Francesco/radio-signal

---
dataset_info:
features:
- name: image_id
dtype: int64
- name: image
dtype: image
- name: width
dtype: int32
- name: height
dtype: int32
- name: objects
sequence:
- name: id
dtype: int64
- name: area
dtype: int64
- name: bbox
sequence: float32
length: 4
- name: category
dtype:
class_label:
names:
'0': radio-signal
'1': stray
'2': target
annotations_creators:
- crowdsourced
language_creators:
- found
language:
- en
license:
- cc
multilinguality:
- monolingual
size_categories:
- 1K<n<10K
source_datasets:
- original
task_categories:
- object-detection
task_ids: []
pretty_name: radio-signal
tags:
- rf100
---

# Dataset Card for radio-signal

** The original COCO dataset is stored at `dataset.tar.gz`**

## Dataset Description

- **Homepage:** https://universe.roboflow.com/object-detection/radio-signal
- **Point of Contact:** [e-mail]

### Dataset Summary

radio-signal

### Supported Tasks and Leaderboards

- `object-detection`: The dataset can be used to train a model for Object Detection.

### Languages

English

## Dataset Structure

### Data Instances

A data point comprises an image and its object annotations.

```
{
'image_id': 15,
'image': <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=640x640 at 0x2373B065C18>,
'width': 964043,
'height': 640,
'objects': {
'id': [114, 115, 116, 117],
'area': [3796, 1596, 152768, 81002],
'bbox': [
[302.0, 109.0, 73.0, 52.0],
[810.0, 100.0, 57.0, 28.0],
[160.0, 31.0, 248.0, 616.0],
[741.0, 68.0, 202.0, 401.0]
],
'category': [4, 4, 0, 0]
}
}
```

### Data Fields

- `image`: the image id
- `image`: `PIL.Image.Image` object containing the image. Note that when accessing the image column: `dataset[0]["image"]` the image file is automatically decoded. Decoding of a large number of image files might take a significant amount of time. Thus it is important to first query the sample index before the `"image"` column, *i.e.* `dataset[0]["image"]` should **always** be preferred over `dataset["image"][0]`
- `width`: the image width
- `height`: the image height
- `objects`: a dictionary containing bounding box metadata for the objects present on the image
- `id`: the annotation id
- `area`: the area of the bounding box
- `bbox`: the object's bounding box (in the [coco](https://albumentations.ai/docs/getting_started/bounding_boxes_augmentation/#coco) format)
- `category`: the object's category.

#### Who are the annotators?

Annotators are Roboflow users

## Additional Information

### Licensing Information

See original homepage https://universe.roboflow.com/object-detection/radio-signal

### Citation Information

```
@misc{ radio-signal,
title = { radio signal Dataset },
type = { Open Source Dataset },
author = { Roboflow 100 },
howpublished = { \url{ https://universe.roboflow.com/object-detection/radio-signal } },
url = { https://universe.roboflow.com/object-detection/radio-signal },
journal = { Roboflow Universe },
publisher = { Roboflow },
year = { 2022 },
month = { nov },
note = { visited on 2023-03-29 },
}"
```

### Contributions

Thanks to [@mariosasko](https://github.com/mariosasko) for adding this dataset.

dataset_info:
数据集信息:
特征:
- 名称: image_id（图像ID）, 数据类型: int64（64位整数）
- 名称: image（图像）, 数据类型: image（图像）
- 名称: width（图像宽度）, 数据类型: int32（32位整数）
- 名称: height（图像高度）, 数据类型: int32（32位整数）
- 名称: objects（目标对象）, 序列:
- 名称: id（标注ID）, 数据类型: int64（64位整数）
- 名称: area（边界框面积）, 数据类型: int64（64位整数）
- 名称: bbox（边界框，bounding box）, 序列: float32（32位浮点数）, 长度: 4
- 名称: category（类别）, 数据类型:
类别标签:
名称列表:
'0': radio-signal（无线电信号）
'1': stray（杂散目标）
'2': target（目标）
annotations_creators:
- 众包
language_creators:
- 公开采集（found，即从现有数据源获取）
language:
- 英语
license:
- CC（知识共享，Creative Commons）协议
multilinguality:
- 单语言
size_categories:
- 1000 < n < 10000
source_datasets:
- 原创数据集
task_categories:
- 目标检测（object-detection）
task_ids: []
pretty_name: radio-signal
tags:
- rf100

# radio-signal 数据集卡片

**原始COCO数据集存储于`dataset.tar.gz`**

## 数据集描述

- **主页**: https://universe.roboflow.com/object-detection/radio-signal
- **联系人**: [e-mail]

