTI是最经典的自动驾驶数据集，包含相机图像、激光雷达点云、GPS/IMU数据，标注了车辆、行人、自行车等目标。nuScenes包含1000个场景，每个场景20秒，配备6个相机、1个激光雷达、5个毫米波雷达，标注了23个类别、140万个3D边界框。Waymo Open Dataset包含1150个场景，标注了车辆、行人、自行车等类别，还有2D和3D边界框。

我在做自动驾驶感知项目时，通常会用KITTI做算法原型验证，用nuScenes做多传感器融合研究，用Waymo Open Dataset做大规模训练。需要注意的是，这些数据集的标注格式各不相同，转换成本较高。我一般会写统一的转换脚本，把不同格式转成COCO或自定义格式。

8.2 交通标志与信号灯数据集：GTSRB、LISA和BDD100K

GTSRB是交通标志识别数据集，包含50000多张图像、43个类别。LISA包含美国交通标志图像，标注了标志类型和边界框。BDD100K除了通用目标检测，还有交通信号灯和车道线标注。

交通标志识别的难点在于类别多、样本不平衡、光照和视角变化大。我在做交通标志识别时，通常会用GTSRB做分类训练，用LISA做检测训练，然后用BDD100K做实际场景测试。

8.3 行人检测与跟踪数据集：Caltech Pedestrian、CityPersons和MOT

Caltech Pedestrian包含约250000帧图像、350000个行人标注，是行人检测的经典数据集。CityPersons包含5000张图像、35000个行人标注，专门针对城市场景。MOT系列是行人跟踪数据集，包含多个视频序列，标注了行人的轨迹。

行人检测的难点在于遮挡和尺度变化。我在实际项目中通常会用CSP或YOLO系列做检测，用DeepSORT或ByteTrack做跟踪。需要注意的是，行人跟踪对检测的连续性要求很高，检测漏帧会导致跟踪ID切换。

9. 工业缺陷与表面检测数据集：制造业的AI落地

9.1 工业缺陷检测基准：MVTec AD和NEU-DET

MVTec AD包含15个类别、5354张图像，涵盖纹理和物体两类缺陷，是工业异常检测的标准数据集。NEU-DET是钢材表面缺陷数据集，包含1800张图像、6种缺陷类型。

工业缺陷检测的难点在于缺陷样本少、缺陷形态多样、背景复杂。我在做工业质检项目时，通常会用无监督异常检测方法，因为实际产线上缺陷样本很难大量获取。MVTec AD就是专门为无监督异常检测设计的，训练集只有正常样本，测试集包含正常和缺陷样本。

9.2 表面缺陷检测数据集：DAGM和KolektorSDD

DAGM包含10个类别的纹理缺陷，每类1000张图像。KolektorSDD是电机换向器表面缺陷数据集，包含399张图像，标注了微小缺陷。表面缺陷检测对图像分辨率要求很高，因为缺陷可能只有几个像素。我通常会用高分辨率相机采集图像，然后用滑动窗口或图像金字塔做多尺度检测。

9.3 工业检测的实操经验与避坑指南

工业缺陷检测项目最大的坑是数据分布不一致。训练集和测试集可能来自不同批次、不同光照条件、不同相机参数，导致模型在测试集上表现很差。我一般会做域适应处理，比如直方图匹配、风格迁移，或者用对抗训练让模型学习域不变特征。

另一个坑是标注标准不统一。不同质检员对缺陷的判定标准可能不同，导致标注不一致。我通常会在项目初期制定详细的标注规范，并做标注一致性校验，确保标注质量。

10. 人脸与人体分析数据集：从识别到姿态估计

10.1 人脸识别与检测数据集：LFW、WiderFace和CelebA

LFW是经典的人脸识别数据集，包含13233张图像、5749个身份，用于人脸验证。WiderFace是人脸检测数据集，包含32203张图像、393703个人脸边界框。CelebA包含202599张名人图像，标注了40个属性，适合做人脸属性识别。

人脸识别的难点在于姿态、光照、表情、年龄变化。我在做人脸识别项目时，通常会用ArcFace或CosFace损失函数，配合大规模人脸数据集预训练。需要注意的是，人脸数据涉及隐私，使用时必须遵守相关伦理规范。

10.2 人体姿态估计数据集：COCO Keypoints、MPII和Human3.6M

COCO Keypoints包含超过20万个人体实例，标注了17个关键点，是2D姿态估计的标准数据集。MPII包含约25000张图像、40000个人体实例，标注了16个关键点。Human3.6M是3D姿态估计数据集，包含360万帧图像，标注了3D关节位置。

