DoorDetect Dataset

DoorDetect是一个包含1,213张已标注对象边界框的图像数据集。这些图像非常多样化，经常包含多个对象的复杂场景。数据集中的对象类别包括把手、门、橱柜门和冰箱门。

DoorDetect is a dataset comprising 1,213 images with annotated object bounding boxes. These images are highly diverse, often depicting complex scenes with multiple objects. The object categories in the dataset include handles, doors, cabinet doors, and refrigerator doors.

原始信息汇总

DoorDetect Dataset 概述

数据集基本信息

• 图像数量: 1,213张
• 图像来源: 来自 Open Images Dataset V4 和 MCIndoor20000

对象类别

• 门: 任何房间门
• 把手: 门把手
• 橱柜门: 任何抽屉或小门
• 冰箱门: 任何冰箱门

标签格式

• 标注工具: 使用 Yolo_mark 进行标注
• 标签文件: 每个图像对应一个 .txt 文件，每行格式为 <object-class> <x> <y> <width> <height>
  • <object-class>: 对象类别编号（0: 门, 1: 把手, 2: 橱柜门, 3: 冰箱门）
  • <x> <y>: 边界框中心坐标
  • <width> <height>: 边界框的宽度和高度，相对于图像的宽度和高度

使用场景

• 训练与测试: 适用于训练和测试如 YOLO 这样的对象检测CNN
• 预训练权重: 可从 YOLO_weights 下载，mAP=45%
• 配置文件: 需要 yolo-obj.cfg 和 obj.names 文件指定网络配置和类别名称顺序

搜集汇总

数据集介绍

构建方式

DoorDetect Dataset 是通过对开源数据集 [Open Images Dataset V4](https://storage.googleapis.com/openimages/web/index.html) 和 [MCIndoor20000](https://github.com/bircatmcri/MCIndoor20000) 进行筛选及标注而构建的。该数据集包含1,213张图像，每张图像均通过 [Yolo_mark](https://github.com/AlexeyAB/Yolo_mark) 工具进行了对象边界框的标注，生成了相应的标签文件，以供后续训练与测试使用。

特点

该数据集的特点在于其图像种类的多样性以及场景的复杂性。它涵盖了多种对象类别，包括门把手、房间门、橱柜门以及冰箱门等。此外，数据集通过提供精确的对象位置坐标，即边界框的中心点坐标及宽高，使得对象检测模型能够更好地定位和识别这些对象。

使用方法

使用该数据集时，用户可以直接将其用于训练和测试基于卷积神经网络的对象检测模型，如YOLO。此外，用户可以从指定的链接中下载预训练的权重，以及网络配置文件和对象类别名称文件，以方便地部署和使用YOLO模型进行门相关对象的检测。

背景与挑战

背景概述

DoorDetect数据集，创建于2019年，是由Miguel Arduengo、Carme Torras和Luis Sentis等研究人员精心构建的一个计算机视觉数据集。该数据集包含1213张图片，每张图片都带有对象边界框的注释，旨在为门把手、房间门、橱柜门以及冰箱门等对象检测任务提供支持。这一数据集的构建，不仅丰富了物体检测领域的数据资源，也为移动操纵机器人实现鲁棒自适应的门操作提供了有力支撑，对机器人学以及计算机视觉领域产生了显著影响。

当前挑战

DoorDetect数据集在构建和应用过程中面临的挑战主要体现在两个方面。一是领域问题上的挑战，即如何通过精确的对象检测算法来识别和定位不同类型的门和门把手，尤其是在复杂场景中。二是数据集构建过程中的挑战，包括如何确保注释的准确性，以及如何从不同的数据源（如Open Images Dataset V4和MCIndoor20000）中筛选和整合高质量的图像。此外，数据集标注工具的选择与使用，以及后续与YOLO等对象检测框架的兼容性，也是构建过程中必须考虑的问题。

常用场景

经典使用场景

DoorDetect数据集作为深度学习领域内的物体检测基准，其经典使用场景在于训练与测试卷积神经网络模型，尤其是YOLO这类实时物体检测算法。通过对数据集中门把手、门、橱柜门以及冰箱门的标注 bounding box 进行学习，模型能够准确地定位并识别这些物体，为后续的图像理解与自动化操作提供基础。

实际应用

在实际应用中，DoorDetect数据集可用于智能机器人系统，比如自动门操作机器人的视觉识别模块，或是在智能家居系统中，用于识别并交互家庭环境中的各类门。此外，它也可被用于安全监控系统，以增强对特定对象的识别能力。

衍生相关工作

基于DoorDetect数据集，已衍生出诸如机器人门操作自适应性与鲁棒性研究的相关工作。如Arduengo等人在2019年的研究中，利用此数据集训练出的模型，实现了移动操纵机器人的稳健门操作。此类工作不仅扩展了数据集的应用范围，也为机器人领域的技术进步提供了重要的实验基础。