awesome-vehicle-datasets

这是一个专注于车辆相关数据集的集合，涵盖了车辆检测、分类、重识别、细粒度识别等多个计算机视觉任务，包括BoxCars21k、KITTI、VeRi-776等多个知名数据集，提供了数据集的基本信息和引用。This is a collection of datasets focused on vehicle-related research, covering multiple computer vision tasks including vehicle detection, classification, re-identification, and fine-grained recognition. It includes several well-known datasets such as BoxCars21k, KITTI, and VeRi-776, and provides basic information and citation references for these datasets.

原始信息汇总

数据集概述

该页面汇总了面向车辆视觉任务的公开数据集，涵盖检测、分类、重识别（ReID）、跟踪等方向。以下根据README内容，按任务类型、规模及关键特性进行结构化总结。

---

一、数据集总览

共收录 20个 车辆相关数据集，以下为完整列表及主要用途：

数据集名称	主要用途	图像总数	车辆/实例数	车型数	摄像头数
BoxCars21k	细粒度分类、重识别	63,750	21,250	-	-
BoxCars116k	细粒度分类、重识别	116,826	27,496	-	-
Car Highway	检测	11,290	57,290	-	23
CompCars	分类	214,345	-	1,716	-
DLR Vehicle Aerial	检测	-	-	-	-
KITTI	检测、跟踪、光流	-	-	-	-
PKU-VD1	分类（高分辨率）	846,358	141,756	1,232	-
PKU-VD2	分类（监控视角）	690,518	79,763	1,112	-
PKU-VehicleID	重识别	221,763	26,267	-	-
Toy Car ReID	重识别	-	-	-	-
UA-DETRAC	检测	>140,000	8,250	-	24
UTS dataset	-	-	-	-	-
VEDAI	-	-	-	-	-
VehicleID	模型验证、重识别	221,763	26,267	-	-
Vehicle-1M	分类	936,051	55,527	400	-
VeRi-776	重识别	50,000	776	-	20
VeRi-Wild	重识别	416,314	40,671	-	174
Virtual KITTI	检测、跟踪	50个视频（21,260帧）	-	-	-
Virtual KITTI 2	检测、跟踪	-	-	-	-
VRIC	重识别	60,430	5,622	-	60

---

二、按任务类型分类

任务类型	相关数据集
车辆检测	Car Highway、DLR Vehicle Aerial、KITTI、UA-DETRAC、Virtual KITTI、Virtual KITTI 2
车辆分类（细粒度）	BoxCars21k、BoxCars116k、CompCars、PKU-VD1、PKU-VD2、Vehicle-1M
车辆重识别（ReID）	BoxCars21k、BoxCars116k、PKU-VehicleID、Toy Car ReID、VehicleID、VeRi-776、VeRi-Wild、VRIC
多目标跟踪	KITTI、UA-DETRAC、Virtual KITTI、Virtual KITTI 2

---

三、重点数据集特性

1. 大尺度数据集（图像数 > 50万）

• PKU-VD1：846,358张图像，涵盖1,232种车型，面向高分辨率分类。
• PKU-VD2：690,518张图像，涵盖1,112种车型，面向监控视角分类。
• Vehicle-1M：936,051张图像，含400种车型，面向分类任务。

2. 重识别（ReID）专用数据集

• VeRi-Wild：416,314张图像，40,671个车辆实例，由174个摄像头采集，是目前规模较大的车辆重识别数据集之一。
• VeRi-776：50,000张图像，776个车辆，20个摄像头，常用于车辆重识别基准测试。
• VRIC：60,430张图像，5,622个车辆，60个摄像头，强调跨场景重识别。

3. 检测与跟踪数据集

• UA-DETRAC：超过140,000张图像，8,250个车辆实例，24个不同摄像头，配有详细的检测和跟踪标注。
• KITTI：经典自动驾驶数据集，包含检测、跟踪、光流等多种任务，无具体数量统计。
• Virtual KITTI / Virtual KITTI 2：基于Unity引擎的虚拟数据，用于检测和跟踪任务，可模拟多种光照和天气条件。

4. 细粒度分类数据集

• CompCars：214,345张图像，包含1,716种车型，常用于车辆细粒度识别。
• BoxCars系列：基于3D包围盒的细粒度识别，BoxCars116k有116,826张图像，27,496个车辆实例。

5. 其他

• Toy Car ReID：玩具车数据集，适用于小规模重识别研究。
• VEDAI：航空图像车辆检测数据集，具体规模未详细列出。
• DLR Vehicle Aerial：航空视角车辆检测数据集。
• UTS dataset：无详细统计信息。

---

四、数据获取方式

每个数据集均提供官方网站链接，可直接访问下载：

• BoxCars21k: https://medusa.fit.vutbr.cz/traffic/data/2016-CVPR-BoxCars21k-dataset.zip
• BoxCars116k: https://medusa.fit.vutbr.cz/traffic/data/BoxCars116k.zip
• CompCars: http://mmlab.ie.cuhk.edu.hk/datasets/comp_cars/index.html
• KITTI: http://www.cvlibs.net/datasets/kitti/
• PKU-VD: https://pkuml.org/resources/pku-vds.html
• VeRi-776: https://vehiclereid.github.io/VeRi/
• VeRi-Wild: https://github.com/PKU-IMRE/VERI-Wild
• VRIC: https://qmul-vric.github.io/

完整链接列表请参考原GitHub页面。

---

五、引用信息

页面提供了每个数据集的官方引用格式（BibTeX或文本），以下为部分代表性引用：

• BoxCars：Sochor et al., IEEE TITS 2018
• CompCars：Yang et al., CVPR 2015
• KITTI：Geiger et al., CVPR 2012 / IJRR 2013
• UA-DETRAC：Wen et al., CVIU 2020
• VeRi-Wild：Lou et al., CVPR 2019
• VehicleID / PKU-VehicleID：Liu et al., CVPR 2016

