Lancelot53/wltjr1007_DomainNet_subset

该数据集包含图像数据，每个图像都有一个标签，标签涵盖了345个不同的类别，如飞机、汽车、动物等。数据集还包含图像的来源域（如clipart、infograph等）和图像路径信息。数据集分为训练集和测试集，训练集包含10245个样本，测试集包含4418个样本。

The dataset contains image data, each with a label covering 345 different categories such as airplanes, cars, animals, etc. The dataset also includes the source domain of the images (e.g., clipart, infograph) and the image path information. The dataset is divided into a training set with 10245 samples and a test set with 4418 samples.

原始信息汇总

数据集概述

数据特征

• image: 图像数据
• label: 类别标签
  • 类别名称:
    • 0: aircraft_carrier
    • 1: airplane
    • 2: alarm_clock
    • 3: ambulance
    • 4: angel
    • 5: animal_migration
    • 6: ant
    • 7: anvil
    • 8: apple
    • 9: arm
    • 10: asparagus
    • 11: axe
    • 12: backpack
    • 13: banana
    • 14: bandage
    • 15: barn
    • 16: baseball
    • 17: baseball_bat
    • 18: basket
    • 19: basketball
    • 20: bat
    • 21: bathtub
    • 22: beach
    • 23: bear
    • 24: beard
    • 25: bed
    • 26: bee
    • 27: belt
    • 28: bench
    • 29: bicycle
    • 30: binoculars
    • 31: bird
    • 32: birthday_cake
    • 33: blackberry
    • 34: blueberry
    • 35: book
    • 36: boomerang
    • 37: bottlecap
    • 38: bowtie
    • 39: bracelet
    • 40: brain
    • 41: bread
    • 42: bridge
    • 43: broccoli
    • 44: broom
    • 45: bucket
    • 46: bulldozer
    • 47: bus
    • 48: bush
    • 49: butterfly
    • 50: cactus
    • 51: cake
    • 52: calculator
    • 53: calendar
    • 54: camel
    • 55: camera
    • 56: camouflage
    • 57: campfire
    • 58: candle
    • 59: cannon
    • 60: canoe
    • 61: car
    • 62: carrot
    • 63: castle
    • 64: cat
    • 65: ceiling_fan
    • 66: cello
    • 67: cell_phone
    • 68: chair
    • 69: chandelier
    • 70: church
    • 71: circle
    • 72: clarinet
    • 73: clock
    • 74: cloud
    • 75: coffee_cup
    • 76: compass
    • 77: computer
    • 78: cookie
    • 79: cooler
    • 80: couch
    • 81: cow
    • 82: crab
    • 83: crayon
    • 84: crocodile
    • 85: crown
    • 86: cruise_ship
    • 87: cup
    • 88: diamond
    • 89: dishwasher
    • 90: diving_board
    • 91: dog
    • 92: dolphin
    • 93: donut
    • 94: door
    • 95: dragon
    • 96: dresser
    • 97: drill
    • 98: drums
    • 99: duck
    • 100: dumbbell
    • 101: ear
    • 102: elbow
    • 103: elephant
    • 104: envelope
    • 105: eraser
    • 106: eye
    • 107: eyeglasses
    • 108: face
    • 109: fan
    • 110: feather
    • 111: fence
    • 112: finger
    • 113: fire_hydrant
    • 114: fireplace
    • 115: firetruck
    • 116: fish
    • 117: flamingo
    • 118: flashlight
    • 119: flip_flops
    • 120: floor_lamp
    • 121: flower
    • 122: flying_saucer
    • 123: foot
    • 124: fork
    • 125: frog
    • 126: frying_pan
    • 127: garden
    • 128: garden_hose
    • 129: giraffe
    • 130: goatee
    • 131: golf_club
    • 132: grapes
    • 133: grass
    • 134: guitar
    • 135: hamburger
    • 136: hammer
    • 137: hand
    • 138: harp
    • 139: hat
    • 140: headphones
    • 141: hedgehog
    • 142: helicopter
    • 143: helmet
    • 144: hexagon
    • 145: hockey_puck
    • 146: hockey_stick
    • 147: horse
    • 148: hospital
    • 149: hot_air_balloon
    • 150: hot_dog
    • 151: hot_tub
    • 152: hourglass
    • 153: house
    • 154: house_plant
    • 155: hurricane
    • 156: ice_cream
    • 157: jacket
    • 158: jail
    • 159: kangaroo
    • 160: key
    • 161: keyboard
    • 162: knee
    • 163: knife
    • 164: ladder
    • 165: lantern
    • 166: laptop
