MMIOC-1M-Curated-334

MMIOC-1M Curated 334 是 MMIOC-1M 工业检测基准的精选 active train/validation 子集，关联论文《Unification of Closed-Open Industrial Detection Scenarios: New Large-Scale Benchmarks, Challenges and Baselines》（arXiv:2606.07953）。该发布不是论文中完整的 1M+ 样本基准，而是面向目标检测任务的训练与验证数据，任务类别为 object-detection，标签涉及 image、industrial-inspection 和 anomaly-detection，数据语言为英文。数据集总计包含 382,643 张图像、942,306 个 COCO bounding boxes 和 334 个 active defect categories。具体划分为：Train 有 300,990 张图像、742,463 个 COCO boxes、300,990 个 YOLO TXT labels；Validation 有 81,653 张图像、199,843 个 COCO boxes、81,653 个 YOLO TXT labels；Total 为 382,643 张图像、942,306 个 COCO boxes、382,643 个 YOLO TXT labels。类别列表 leibie.txt 按 YOLO 顺序 0–333 列出 334 个 active classes；COCO 保留原始 category IDs，读取 COCO 标注时应使用每个 COCO JSON 中的 category table；三个没有 active annotations 的类别未出现在发布类别列表中。文件方面，图像及对应 TXT 标签按编号 tar shards 打包在 archives/ 下以提高下载效率，COCO JSON 文件和 leibie.txt 可单独获取，archives/manifest.json 列出每个 shard、split 和图像数量。解压全部 shards 后可重建 train/images/*.jpg、train/labels/*.txt、train/annotations/train.json、val/images/*.jpg、val/labels/*.txt、val/annotations/val.json 和 leibie.txt。COCO image record 中的 file_name 在对应 train/images/ 或 val/images/ 下解析，同名 TXT 标签位于匹配的 labels/ 文件夹。README 提供下载与提取示例，使用 huggingface_hub.snapshot_download 下载 repo_id 为 ZZk12138/MMIOC-1M-Curated-334 的 dataset，并解压 archives/*.tar。发布披露指出，维护者在发布前移除了被识别为可能具有 conflicts of interest 的数据，相关标注也一并移除；发布图像集由 active train/annotations/train.json 和 val/annotations/val.json 记录定义，本地源文件夹中仍存在但不在这些记录中的图像不属于本发布；由于可用清理记录还包含其他标注质量排除，未单独给出利益冲突移除数量。范围与引用方面，本发布只包含 detection train/validation 数据和 leibie.txt，不包含项目单独的 QA 数据、权重或代码；源项目为 hellozzk/MMIO，使用该子集时应引用 arXiv:2606.07953。组件图像可能适用源特定权利，本卡不授予第三方源材料的一揽子许可。使用声明要求，在将本数据集用于发表论文或商业用途前，必须联系 [e-mail] 并签署相关开源声明；未经许可使用者，维护者将追究盗用责任。MMIOC-1M Curated 334 is a curated active train/validation subset of the MMIOC-1M industrial inspection benchmark, associated with the paper Unification of Closed-Open Industrial Detection Scenarios: New Large-Scale Benchmarks, Challenges and Baselines (arXiv:2606.07953). This release is not the complete 1M+ sample benchmark from the paper, but training and validation data for object detection. Its task category is object-detection, with tags including image, industrial-inspection, and anomaly-detection, and the data language is English. The dataset contains 382,643 images, 942,306 COCO bounding boxes, and 334 active defect categories. Splits are: Train has 300,990 images, 742,463 COCO boxes, and 300,990 YOLO TXT labels; Validation has 81,653 images, 199,843 COCO boxes, and 81,653 YOLO TXT labels; Total has 382,643 images, 942,306 COCO boxes, and 382,643 YOLO TXT labels. The class list leibie.txt lists 334 active classes in YOLO order 0–333; COCO retains original category IDs, and users should use the category table in each COCO JSON when reading COCO annotations; three categories without active annotations are not included in the released class list. Files: images and corresponding TXT labels are packaged as numbered tar shards under archives/ to improve download efficiency; COCO JSON files and leibie.txt are available separately; archives/manifest.json lists each shard, split, and image count. After extracting all shards, users can reconstruct train/images/*.jpg, train/labels/*.txt, train/annotations/train.json, val/images/*.jpg, val/labels/*.txt, val/annotations/val.json, and leibie.txt. The file_name in COCO image records resolves under the corresponding train/images/ or val/images/, and same-named TXT labels are in the matching labels/ folder. The README provides download and extraction examples using huggingface_hub.snapshot_download with repo_id ZZk12138/MMIOC-1M-Curated-334 and extracting archives/*.tar. The release disclosure states that the maintainers removed data identified as potentially having conflicts of interest before release, and related annotations were also removed; the released image set is defined by active train/annotations/train.json and val/annotations/val.json records, and images still present in local source folders but not in these records are not part of this release; because available cleaning records also include other annotation quality exclusions, the number of conflict-of-interest removals is not separately given. In terms of scope and citation, this release only includes detection train/validation data and leibie.txt, and does not include the projects separate QA data, weights, or code; the source project is hellozzk/MMIO, and this subset should be cited as arXiv:2606.07953. Component images may be subject to source-specific rights, and this card does not grant a blanket license to third-party source materials. The usage statement requires contacting [e-mail] and signing the relevant open-source statement before using this dataset for published papers or commercial purposes; unauthorized users will be pursued by the maintainers for misappropriation.