姿态估计的难点在于遮挡和复杂姿态。我在做姿态估计时，通常会用自顶向下的方法，先检测人体框，再在框内做关键点回归。COCO Keypoints的评估指标是OKS，和检测的IoU类似，但考虑了关键点的距离。

10.3 人体属性与行人重识别数据集：Market-1501、DukeMTMC和PA-100K

Market-1501是行人重识别数据集，包含1501个身份、32668张图像。DukeMTMC包含1812个身份、36411张图像。PA-100K包含100000张行人图像，标注了26个属性。

行人重识别的难点在于跨摄像头、跨场景的身份匹配。我在做行人重识别时，通常会用ResNet50或OSNet作为骨干网络，配合三元组损失和ID损失联合训练。数据增强方面，随机擦除和Cutout很有效，可以模拟遮挡场景。

11. 文字检测与识别数据集：OCR的基石

11.1 场景文字检测数据集：ICDAR、Total-Text和CTW1500

ICDAR系列是场景文字检测的经典数据集，ICDAR2015包含1000张训练图和500张测试图，标注了任意方向的文字框。Total-Text包含1555张图像，标注了弯曲文字。CTW1500包含1500张图像，标注了任意形状文字。

场景文字检测的难点在于文字方向任意、尺度变化大、背景复杂。我在做文字检测时，通常会用DBNet或PSENet，前者适合水平文字，后者适合弯曲文字。需要注意的是，ICDAR2015的标注是四点框，而Total-Text是多边形框，训练时需要统一格式。

11.2 文字识别数据集：IIIT5K、SVT和MJSynth

IIIT5K包含5000张裁剪后的文字图像，用于文字识别。SVT包含350张图像，标注了文字框和内容。MJSynth是合成文字数据集，包含900万张图像，适合做文字识别预训练。

文字识别的难点在于字体多样、背景干扰、字符间距变化。我在做文字识别时，通常会用CRNN或ASTER，前者适合规则文字，后者适合不规则文字。MJSynth虽然合成数据，但预训练效果很好，可以显著提升真实场景的识别准确率。

11.3 端到端OCR数据集与实操建议

端到端OCR要求同时做检测和识别，常用的数据集包括ICDAR2015、Total-Text等。我在做端到端OCR时，通常会用两阶段方法，先检测文字框，再识别文字内容。也可以用一个网络同时输出检测和识别结果，比如FOTS或Mask TextSpotter。

实操建议方面，文字检测和识别对图像分辨率要求很高，通常需要保持原始分辨率或做适当放大。另外，文字方向矫正很重要，尤其是弯曲文字，需要做空间变换网络或TPS变换。

12. 图像超分辨率与去噪数据集：底层视觉的核心

12.1 超分辨率数据集：DIV2K、Set5和BSD100

DIV2K是超分辨率的标准数据集，包含1000张2K分辨率图像，800张训练、100张验证、100张测试。Set5和BSD100是常用的测试集，分别包含5张和100张图像。

超分辨率的难点在于恢复高频细节，同时避免过度平滑或伪影。我在做超分辨率时，通常会用EDSR或RCAN，前者结构简单，后者引入了通道注意力。评估指标方面，PSNR和SSIM是标准指标，但人眼感知质量也很重要，有时PSNR高不代表视觉效果好。

12.2 图像去噪数据集：SIDD、DND和BSD68

SIDD是智能手机图像去噪数据集，包含30000张噪声图像和对应的干净图像。DND是另一个去噪基准，包含50张高分辨率图像。BSD68是常用的测试集，包含68张图像。

图像去噪的难点在于噪声类型多样，包括高斯噪声、泊松噪声、真实传感器噪声等。我在做去噪时，通常会用DnCNN或FFDNet，前者适合高斯噪声，后者适合盲去噪。真实噪声去噪比合成噪声去噪难得多，SIDD和DND就是专门针对真实噪声的。

12.3 底层视觉任务的通用技巧

底层视觉任务包括超分辨率、去噪、去模糊、去雨等，它们的共同特点是输入和输出都是图像，要求模型能恢复细节。我在做这类任务时，通常会用残差学习，让网络学习残差而不是完整图像，这样训练更稳定。另外，感知损失和对抗损失可以提升视觉质量，但可能会降低PSNR，需要根据应用场景权衡。

13. 三维点云与深度估计数据集：从2D到3D的跨越

13.1 三维点云数据集：ModelNet、ShapeNet和ScanNet

ModelNet包含127915个3D模型、662个类别，用于3D形状分类。ShapeNet包含300万个3D模型、3135个类别，用于3D形状理解和生成。ScanNet包含1513个室内场景的RGB-D扫描，标注了3D语义分割。