    • 167: leaf
    • 168: leg
    • 169: light_bulb
    • 170: lighter
    • 171: lighthouse
    • 172: lightning
    • 173: line
    • 174: lion
    • 175: lipstick
    • 176: lobster
    • 177: lollipop
    • 178: mailbox
    • 179: map
    • 180: marker
    • 181: matches
    • 182: megaphone
    • 183: mermaid
    • 184: microphone
    • 185: microwave
    • 186: monkey
    • 187: moon
    • 188: mosquito
    • 189: motorbike
    • 190: mountain
    • 191: mouse
    • 192: moustache
    • 193: mouth
    • 194: mug
    • 195: mushroom
    • 196: nail
    • 197: necklace
    • 198: nose
    • 199: ocean
    • 200: octagon
    • 201: octopus
    • 202: onion
    • 203: oven
    • 204: owl
    • 205: paintbrush
    • 206: paint_can
    • 207: palm_tree
    • 208: panda
    • 209: pants
    • 210: paper_clip
    • 211: parachute
    • 212: parrot
    • 213: passport
    • 214: peanut
    • 215: pear
    • 216: peas
    • 217: pencil
    • 218: penguin
    • 219: piano
    • 220: pickup_truck
    • 221: picture_frame
    • 222: pig
    • 223: pillow
    • 224: pineapple
    • 225: pizza
    • 226: pliers
    • 227: police_car
    • 228: pond
    • 229: pool
    • 230: popsicle
    • 231: postcard
    • 232: potato
    • 233: power_outlet
    • 234: purse
    • 235: rabbit
    • 236: raccoon
    • 237: radio
    • 238: rain
    • 239: rainbow
    • 240: rake
    • 241: remote_control
    • 242: rhinoceros
    • 243: rifle
    • 244: river
    • 245: roller_coaster
    • 246: rollerskates
    • 247: sailboat
    • 248: sandwich
    • 249: saw
    • 250: saxophone
    • 251: school_bus
    • 252: scissors
    • 253: scorpion
    • 254: screwdriver
    • 255: sea_turtle
    • 256: see_saw
    • 257: shark
    • 258: sheep
    • 259: shoe
    • 260: shorts
    • 261: shovel
    • 262: sink
    • 263: skateboard
    • 264: skull
    • 265: skyscraper
    • 266: sleeping_bag
    • 267: smiley_face
    • 268: snail
    • 269: snake
    • 270: snorkel
    • 271: snowflake
    • 272: snowman
    • 273: soccer_ball
    • 274: sock
    • 275: speedboat
    • 276: spider
    • 277: spoon
    • 278: spreadsheet
    • 279: square
    • 280: squiggle
    • 281: squirrel
    • 282: stairs
    • 283: star
    • 284: steak
    • 285: stereo
    • 286: stethoscope
    • 287: stitches
    • 288: stop_sign
    • 289: stove
    • 290: strawberry
    • 291: streetlight
    • 292: string_bean
    • 293: submarine
    • 294: suitcase
    • 295: sun
    • 296: swan
    • 297: sweater
    • 298: swing_set
    • 299: sword
    • 300: syringe
    • 301: table
    • 302: teapot
    • 303: teddy-bear
    • 304: telephone
    • 305: television
    • 306: tennis_racquet
    • 307: tent
    • 308: The_Eiffel_Tower
    • 309: The_Great_Wall_of_China
    • 310: The_Mona_Lisa
    • 311: tiger
    • 312: toaster
    • 313: toe
    • 314: toilet
    • 315: tooth
    • 316: toothbrush
    • 317: toothpaste
    • 318: tornado
    • 319: tractor
    • 320: traffic_light
    • 321: train
    • 322: tree
    • 323: triangle
    • 324: trombone
    • 325: truck
    • 326: trumpet
    • 327: t-shirt
    • 328: umbrella
    • 329: underwear
    • 330: van
    • 331: vase
    • 332: violin
    • 333: washing_machine
    • 334: watermelon
    • 335: waterslide
    • 336: whale
    • 337: wheel
    • 338: windmill
    • 339: wine_bottle
    • 340: wine_glass
    • 341: wristwatch
    • 342: yoga
    • 343: zebra
    • 344: zigzag
• domain: 图像所属领域
  • 领域名称:
    • 0: clipart
    • 1: infograph
    • 2: painting
    • 3: quickdraw
    • 4: real
    • 5: sketch
• image_path: 图像文件路径

