TOMIE数据集

TOMIE数据集是由多特蒙德工业大学物料搬运和仓储主席创建的，旨在通过半自动化计算机视觉技术实现工业实体的连续跟踪。该数据集包含112,860帧的标注文件，记录了640,936个实体实例，这些数据是通过六个RGB摄像头捕捉的，覆盖了一个大型的室内空间。数据集的场景主要来源于仓储行业的工业应用，如货物接收和块存储场景。TOMIE数据集的创建过程涉及使用多传感器、数据管道和数据标注程序，以实现高效的数据捕获。该数据集的应用领域主要集中在提高物流系统的适应性和透明度，解决布局、输送机等条件下的不同情况，以及自动化和高效设计后续流程接口。

The TOMIE dataset was developed by the Chair of Material Handling and Warehousing at Technische Universität Dortmund, aiming to enable continuous tracking of industrial entities via semi-automated computer vision technologies. This dataset contains 112,860 annotated frames, recording a total of 640,936 entity instances. The data was captured through six RGB cameras and covers a large indoor space. The scenarios in the dataset mainly originate from industrial applications in the warehousing industry, such as goods receiving and block storage scenarios. The creation process of the TOMIE dataset involves the use of multi-sensors, data pipelines and data annotation programs to achieve efficient data capture. The application fields of this dataset mainly focus on improving the adaptability and transparency of logistics systems, addressing various conditions such as facility layouts and conveyors, as well as automating and efficiently designing interfaces for subsequent processes.

搜集汇总

数据集介绍

构建方式

TOMIE数据集是通过在一个模拟工业环境的仓库中，使用六台RGB相机和一个基于红外线的动作捕捉系统记录112,860帧图像和640,936个实体实例构建而成的。该数据集的构建旨在为研究人员提供一个框架，用于在工业环境中连续跟踪工业实体，例如托盘、箱子和桶。数据集的记录包括两个不同的物流场景：货物接收场景和块状存储场景，其中使用不同数量的托盘和不同的装载程度来模拟现实中的工业操作。数据集的构建还涉及到使用基于3D模型投影的半自动化标注流程，以生成图像注释。

使用方法

使用TOMIE数据集的方法包括下载数据集和相应的标注文件，这些文件包含了每个实体实例的位置、方向、时间戳和边界框等信息。研究人员可以使用这些数据来训练和评估他们的目标跟踪算法。此外，数据集还包含了一个自动化标注流程的源代码，这可以帮助研究人员更好地理解数据集的构建和标注过程。

背景与挑战

背景概述

TOMIE数据集的研究背景概述：TOMIE数据集（Tracking Of Multiple Industrial Entities）由德国多特蒙德工业大学材料搬运与仓储系的研究团队创建于2023年。该数据集旨在为工业环境中的实体（如托盘、箱子、桶等）提供连续追踪，通过一个由六个RGB相机组成的网络进行数据采集。TOMIE框架的创建基于对未来自动化追踪系统的愿景，旨在提高物流系统的适应性，并优化现有流程。该数据集包含了112,860帧的标注文件和640,936个实体实例，这些数据是从六个相机中捕获的，覆盖了一个大型的室内空间。TOMIE数据集比现有数据集大四倍，并包含了来自仓储行业的工业应用场景。此外，ByteTrack、Bot-Sort和SiamMOT三种追踪算法被应用于该数据集，以验证框架的有效性。

当前挑战

TOMIE数据集当前挑战：TOMIE数据集所解决的领域问题是工业环境中实体的连续追踪，这需要应对多个挑战。首先，构建一个能够在工业环境中高效记录和半自动标注数据集的框架是核心挑战之一。其次，数据集中实体的标记方式需要保证在红外相机中可检测和区分，这在处理大量实体时尤其困难。再次，实体之间的近距离会进一步复杂化追踪过程，可能导致追踪软件无法识别实体。此外，现有的追踪软件不支持人体运动追踪，限制了数据集在人体活动识别或人物重识别领域的应用。最后，多相机设置下的数据同步问题也是一个挑战，需要解决RGB相机和红外相机帧之间的重叠问题。

常用场景

经典使用场景

TOMIE数据集主要应用于工业场景下的多目标跟踪，特别是仓库物流领域。该数据集通过多个RGB相机捕捉室内空间中的工业实体（如托盘、箱子、桶等）的运动轨迹，为计算机视觉算法提供高质量的训练数据。TOMIE数据集的经典使用场景包括：1. 实时监控和追踪工业实体，提高物流系统的透明度和适应性；2. 优化仓库布局和流程设计，提高物流效率；3. 实现自动化仓库管理，降低人力成本。

解决学术问题

TOMIE数据集解决了工业场景下多目标跟踪的学术研究问题，主要包括：1. 缺乏真实的工业场景数据集，导致算法在实际应用中性能不佳；2. 工业场景中实体种类繁多，运动模式复杂，给跟踪算法带来挑战；3. 实时性要求高，需要算法能够在短时间内完成跟踪任务。TOMIE数据集提供了大规模的真实工业场景数据，涵盖了多种实体类型和运动模式，为算法研究和评估提供了可靠的基准。

实际应用

TOMIE数据集的实际应用场景包括：1. 仓库物流管理，通过实时追踪托盘、箱子等实体的运动轨迹，实现自动化库存管理、路径规划和任务分配；2. 工业生产监控，追踪生产线上产品的运动状态，实现生产过程的自动化监控和优化；3. 智能交通系统，追踪车辆的运动轨迹，实现交通流量的实时监控和优化。

数据集最近研究

最新研究方向

TOMIE数据集作为计算机视觉领域的一项重要贡献，旨在通过多摄像头网络实现工业实体的持续追踪。该数据集包含了112,860帧图像和640,936个实体实例，为研究人员提供了高质量的真实数据。TOMIE数据集在工业应用中具有重要价值，如仓库物流、生产设施等，通过自动化追踪系统，提高了物流系统的适应性，优化了流程，并提高了透明度。该数据集的创建和评估过程涉及到多个技术，包括多传感器、数据管道和数据注释过程。此外，TOMIE数据集还应用了三种追踪算法，即ByteTrack、Bot-Sort和SiamMOT，这些算法在MOTChallenge数据集上取得了良好的性能，为工业实体追踪提供了有价值的参考。

相关研究论文

• Semi-Automated Computer Vision based Tracking of Multiple Industrial Entities -- A Framework and Dataset Creation Approach

  多特蒙德工业大学物料搬运和仓储主席 · 2023年