OAODD

户外无障碍目标检测数据集（OAODD）是一个手动标注的户外城市场景目标检测数据集，包含2988张图像和9089个边界框标注，涵盖9个类别。Outdoor Accessibility Object Detection Dataset (OAODD) is a manually annotated object detection dataset for outdoor urban scenarios, comprising 2988 images and 9089 bounding box annotations covering 9 categories.

原始信息汇总

户外无障碍物体检测数据集（OAODD）

数据集概述

OAODD是一个手工标注的户外城市场景物体检测数据集，包含多样化的真实世界户外环境图像，提供高质量的边界框标注，用于支持计算机视觉和目标检测领域的研究与开发。

数据集统计

属性	数值
任务类型	目标检测
图像数量	2,988
标注数量	9,089
类别数量	9
平均每张图像物体数	3.0
缺失标注	0
中位分辨率	960 × 1280
标注类型	边界框

类别信息

数据集包含以下9个物体类别：

• Car（汽车）
• Chair（椅子）
• Hole（坑洞）
• Obstacle（障碍物）
• Person（行人）
• Sidewalk（人行道）
• Stairs（楼梯）
• Trash（垃圾）
• Tree（树木）

数据集结构

OAODD/ ├── train/ │ ├── images/ │ └── labels/ ├── valid/ │ ├── images/ │ └── labels/ ├── test/ │ ├── images/ │ └── labels/ ├── preview/ ├── data.yaml ├── LICENSE └── README.md

标注格式

数据集采用YOLO目标检测格式，每个图像对应一个标签文件，格式为：

class x_center y_center width height

所有坐标均经过归一化处理。

预期用途

该数据集适用于研究和教育目的，包括：

• 目标检测
• 计算机视觉研究
• 深度学习
• 城市场景理解
• AI基准测试
• 学术项目

引用信息

如需引用该数据集，请使用以下BibTeX格式： bibtex @dataset{boarat2026oaodd, author = {Dana Boarat}, title = {Outdoor Accessibility Object Detection Dataset (OAODD)}, year = {2026}, version = {1.0} }

许可证

该数据集采用**知识共享署名4.0国际许可协议（CC BY 4.0）**发布。

联系方式

作者： Dana Boarat 邮箱： [e-mail]

搜集汇总

数据集介绍

构建方式

户外无障碍目标检测数据集（OAODD）的构建源于对城市公共空间中常见物体与环境的系统性关注，旨在为计算机视觉研究提供真实户外条件下的基准。该数据集通过人工标注方式，精心收集了2,988幅多样化的户外城市场景图像，并绘制了9,089个高质量边界框，覆盖汽车、椅子、坑洞、障碍物、行人、人行道、楼梯、垃圾和树木共9个类别。标注严格遵循YOLO格式，所有坐标均经归一化处理，并经过严格校验确保无缺失标注，图像中位分辨率为960×1280，平均每幅图像包含3.0个目标，为模型训练与评估提供了均衡且高质量的数据基础。

特点

OAODD数据集的核心特色在于其针对户外无障碍场景的专精设计，聚焦于行人、障碍物、路面缺陷等直接影响行动安全与便利性的要素，弥补了通用目标检测数据集在无障碍领域细粒度覆盖的不足。其类别体系兼具结构化物件（如楼梯、人行道）与随机障碍（如坑洞、垃圾），客观反映了真实城市环境的复杂性与异质性。此外，数据集规模适中，标注规范统一，分辨率较高，且图像采集自多样化的户外场景，使得模型在光照变化、视角差异和背景干扰下仍能有效学习鲁棒特征，为城市感知、辅助导航及智能无障碍系统研发提供了宝贵资源。

