CrowdHuman
收藏魔搭社区2025-12-01 更新2024-08-31 收录
下载链接:
https://modelscope.cn/datasets/OmniData/CrowdHuman
下载链接
链接失效反馈官方服务:
资源简介:
displayName: CrowdHuman
labelTypes:
- Box2D
license:
- CrowdHuman Custom
mediaTypes:
- Image
paperUrl: ""
publishDate: "2018"
publishUrl: https://www.crowdhuman.org/
publisher:
- Megvii Technology
tags:
- Human
taskTypes:
- Object Detection
---
# 数据集介绍
## 简介
CrowdHuman 是一个基准数据集,可以更好地评估人群场景中的检测器。 CrowdHuman 数据集很大,注释丰富并且包含高度的多样性。 CrowdHuman 包含 15000、4370 和 5000 张图像,分别用于训练、验证和测试。训练和验证子集中共有 470K 人类实例,每张图像有 23 个人,数据集中有各种遮挡。每个人体实例都用头部边界框、人体可见区域边界框和人体全身边界框进行注释。我们希望我们的数据集将作为一个坚实的基线,并有助于促进人类检测任务的未来研究。
## 类定义
```
full body (person)
visible body (person)
head (person)
```
## 引文
```
@article{shao2018crowdhuman,
title={CrowdHuman: A Benchmark for Detecting Human in a Crowd},
author={Shao, Shuai and Zhao, Zijian and Li, Boxun and Xiao, Tete and Yu, Gang and Zhang, Xiangyu and Sun, Jian},
journal={arXiv preprint arXiv:1805.00123},
year={2018}
}
```
## Download dataset
:modelscope-code[]{type="git"}
显示名称:CrowdHuman
标注类型:
- 二维边界框(Box2D)
许可证:
- CrowdHuman 自定义许可证
媒体类型:
- 图像
论文链接:
- 无
发布日期:2018年
发布网址:https://www.crowdhuman.org/
发布机构:
- 旷视科技(Megvii Technology)
标签:
- 人类
任务类型:
- 目标检测
---
# 数据集介绍
## 概况
CrowdHuman 是一款专为人群场景下检测器性能评估打造的基准数据集。该数据集规模宏大、标注体系详实且具备高度的场景多样性。CrowdHuman 共包含15000、4370与5000张图像,分别对应训练集、验证集与测试集。训练集与验证集总计涵盖47万个人类实例,单张图像平均包含23个人物,且数据中存在各类遮挡情况。每个人体实例均通过头部边界框、人体可见区域边界框以及人体全身边界框完成标注。我们期望本数据集可作为可靠的基准基线,助力人类检测任务的后续研究推进。
## 类别定义
全身(人物)(full body (person))
可见身体区域(人物)(visible body (person))
头部(人物)(head (person))
## 引文
@article{shao2018crowdhuman,
title={CrowdHuman: A Benchmark for Detecting Human in a Crowd},
author={Shao, Shuai and Zhao, Zijian and Li, Boxun and Xiao, Tete and Yu, Gang and Zhang, Xiangyu and Sun, Jian},
journal={arXiv preprint arXiv:1805.00123},
year={2018}
}
## 数据集下载
:modelscope-code[]{type="git"}
提供机构:
maas
创建时间:
2024-07-12
搜集汇总
数据集介绍

背景与挑战
背景概述
CrowdHuman是一个用于评估拥挤场景中人体检测器性能的基准数据集,包含15,000张训练图像、4,370张验证图像和5,000张测试图像,总计470K个人体实例,平均每张图像23人,并标注了头部、可见身体区域和全身的边界框。该数据集旨在为人体检测任务的研究提供坚实基础。
以上内容由遇见数据集搜集并总结生成