### 数据集摘要

radio-signal 数据集

### 支持任务与排行榜

- `object-detection`: 本数据集可用于训练目标检测模型。

### 语言

英语

## 数据集结构

### 数据实例

单个数据点包含一幅图像及其目标标注信息。

{
'image_id': 15,
'image': <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=640x640 at 0x2373B065C18>,
'width': 964043,
'height': 640,
'objects': {
'id': [114, 115, 116, 117],
'area': [3796, 1596, 152768, 81002],
'bbox': [
[302.0, 109.0, 73.0, 52.0],
[810.0, 100.0, 57.0, 28.0],
[160.0, 31.0, 248.0, 616.0],
[741.0, 68.0, 202.0, 401.0]
],
'category': [4, 4, 0, 0]
}
}

### 数据字段

- `image_id`: 图像的唯一标识符
- `image`: 包含图像的`PIL.Image.Image`对象。请注意，当访问图像列时：`dataset[0]["image"]` 会自动对图像文件进行解码。解码大量图像文件可能会消耗大量时间，因此建议优先通过样本索引查询后再访问`"image"`列，即**始终优先使用`dataset[0]["image"]`而非`dataset["image"][0]`**
- `width`: 图像的宽度
- `height`: 图像的高度
- `objects`: 包含图像中目标的边界框元数据的字典
- `id`: 标注ID
- `area`: 边界框的面积
- `bbox`: 目标的边界框，采用[COCO](https://albumentations.ai/docs/getting_started/bounding_boxes_augmentation/#coco)格式
- `category`: 目标的类别。

#### 标注人员说明

标注人员为Roboflow平台用户

## 附加信息

### 许可信息

详见原始主页：https://universe.roboflow.com/object-detection/radio-signal

### 引用信息

@misc{ radio-signal,
title = { radio signal 数据集 },
type = { 开源数据集 },
author = { Roboflow 100 },
howpublished = { url{ https://universe.roboflow.com/object-detection/radio-signal } },
url = { https://universe.roboflow.com/object-detection/radio-signal },
journal = { Roboflow 宇宙 },
publisher = { Roboflow },
year = { 2022 },
month = { 11月 },
note = { 访问时间：2023-03-29 },
}

### 贡献致谢

感谢 [@mariosasko](https://github.com/mariosasko) 为本数据集的收录提供帮助。

原始信息汇总

数据集概述

数据集名称

• 名称: radio-signal

数据集特征

• 特征列表:
  • image_id: 数据类型为 int64
  • image: 数据类型为 image
  • width: 数据类型为 int32
  • height: 数据类型为 int32
  • objects: 序列类型，包含以下子特征:
    • id: 数据类型为 int64
    • area: 数据类型为 int64
    • bbox: 序列类型，数据类型为 float32，长度为4
    • category: 数据类型为分类标签，包含以下名称:
      • 0: radio-signal
      • 1: stray
      • 2: target

数据集结构

• 数据实例:

  • 每个数据点包含一张图片及其对象标注信息。

  • 示例数据结构:

    { image_id: 15, image: <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=640x640 at 0x2373B065C18>, width: 964043, height: 640, objects: { id: [114, 115, 116, 117], area: [3796, 1596, 152768, 81002], bbox: [ [302.0, 109.0, 73.0, 52.0], [810.0, 100.0, 57.0, 28.0], [160.0, 31.0, 248.0, 616.0], [741.0, 68.0, 202.0, 401.0] ], category: [4, 4, 0, 0] } }

数据集用途

• 支持的任务:
  • object-detection: 用于训练目标检测模型。

数据集语言

• 语言: English

数据集大小

• 大小范围: 1K<n<10K

数据集来源

• 来源: original

数据集标签

• 标签: rf100

搜集汇总

数据集介绍

构建方式

在无线通信与电磁频谱感知领域，精准的目标检测是信号识别与干扰分析的核心环节。Francesco/radio-signal数据集源自Roboflow平台，由社区众包标注而成，专注于无线电信号的视觉检测任务。数据集的构建遵循COCO格式，包含原始图像及其对应的边界框注释。每个样本存储为PIL图像对象，并附带图像尺寸、唯一标识符以及多目标注释字典，其中涵盖边界框的坐标（以COCO标准格式表示）、面积及类别标签。类别分为三类：radio-signal（无线电信号）、stray（杂散信号）与target（目标信号），覆盖了实际场景中常见的信号类型。数据集规模介于1K至10K之间，为中等规模专用数据集，适用于监督学习下的目标检测模型训练。

