Eyes-Detection

Accurate Eyes Detection Dataset是一个为实时精确眼眸检测而设计的数据集，包含72,317张眼睛特写、人物面部以及真实场景的图片。所有边界框都经过完全手动重标注，以确保最大程度的准确性。数据集支持多种图像获取条件，如单人（1或2只眼睛）、全人、群体、睁眼和闭眼、多样光照和姿势。此外，数据集还应用了预处理和数据增强技术，如自动校准方向、调整大小、随机裁剪、旋转、剪切、亮度调整、曝光调整、高斯模糊、椒盐噪声和Cutout。

Accurate Eyes Detection Dataset is a dataset designed for real-time and precise eye detection, containing 72,317 images of eye close-ups, human faces and real-world scenes. All bounding boxes have been fully manually re-annotated to ensure maximum accuracy. The dataset supports various image capture scenarios, including single-person cases (with 1 or 2 eyes), full-body human subjects, crowds, eyes in both open and closed states, diverse lighting conditions and different poses. In addition, a series of preprocessing and data augmentation techniques have been applied to the dataset, such as automatic orientation calibration, resizing, random cropping, rotation, shearing, brightness adjustment, exposure adjustment, Gaussian blur, salt-and-pepper noise, and Cutout.

原始信息汇总

Accurate Eyes Detection Dataset 概述

基本信息

• 许可证: CC BY-NC-SA 4.0
• 任务类别: 目标检测
• 语言: 英语、意大利语
• 标签: 医疗、真实场景
• 数据集名称: Accurate Eyes Detection Dataset
• 数据规模: 10K 至 100K 之间
• 标注格式: COCO 格式

数据集描述

该 COCO 数据集专为各种条件下的实时“精确眼睛检测”任务设计，包含高度准确的边界框标注，使用 Roboflow 手动重新标注以确保最高精度。

数据集划分

数据集仅提供单一训练划分，包含全部 72,317 个样本，以便研究人员根据特定需求自定义划分比例、避免不同研究间的样本重叠，并更灵活地实施交叉验证策略。

关键特征

• 72,317 张图像，包含特写眼睛、人脸及真实场景
• 所有边界框均通过 Roboflow 手动重新标注，确保最高准确性
• 标注以即用型 COCO 格式提供，便于与大多数目标检测框架集成
• 单一训练划分设计，支持自定义训练/验证/测试划分
• 多样化的图像采集条件：
  • 单人（单眼或双眼）、多人、群体
  • 睁眼和闭眼状态
  • 不同的光照和姿态

预处理与数据增强

预处理

• 自动方向调整（去除 EXIF 方向信息）
• 调整大小为 640x640（拉伸）

数据增强

为每张图像创建 7 个版本，包括：

• 随机裁剪：图像的 0-30%
• 随机旋转：±15 度
• 随机剪切：±15° 水平/垂直
• 亮度调整：±25%
• 曝光调整：±15%
• 高斯模糊：最大 1.2 像素
• 椒盐噪声：0.3% 的像素
• 挖空：7 个框，每个大小为 2%

文件结构

Eyes-Detection/ ├── README.md # 数据集卡片 ├── dataset_info.json # Hugging Face 数据集元数据 ├── annotations.coco.json # COCO 格式标注 ├── images.zip # 所有图像的压缩存档 ├── README.dataset.txt # 附加信息 └── LICENSE # CC BY-NC-SA 4.0 许可证文件

许可证条款

允许行为

• 共享：复制和重新分发材料
• 改编：混音、转换和创建衍生作品
• 用于研究、学习和非商业项目

强制条件

• 署名：必须提供适当的署名、许可证链接并指明是否进行了更改
• 非商业性：不得将材料用于商业目的
• 相同方式共享：如果混音、转换或创建衍生作品，必须按照与原始作品相同的许可证分发您的贡献

预期用途

• 实时眼睛检测
• 作为计算机视觉应用中眼动追踪流程的一部分
• 学术研究
• 医疗应用研究

限制与伦理考量

• 数据集包含人脸图像
• 仅允许非商业用途
• 用户有责任确保符合隐私法律的道德使用

原始数据集来源

1. EyeCon 数据集 - https://app.roboflow.com/andreap/eyecon-eaux0-oykgj/1
2. Eyes Detection 数据集 - https://app.roboflow.com/andreap/eyes_detection-bupne/1