数据集划分

• train: 训练集
  • 样本数量: 10245
  • 数据大小: 327192145.6407202 字节
• test: 测试集
  • 样本数量: 4418
  • 数据大小: 141716275.04666063 字节

数据集大小

• 下载大小: 468545739 字节
• 数据集总大小: 468908420.6873808 字节

配置

• config_name: default
  • 数据文件路径:
    • 训练集: data/train-*
    • 测试集: data/test-*

搜集汇总

数据集介绍

构建方式

在计算机视觉与迁移学习领域，跨域图像分类任务要求模型具备对风格各异但语义一致图像的识别能力。Lancelot53/wltjr1007_DomainNet_subset数据集源自大规模的DomainNet基准，通过精心筛选与重构，形成了一个紧凑而富有挑战性的子集。其构建过程保留了原始数据集中六个迥异的视觉域——clipart、infograph、painting、quickdraw、real与sketch，每个域均覆盖了从日常物品到抽象概念的345个类别。该子集在保持域间分布差异的同时，对样本数量进行了均衡化处理，旨在为域适应与泛化研究提供更为聚焦且易于管理的实验平台。

特点

该数据集的核心特色在于其多域异构与类别丰富的双重属性。六种视觉域从写实照片到快速涂鸦，呈现出从精细纹理到极简线条的连续风格谱系，迫使模型学习域不变的特征表征。345个类别涵盖广泛，包括具体物体（如飞机、苹果）、抽象符号（如三角形、圆形）乃至特定地标（如埃菲尔铁塔），显著提升了任务的语义复杂度。此外，数据集明确划分了训练集与测试集，分别包含10245与4418个样本，为模型性能的量化评估提供了清晰且标准化的基准。

使用方法

该数据集的设计与HuggingFace生态系统深度集成，可通过`datasets`库便捷加载。用户仅需调用`load_dataset`函数并指定数据集名称，即可自动获取划分为训练与测试的样本。每条样本包含图像数据、类别标签及域标签，后者支持细粒度的跨域分析。为便于流程化处理，图像路径字段亦被保留，允许用户灵活选择加载策略。在模型训练中，可结合`torchvision`等库进行图像变换与增强，并利用域标签实施对抗性训练或多任务学习，以探索域适应算法的最优配置。

背景与挑战

背景概述

在计算机视觉与迁移学习领域，域适应问题一直是研究的热点与难点。Lancelot53/wltjr1007_DomainNet_subset数据集作为DomainNet数据集的一个子集，由相关研究团队在2023年左右创建，旨在为视觉域适应任务提供标准化的评测基准。该数据集涵盖了从clipart、infograph、painting、quickdraw、real到sketch六个视觉风格迥异的域，共包含345个精细类别，如航空母舰、苹果、斑马等，总计超过一万四千张图像。其核心研究问题在于如何让模型在源域（如真实照片）上训练后，能够有效地泛化至目标域（如手绘草图或剪贴画），从而推动域不变特征学习与跨域知识迁移方法的发展。该数据集对无监督域适应、多源域适应以及域泛化等研究方向产生了重要影响，成为评估算法鲁棒性与泛化能力的关键工具。

当前挑战

该数据集所解决的领域问题主要是视觉域适应中的分布偏移挑战，即不同域之间在图像风格、纹理、光照与抽象程度上的巨大差异，导致传统监督学习模型在跨域场景下性能急剧下降。例如，从真实照片域迁移至quickdraw域时，模型需应对从具象到高度简笔画的极端风格转换。在构建过程中，数据集面临的挑战包括：如何从原始DomainNet中筛选出类别均衡且域间样本数量合理的子集，以确保评测的公平性；如何保证各域内图像标注的一致性与准确性，尤其是在infograph和quickdraw等抽象程度较高的域中，类别边界模糊且易产生歧义；此外，不同域间的样本数量不均衡（如real域图像丰富而sketch域相对稀缺）也对数据集构建提出了平衡与采样的难题。

常用场景

经典使用场景

作为DomainNet数据集的精简子集，Lancelot53/wltjr1007_DomainNet_subset在跨域图像分类与领域自适应研究中扮演着不可或缺的基石角色。该数据集囊括了clipart、infograph、painting、quickdraw、real与sketch六种迥异的视觉风格，覆盖345个细粒度物体类别，为研究者提供了在多元视觉表示间迁移知识的理想试验场。其经典使用场景聚焦于无监督领域自适应任务，即利用标注丰富的源域（如真实图像）训练模型，进而在未见过的目标域（如草图或简笔画）中实现精准分类，从而检验算法对风格漂移的鲁棒性。

解决学术问题

该数据集核心解决了视觉领域自适应中因数据分布差异而导致的模型泛化性能衰退这一长期困扰学术界的难题。通过提供风格跨度极大的多源域图像，它使研究者能够系统性地评估并改进对抗性学习、最大均值差异及自我训练等对齐策略的有效性。其意义在于，它不仅为理论验证提供了标准化基准，更推动了面向真实世界场景的通用视觉表征学习范式的发展，深刻影响了领域自适应、多源域泛化及零样本学习等前沿方向的评估体系。

衍生相关工作

围绕该数据集衍生了一系列具有里程碑意义的学术工作，其中最具代表性的是基于对抗性训练的领域自适应网络（如DANN、CDAN）以及基于图像风格迁移的泛化方法。研究者还提出了多任务学习框架，通过联合优化域分类与类别预测来解耦风格与内容特征。近期，基于Transformer架构的跨域模型（如CrossViT）亦在此数据集上验证了其卓越的迁移能力。这些工作共同构成了领域自适应领域的知识图谱，持续推动着视觉智能从封闭实验室走向开放世界的进程。