使用方法

OAODD数据集以标准YOLO格式提供，并划分训练、验证与测试子集，可直接接入主流深度学习目标检测框架（如YOLOv5、YOLOv8、MMDetection等）进行模型训练与评估。用户需依据data.yaml文件配置类别信息与路径，加载图像及对应标签文件即可启动训练流程。数据集注明仅用于科研与教育目的，支持物体检测、城市场景理解、深度学习及AI基准测试等方向，研究者亦可基于其标注进行定制化数据增强或迁移学习实验。为便于快速浏览，数据集包含预览图像，且遵循CC BY 4.0许可，便于学术共享与引用，使用时需正确署名原始作者。

背景与挑战

背景概述

户外无障碍物体检测数据集（OAODD）由研究者Dana Bo'arat于2026年创建，旨在应对城市公共空间场景理解中物体检测的挑战。该数据集包含2,988张高分辨率户外图像，涵盖9个类别（如汽车、人、障碍物、坑洞等）共9,089个精细标注的边界框，所有标注均经人工校验。OAODD的构建填补了现有数据集在无障碍设施与城市障碍物细粒度识别上的空白，为训练和评估深度学习模型在真实户外条件下的鲁棒性提供了标准化基准，尤其服务于视障辅助、智能市政维护等应用场景。其发布对推动计算机视觉在包容性技术领域的发展具有重要参考价值。

当前挑战

OAODD所解决的领域问题是户外场景中多样化目标检测，特别是小尺寸、局部遮挡及光照变化下的物体识别，这对模型的泛化能力提出严苛要求。在构建过程中，主要挑战包括：1）数据采集需覆盖不同天气、时段和城市功能区，以保证多样性；2）类别定义需兼顾语义粒度与标注一致性，如区分人行道与阶梯的临界情况；3）手工标注工作量庞大且需严格质检，确保边界框精度；4）平衡类别分布，避免常见目标（如树木）与稀有目标（如坑洞）之间的样本不均衡。这些挑战不仅影响数据集质量，也直接关系到下游模型的评估可靠性。

常用场景

经典使用场景

OAODD数据集作为户外城市环境中目标检测任务的基准资源，其核心应用场景聚焦于视觉感知模型的训练与评估。该数据集包含近三千张多样化的真实街道图像，对汽车、行人、椅子、坑洞、障碍物、人行道、楼梯、垃圾及树木等九类公共空间常见实体进行精细的边界框标注，为研究光照变化、视角偏移、部分遮挡及复杂背景干扰下的鲁棒目标检测算法提供了标准化的测试平台。研究者可借助此数据集，针对不同网络架构开展对比实验，进而优化模型在非受控户外条件下的泛化性能。

衍生相关工作

OAODD数据集的出现催生了一系列与之紧密相关的后续研究。研究者可基于其类别构成，探索类别增量学习或低样本条件下的目标检测新方法；也可将其与跨域数据集进行联合训练，以增强模型在不同城市风貌下的迁移能力。此外，该数据集为构建语义地图、路径规划及辅助导航系统提供了感知层数据支持，相关衍生工作包括面向无障碍地图生成的语义分割模型、针对小目标优化的检测框架，以及结合视觉-语言模型的场景描述系统，共同推动户外视觉智能从识别走向理解与服务。

数据集最近研究

最新研究方向

户外无障碍物体检测数据集OAODD的最新研究聚焦于将计算机视觉技术应用于城市公共空间的无障碍环境评估，通过精准识别行人、车辆、障碍物、坑洞等要素，推动智能交通与智慧城市发展。该数据集包含2988张高分辨率图像和9089个精细标注的边界框，覆盖9类常见物体，为深度学习模型在真实户外场景中的训练与验证提供了坚实基础。当前研究热点集中在利用该数据集优化目标检测算法在复杂光照、遮挡及动态环境下的鲁棒性，同时探索其在辅助视障人士导航、城市基础设施维护及公共安全监控等领域的应用潜力。OAODD的发布不仅促进了多模态感知与边缘计算技术的融合，也为实现包容性城市设计提供了数据支撑，具有重要的社会价值与科研意义。