arch-building-dataset
收藏资源简介：
世界建筑数据集是一个专门用于多类图像分类的平衡数据集，包含13,440张经过精心策划的建筑图像。数据集由Saugani策展，所有图像均来自Pexels.com，遵循Pexels许可证（允许商业使用且无需署名）。数据集涵盖8个建筑类别：谷仓、桥梁、城堡、清真寺、摩天大楼、体育场、寺庙和风车，每个类别包含1,680张图像，确保类别平衡。图像经过统一处理，最长边分辨率不超过720像素，采用JPEG格式，每张图像文件大小不超过200KB。数据收集采用多模式采集流程，包括Pexels API、BrightData和Selenium，并使用关键词搜索确保类别代表性。严格的质量过滤流程包括最小分辨率、宽高比、颜色标准差等标准，以及基于pHash和SHA256的去重处理，最后经过人工审核。数据集结构清晰，按类别文件夹组织，文件命名遵循“{类别}_XXXXX.jpg”格式。建议的数据划分是80%训练集、10%验证集和10%测试集。该数据集不包含个人身份信息，已过滤人物内容，仅专注于建筑结构，适用于图像分类模型训练和评估。
The World Architecture Dataset is a balanced dataset specifically designed for multi-class image classification, containing 13,440 carefully curated architectural images. The dataset is curated by Saugani, with all images sourced from Pexels.com, following the Pexels license (which permits commercial use without attribution). It covers 8 architectural categories: barn, bridge, castle, mosque, skyscraper, stadium, temple, and windmill, with each category containing 1,680 images to ensure class balance. The images are uniformly processed, with the longest side resolution not exceeding 720 pixels, in JPEG format, and each image file size is no more than 200KB. Data collection employs a multi-modal acquisition process, including Pexels API, BrightData, and Selenium, with keyword searches to ensure category representation. Rigorous quality filtering includes criteria such as minimum resolution, aspect ratio, color standard deviation, as well as deduplication based on pHash and SHA256, followed by manual review. The dataset structure is clear, organized by category folders, with file naming following the format {category}_XXXXX.jpg. The recommended data split is 80% training set, 10% validation set, and 10% test set. The dataset does not contain personally identifiable information, has filtered human content, and focuses solely on architectural structures, making it suitable for training and evaluating image classification models.
数据集概述
- 数据集名称: World Architectural Buildings Dataset for Multi‑Class Image Classification
- 策划者: Saugani
- 许可证: CC-BY-4.0（图像遵循 Pexels 许可证，可免费商用，无需署名）
- 数据集规模: 13,440 张图像
- 图像分辨率: 最长边最大 720px，格式为 JPEG
- 类别数量: 8 个类别，每个类别 1,680 张图像（类别平衡）
- 联系方式: team@greyscope.xyz
- 主页: https://greyscope.xyz
类别详情
| 类别 | 数量 | 描述 |
|---|---|---|
| barn | 1,680 | 传统木制谷仓建筑（住宅和储物建筑） |
| bridge | 1,680 | 各种桥梁建筑（悬索桥、拱桥、桁架桥） |
| castle | 1,680 | 中世纪和现代城堡结构 |
| mosque | 1,680 | 伊斯兰清真寺建筑（圆顶、宣礼塔） |
| skyscraper | 1,680 | 高层商业及住宅、城市天际线建筑 |
| stadium | 1,680 | 体育场馆、竞技场、圆形剧场 |
| temple | 1,680 | 宗教寺庙建筑（佛教、印度教、亚洲风格） |
| windmill | 1,680 | 风车结构（传统风车、塔式风车、荷兰风车） |
| 总计 | 13,440 | 所有数据集已完成最终策划 |
数据收集与处理
- 数据来源: 所有图像来自 Pexels.com，遵循 Pexels 许可证（免费商用，无需署名）
- 收集管道: 多模式抓取级联
- Pexels API Key：主要来源，基于关键词的 API 直接访问
- BrightData：对代表性不足的子类别进行补充收集
- Selenium：针对需要浏览器自动化的特定查询的备用方案
- 搜索关键词: 每个类别对应一组关键词（如 barn 类：old wooden barn, barn homes 等）
- 压缩与格式: 最长边最大 720px，最短边最小 200px，单图最大 200KB，JPEG 格式，自适应质量压缩（起始质量 85，步长 -5，最低质量 40，直至文件 ≤ 200KB）
- 质量过滤: 应用了最小分辨率（150×150 px）、宽高比（0.28 – 3.5）、色彩标准差（≥ 10.0）、文件大小范围（5 KB – 4,096 KB）、文件扩展名过滤（仅保留 JPEG）、URL 模式过滤（排除徽标、头像、图标、AI 艺术、插图、人物等）等多项过滤器
- 去重处理:
- pHash（感知哈希，16×16）：距离 ≤ 8，移除视觉相似图像
- SHA256：精确匹配，移除字节相同副本
- 人工把关：领域专家进行最终视觉注释与筛选
- 分辨率分布: 宽度范围为 256 – 889 px，高度范围为 160 – 1140 px
加载方式
python from datasets import load_dataset
dataset = load_dataset("0xgr3y/arch-building-dataset", data_dir="dataset")
数据集结构
dataset/ ├── barn/ barn_00000.jpg – barn_01679.jpg ├── bridge/ bridge_00000.jpg – bridge_01679.jpg ├── castle/ castle_00000.jpg – castle_01679.jpg ├── mosque/ mosque_00000.jpg – mosque_01679.jpg ├── skyscraper/ skyscraper_00000.jpg – skyscraper_01679.jpg ├── stadium/ stadium_00000.jpg – stadium_01679.jpg ├── temple/ temple_00000.jpg – temple_01679.jpg └── windmill/ windmill_00000.jpg – windmill_01679.jpg
- 命名规则:
{类别}_{5位序列号}.jpg，序列号从 0 开始，零填充 - 文件格式: 全部为 JPEG
- 文件总数: 13,440
数据集划分（推荐）
推荐采用 80% / 10% / 10% 的划分比例，使用 split-folders 并设置 seed=42。
| 划分 | 图像总数 | 每类数量 |
|---|---|---|
| 训练集 | 10,752 | 1,344 |
| 验证集 | 1,344 | 168 |
| 测试集 | 1,344 | 168 |
| 总计 | 13,440 | 1,680 |
伦理考量
- 无个人身份信息（PII）：所有图像均为建筑照片，不包含人脸、姓名或个人数据。
- 人类内容已过滤：URL 模式过滤器在收集过程中明确排除了标记有人物、肖像或人类关注内容的图像。
- 商用免费许可：所有图像均来自 Pexels，遵循 Pexels 许可证（免费商用，无需署名）。
- 仅限建筑范围：数据集严格限于建筑结构，不包含可用于监控、画像或任何有害目的的内容。
- 负责任使用：用户同意不主张原始图像的版权、不在未注明出处的情况下重新分发数据集、不将数据集用于非法目的。
相关内容
- 模型: 0xgr3y/Arch-Building-Image-Classification（EfficientNetV2，GeMPooling，Focal Loss，DiscriminativeAdamW LR，SWA）
- HuggingFace 在线演示: 0xgr3y/arch-building-classifier（Gradio Space）
- GitHub 仓库: arcxteam/arch-building-classifier（包含 notebook.ipynb，训练方法，抓取技术等）
引用
bibtex @misc{saugani2026_arch_building_dataset, title={World Architectural Buildings Dataset for Multi‑Class Image Classification}, author={Saugani}, year={2026}, publisher={Hugging Face}, url={https://huggingface.co/datasets/0xgr3y/arch-building}, doi={10.57967/hf/9220} }