免责声明

用户对该数据集的道德和法律使用负责，创建者对任何不当使用不承担责任。

联系方式

如有问题或需要更多信息，请发送邮件至：[e-mail]

引用

如需在研究中使用该数据集，请按以下格式引用：

bibtex @dataset{accurate_eyes_detection_2025, author = {Andrea Porri}, title = {Accurate Eyes Detection Dataset}, year = {2025}, publisher = {Hugging Face}, version = {2.0}, license = {CC BY-NC-SA 4.0}, url = {https://huggingface.co/datasets/AndreaPorri/Eyes-Detection} }

搜集汇总

数据集介绍

构建方式

在计算机视觉与医学影像交叉领域，Eyes-Detection数据集通过整合EyeCon及Eyes Detection两个源数据集构建而成。采用专家标注与Roboflow平台协同工作流程，对72,317张高分辨率图像进行全手动边界框重标注，确保眼部检测的毫米级精度。所有图像经过自动定向与640×640像素标准化拉伸处理，并运用七种增强策略生成多版本样本，涵盖随机裁剪、旋转剪切、亮度曝光调整及高斯噪声注入等技术环节。

特点

本数据集核心特征体现在其多模态场景覆盖与精细化标注体系。图像内容涵盖单人眼部特写、多人群像及复杂现实场景，同时囊括睁眼与闭眼状态、多样化光照条件及头部姿态变化。所有标注均遵循COCO标准格式，支持即插即用式模型集成。独特的数据划分设计仅提供单一训练集，赋予研究者自主定义验证集与测试集比例的灵活性，有效避免不同研究间的样本重叠问题。

使用方法

通过Hugging Face数据集库可直接加载COCO格式标注与压缩图像包，系统将自动解压缓存至标准目录。用户需编程实现训练集、验证集与测试集的定制化划分，推荐采用70-80%训练、10-15%验证及10-15%测试的比例配置。对于高级应用场景，支持手动解压图像后通过torchvision或pycocotools库直接调用标注文件，为不同深度学习框架提供兼容性保障。

背景与挑战

背景概述

在计算机视觉与医学影像分析领域，精确眼部检测技术对于眼动追踪、人机交互及医疗诊断具有关键意义。Eyes-Detection数据集由Andrea Porri等人基于Roboflow平台构建，整合了EyeCon与Eyes Detection等原始数据集，通过专家标注与多重数据增强策略，提供了72,317张高分辨率图像及精细化边界框标注。该数据集以COCO格式发布，支持非商业性学术研究，旨在推动实时眼部检测算法的发展，并为多模态视觉任务提供高质量数据基础。

当前挑战

眼部检测任务面临光照变化、姿态多样性及遮挡等复杂场景的挑战，要求模型具备高鲁棒性与实时性。数据集构建过程中需克服标注一致性难题，通过人工重标注与Roboflow工具确保边界框精度；同时需处理原始数据源的异构性，并通过七类数据增强策略扩充样本多样性。此外，单一训练分割的设计要求研究者自主划分验证与测试集，增加了实验设计的灵活性但亦对数据管理提出了更高要求。

常用场景

经典使用场景

在计算机视觉领域，Eyes-Detection数据集为实时精确眼部检测任务提供了高质量的训练基础。该数据集通过包含72,317张高分辨率图像及经过人工精细标注的边界框，支持研究者开发能够准确识别不同光照条件、姿态变化及睁闭眼状态的检测模型。其灵活的单一训练分割设计允许根据具体研究需求自定义数据划分策略，为模型训练与验证提供了高度适应性。

实际应用

在实际应用中，该数据集为眼动追踪系统、人机交互界面及医疗诊断工具开发提供了核心数据资源。其高精度标注支持构建实时眼部定位系统，应用于驾驶员疲劳监测、虚拟现实交互控制及眼科疾病辅助诊断等领域。通过提供标准化COCO格式数据，实现了与主流检测框架的无缝集成，显著提升了实际部署效率。

衍生相关工作

基于该数据集衍生的经典工作包括高性能实时眼动追踪算法、多模态融合检测模型及轻量化嵌入式视觉系统。研究者利用其丰富标注开发了基于深度学习的眼部状态分类器，进一步推动了注意力计算与行为分析研究。这些成果不仅扩展了计算机视觉的应用边界，还为医疗影像分析提供了可迁移的技术范式。