特点

该数据集在无线电信号检测领域具有鲜明的专业性与结构化优势。其注释信息详尽，每个目标均提供边界框、面积及类别归属，便于模型学习信号的空间分布与形态特征。数据采用COCO标准格式，兼容主流检测框架（如Detectron2、MMDetection），降低了预处理复杂度。图像尺寸统一为640×640像素，确保了输入的一致性。此外，类别划分精细，不仅包含主信号（radio-signal），还引入杂散与目标信号，模拟真实电磁环境中的多源干扰，增强了模型的鲁棒性与泛化能力。数据集由Roboflow社区众包标注，保证了注释的多样性，同时依托原始来源的权威性，为频谱监测、通信侦察等应用提供了可靠的数据支撑。

使用方法

使用该数据集时，可通过HuggingFace Datasets库直接加载，例如调用`load_dataset('Francesco/radio-signal')`获取实例。数据访问建议优先索引样本序号再读取图像字段，以避免大规模解码带来的性能开销。每一条数据包含图像、元数据（宽高）及注释字典，注释中的边界框遵循COCO格式（[x_min, y_min, width, height]），可直接用于训练目标检测模型。若需自定义预处理，可结合Albumentations等库进行数据增强。数据集默认支持英文标注，许可证为CC协议，使用时需遵循原始Roboflow页面的引用规范。对于研究或工业应用，建议将数据划分为训练、验证与测试集，并利用标准评估指标（如mAP）进行模型性能验证。

背景与挑战

背景概述

无线电信号在通信、雷达和电子侦察等领域扮演着至关重要的角色，其自动化检测与识别技术近年来随着深度学习的发展而备受关注。Francesco/radio-signal数据集由Roboflow社区于2022年创建，依托Roboflow 100项目，旨在推动基于视觉的无线电信号目标检测研究。该数据集聚焦于从真实场景图像中识别无线电信号源、杂散信号及目标信号三类对象，为计算机视觉与无线通信的交叉领域提供了重要的基准资源。通过众包标注方式，数据集涵盖了千余张高分辨率图像，其发布填补了面向通用无线电信号检测的公开数据集空白，促进了相关算法在复杂电磁环境下的性能评估与优化。

当前挑战

该数据集所解决的领域问题集中于复杂场景下的无线电信号视觉检测，面临信号源形态多样、背景干扰强烈以及多尺度目标共存等挑战。在构建过程中，数据采集需覆盖不同频段、功率和地理环境的信号实例，标注工作依赖众包人员对无线电设备的准确识别，易引入主观偏差。此外，图像中信号反射、遮挡及光照变化导致边界框标注一致性难以保证，而类别间（如信号与杂散）的视觉相似性进一步增加了分类难度。这些挑战要求模型具备鲁棒的特征提取能力，并推动数据增强与迁移学习策略的持续创新。

常用场景

经典使用场景

在计算机视觉与电磁频谱感知的交叉领域中，Francesco/radio-signal数据集为基于视觉的无线电信号检测任务提供了标准化的评估基准。该数据集包含数千张标注图像，每张图像均以COCO格式标注了“radio-signal”、“stray”和“target”三类目标物体，为训练和评估目标检测模型（如YOLO、Faster R-CNN等）在复杂电磁环境下的识别能力提供了高质量的数据支撑。研究者可借助此数据集系统性地探索视觉信号与无线电信号之间的空间关联性，推动从光学图像中自动识别和定位无线电发射源的技术发展。

解决学术问题

该数据集有效解决了传统无线电信号检测依赖专用射频硬件、难以大规模部署的学术困境。通过将无线电信号检测问题转化为视觉目标检测任务，研究人员能够利用成熟的计算机视觉算法对无线信号源进行空间定位与分类，从而降低了对昂贵频谱分析设备的依赖。这一范式创新为频谱态势感知、电磁环境建模等研究方向提供了全新的方法论，显著推动了非协作式信号源识别、电磁干扰溯源等学术问题的解决，并在Roboflow 100基准测试中为跨领域迁移学习研究提供了重要参考。

衍生相关工作

该数据集催生了一系列具有影响力的研究工作。其中，Roboflow 100基准测试将其作为评估视觉模型在非典型目标检测任务上泛化能力的关键子集，推动了模型在跨域迁移学习中的性能对比。后续研究者在YOLOv5和EfficientDet等经典检测框架上进行了微调实验，验证了数据增强策略和注意力机制在无线电信号检测中的有效性。此外，该数据集还被用于探索少样本学习与主动学习技术在稀疏信号检测场景中的应用，为构建低标注成本、高精度的频谱感知系统奠定了实验基础。