三维点云处理的难点在于数据无序、旋转不变性、稀疏性。我在做点云分类时，通常会用PointNet或PointNet++，前者直接处理无序点云，后者引入了局部特征聚合。ScanNet适合做室内场景理解，但数据量较大，需要做下采样处理。

13.2 深度估计数据集：NYU Depth、KITTI Depth和Make3D

NYU Depth包含464个室内场景的RGB-D图像，用于室内深度估计。KITTI Depth包含自动驾驶场景的激光雷达深度标注，用于室外深度估计。Make3D包含534张图像，用于单目深度估计。

深度估计的难点在于尺度模糊和纹理缺失区域。我在做深度估计时，通常会用监督学习，用激光雷达或RGB-D数据作为真值。评估指标包括RMSE、AbsRel等。需要注意的是，不同数据集的深度范围不同，训练时需要做归一化。

13.3 三维目标检测数据集：KITTI 3D、nuScenes和Waymo 3D

KITTI 3D包含7481个训练样本，标注了3D边界框。nuScenes和Waymo Open Dataset也包含3D标注。三维目标检测的难点在于点云稀疏、遮挡、类别不平衡。我在做3D检测时，通常会用PointPillars或SECOND，前者将点云转为柱状表示，后者用稀疏卷积处理体素。

14. 视频理解与动作识别数据集：时序维度的挑战

14.1 动作识别数据集：UCF101、HMDB51和Kinetics

UCF101包含13320个视频、101个动作类别。HMDB51包含6849个视频、51个类别。Kinetics包含约65万个视频、600个类别，是当前最大的动作识别数据集。

动作识别的难点在于时序建模和背景干扰。我在做动作识别时，通常会用I3D或SlowFast，前者用3D卷积提取时空特征，后者用双路径分别处理空间和时间信息。Kinetics适合做预训练，UCF101和HMDB51适合做微调和评估。

14.2 视频目标检测与分割数据集：ImageNet VID和DAVIS

ImageNet VID包含3862个视频、30个类别，用于视频目标检测。DAVIS包含50个视频，用于视频目标分割。视频目标检测的难点在于目标运动、遮挡、外观变化。我在做视频目标检测时，通常会用光流或特征传播来利用时序信息。

14.3 视频理解的实操经验

视频理解项目最大的坑是计算资源。视频数据量比图像大得多，训练时需要大量GPU内存和计算时间。我通常会用帧采样策略，每段视频采样16或32帧，而不是用全部帧。另外，预训练模型的选择很重要，Kinetics预训练的模型通常比ImageNet预训练的模型效果更好。

15. 数据集使用中的常见问题与排查技巧

15.1 数据加载与格式转换的常见坑

数据加载是深度学习项目的第一步，也是最容易出问题的地方。我遇到过的问题包括：图像路径错误、标注文件编码不一致、图像损坏、标注格式不匹配等。排查思路是先用小样本测试，确保数据能正确加载和可视化。格式转换方面，我通常会把所有标注转成COCO格式，因为COCO格式支持分类、检测、分割等多种任务，工具链也最完善。

15.2 类别不平衡与标注噪声的处理方法

类别不平衡是实际项目中最常见的问题。我的处理策略包括：重采样、加权损失、Focal Loss、数据增强等。标注噪声方面，我会先用模型做一轮训练，找出损失异常高的样本，人工检查是否标注错误。另外，可以用Label Smoothing或Co-teaching来提升模型对噪声的鲁棒性。

15.3 数据集版本管理与复现性保障

数据集版本管理经常被忽视，但很重要。我通常会用DVC或Git LFS来管理数据集版本，确保每次实验都能复现。另外，我会记录数据集的下载链接、许可证、预处理脚本、划分方式等信息，方便后续查阅。

16. 我个人的数据集管理心得

做了这么多项目，我最大的体会是：数据集管理比模型调参更重要。一个干净、标注准确、分布合理的数据集，比一个复杂的网络结构更能提升最终效果。我现在每个项目都会花至少30%的时间在数据上，包括数据清洗、标注校验、分布分析、增强策略设计。

另外，我建议每个从业者都建立自己的数据集索引库，记录用过的每个数据集的详细信息。这样下次遇到类似任务时，可以快速找到合适的数据集，避免重复搜索。我自己的索引库已经积累了200多个数据集，覆盖了大部分常见任务和场景。

最后分享一个小技巧：下载数据集之前，先看它的论文和GitHub仓库的Issues，了解其他用户遇到的问题。很多数据集有已知的标注错误或下载问题，提前了解可以避免踩坑。另外，如果数据集太大，可以先下载一个小样本测试流程，确认没问题再下载完整版。