详细引用信息见原README中的Citations章节。

搜集汇总

数据集介绍

构建方式

在智能交通与自动驾驶领域，车辆数据集是推动视觉感知技术发展的基石。awesome-vehicle-datasets 是一个精心聚合的车辆数据集索引资源，它并非直接提供原始数据，而是通过系统化的方式收录了来自全球多个研究机构的公开数据集。该索引的构建基于对车辆视觉任务的深入理解，涵盖了从真实场景到虚拟仿真、从高清监控到航拍视角的多样化数据来源，每个数据集均附有官方网站链接，便于研究者直接获取。

特点

该数据集索引的特色在于其全面性与结构化。它囊括了 BoxCars、CompCars、KITTI、VeRi 系列等 20 余个经典数据集，覆盖车辆检测、细粒度分类、重识别、跟踪与光流估计等核心任务。每个条目均以表格形式清晰标注了图像数量、车辆实例数、车型种类及相机视角等关键元数据，同时提供了详尽的引用文献，为学术研究中的数据集选择与引用提供了便捷的参考基准。

使用方法

使用该索引时，研究者可直接通过每个数据集对应的官方网站链接下载原始数据或访问详细说明。例如，针对车辆重识别任务，可优先查阅 VeRi-776 或 VehicleID 的页面；若需多目标跟踪数据，KITTI 与 UA-DETRAC 提供了丰富的标注。此外，索引中的引用信息支持直接复制至论文参考文献，确保符合学术规范。这一资源极大地简化了车辆领域数据集的检索与比较流程。

背景与挑战

背景概述

车辆作为智能交通系统与自动驾驶技术中的核心目标，其精细识别与重识别研究始终是计算机视觉领域的热点议题。自2012年KITTI数据集由卡尔斯鲁厄理工学院与丰田芝加哥研究所联合发布以来，该领域涌现出大量面向不同应用场景的车辆数据集。这些数据集涵盖了从交通监控（如UA-DETRAC由奥尔巴尼大学等机构于2015年创建）、城市安防（如VeRi-776由北京邮电大学于2016年提出）到航拍分析（如VEDAI由法国卡昂大学于2015年发布）等多元任务。它们共同聚焦于解决车辆检测、细粒度分类、重识别及跟踪等核心研究问题，通过提供数万至数十万不等的图像样本与精细标注，为深度学习模型的训练与评估奠定了坚实基础，显著推动了车辆视觉感知技术的进步。

当前挑战

该领域面临的挑战首先体现在现实场景的复杂性：车辆外观易受光照、视角、遮挡及分辨率变化影响，且同型号车辆间的类间差异极小，使得细粒度识别与重识别任务尤为困难。以VeRi-Wild为代表的跨摄像头重识别场景，还需应对非重叠视域下的姿态变化与背景干扰。其次，数据集构建过程本身存在诸多难题：大规模标注需要耗费巨大人力，如Vehicle-1M的93万余张图像需逐车标注型号；同时需平衡数据多样性（如覆盖不同车型、拍摄条件）与标注一致性。此外，现有数据集多聚焦于特定场景（如高速公路或监控视角），缺乏对复杂城市环境及恶劣天气的全面覆盖，限制了模型的泛化能力。

常用场景

经典使用场景

在智能交通与自动驾驶领域，车辆数据集是支撑视觉感知算法研发的基石。awesome-vehicle-datasets汇集了从高清监控场景到航拍视角、从合成虚拟环境到真实街道的丰富数据资源。以KITTI为代表的数据集，广泛应用于车辆检测、跟踪与光流估计等经典任务，为多目标跟踪算法的精度评估提供了标准化基准。UA-DETRAC则聚焦于复杂交通场景下的多目标检测与跟踪，其大规模标注数据使得深度学习模型在遮挡、光照变化等挑战性条件下的鲁棒性得到显著提升。此外，VeRi-776与VeRi-Wild专为车辆重识别设计，跨越不同摄像头视角与时间跨度，成为评估跨视角检索性能的黄金标准。

解决学术问题

这些数据集系统性地回应了车辆视觉理解中的若干核心学术难题。首先，细粒度分类与车型识别长期受困于类间相似性与类内多样性，CompCars与BoxCars系列通过提供大规模精细标注，推动了从粗粒度到细粒度的识别范式跃迁。其次，车辆重识别面临视角剧变、光照不均与遮挡等跨域挑战，VehicleID与VeRi-Wild的引入使得基于深度度量学习的特征嵌入方法得以深入探索，显著提升了跨摄像头下的匹配精度。再者，针对合成数据与真实场景之间的域适应问题，Virtual KITTI系列为迁移学习与域泛化研究提供了可控的实验环境，促进了模型在真实世界中的泛化能力。

衍生相关工作

围绕这些数据集，学术界涌现出一系列里程碑式的工作。在车辆重识别方向，PROVID算法基于VeRi-776提出了渐进式多模态融合框架，成为该领域的经典范式。针对域适应问题，基于Virtual KITTI的虚拟到真实迁移方法为合成数据在真实场景中的应用开辟了新路径。在细粒度分类方面，BoxCars的3D边界框引导方法通过几何约束提升了识别精度，启发了后续多模态融合研究。UA-DETRAC伴随的年度挑战赛催生了多种高效检测与跟踪网络，如基于注意力机制的跟踪器。此外，Vehicle-1M推动了大规模结构化特征嵌入学习，为车辆检索系统提供了高效的特征索引方案，其影响延伸至行人重识别等相邻领域。