原始信息汇总

MMIOC-1M Curated 334 数据集总结

基本信息

• 数据集页面：https://huggingface.co/datasets/ZZk12138/MMIOC-1M-Curated-334
• pretty_name：MMIOC-1M Curated 334
• 语言：en
• 规模类别：100K<n<1M
• 任务类别：object-detection
• 标签：image、industrial-inspection、anomaly-detection、arxiv:2606.07953
• 关联论文：Unification of Closed-Open Industrial Detection Scenarios: New Large-Scale Benchmarks, Challenges and Baselines
• 论文链接：https://huggingface.co/papers/2606.07953、https://arxiv.org/abs/2606.07953

发布内容

• 本仓库发布与上述论文相关的 MMIOC-1M 工业检测基准的 curated active train and validation 子集。
• 包含 382,643 张图像、942,306 个 COCO 边界框、334 个有效缺陷类别。
• 本发布不是论文中描述的完整 1M+ 样本基准。

数据统计

Split	Images	COCO boxes	YOLO TXT labels
Train	300,990	742,463	300,990
Validation	81,653	199,843	81,653
总计	382,643	942,306	382,643

类别与标注

• 类别列表文件：https://huggingface.co/datasets/ZZk12138/MMIOC-1M-Curated-334/blob/main/leibie.txt，列出 334 个有效类别，按 YOLO 顺序 0–333。
• COCO 保留原始类别 ID；读取 COCO 标注时应使用每个 COCO JSON 中的类别表。
• 三个无有效标注的类别未出现在发布类别列表中。

发布披露

• 维护者在发布前移除了被识别为可能具有利益冲突的数据，相关标注也随图像移除。
• 发布图像集由有效的训练与验证 COCO 标注记录定义：https://huggingface.co/datasets/ZZk12138/MMIOC-1M-Curated-334/blob/main/train/annotations/train.json、https://huggingface.co/datasets/ZZk12138/MMIOC-1M-Curated-334/blob/main/val/annotations/val.json。
• 本地源文件夹中仍存在但不在上述记录中的图像不属于本次发布。
• 没有专门归因于利益冲突移除的数量，因为可用清理记录还包括其他标注质量排除项。

文件组织与下载

• 图像和对应 TXT 标签按编号 tar 分片打包在数据集仓库的 archives 目录下：https://huggingface.co/datasets/ZZk12138/MMIOC-1M-Curated-334/tree/main/archives。
• COCO JSON 文件和类别列表可单独访问。
• 分片清单文件：https://huggingface.co/datasets/ZZk12138/MMIOC-1M-Curated-334/blob/main/archives/manifest.json，列出每个分片、split 和图像数量。
• 解压全部分片后，将形成训练/验证图像、YOLO TXT 标签、训练/验证 COCO JSON 标注以及类别列表。
• 下载可使用 huggingface_hub.snapshot_download，并解压 archives 下的 *.tar 分片。
• 每条 COCO 图像记录中的 file_name 解析到对应训练或验证图像目录；同名的 TXT 标签位于匹配的标签目录。

范围与引用

• 本发布仅包含检测训练/验证数据和类别列表；不包含项目单独的 QA 数据、权重或代码。
• 源项目：https://github.com/hellozzk/MMIO。
• 使用该子集时引用 arXiv:2606.07953。
• 组件图像可能适用源特定权利；本数据集卡片不向第三方源材料授予一揽子许可。

使用声明

• 使用本数据集发表论文或用于商业用途前，必须联系 [e-mail] 并签署相关开源声明。
• 未经许可使用者，将被追究盗用责任。

搜集汇总

数据集介绍

构建方式

面向工业视觉检测中缺陷目标定位与异常识别的数据驱动研究需求，MMIOC-1M-Curated-334 作为 MMIOC-1M 工业检测基准的有效训练与验证精选子集发布，关联论文《Unification of Closed-Open Industrial Detection Scenarios: New Large-Scale Benchmarks, Challenges and Baselines》。其构建并非简单截取全量基准，维护者在发布前剔除了被识别为存在潜在利益冲突的数据及其对应标注；清理记录亦涵盖其他标注质量排除项，因而未将剔除数量单独归因于利益冲突。该发布范围的图像集合由 train/annotations/train.json 与 val/annotations/val.json 中的活跃记录界定，本地源文件夹中若图像未出现在上述记录内，则不属于本次发布。最终形成 382,643 幅图像、942,306 个 COCO 边界框与 334 个活跃缺陷类别的精选子集，训练集含 300,990 幅图像和 742,463 个框，验证集含 81,653 幅图像和 199,843 个框。

特点

面向复杂工业场景中类别细粒度、标注格式多样与数据质量管控并重的基准构建诉求，该数据集呈现出面向目标检测与工业异常检测的专门化特征。其标签体系包含 334 个活跃缺陷类别，leibie.txt 以 YOLO 顺序列出 0–333；COCO 标注保留原始类别 ID，阅读时需依据各 COCO JSON 内类别表，三个无活跃标注的类别未进入发布类别列表。数据同时提供 COCO 边界框与 YOLO TXT 标签，图像和对应 TXT 以编号 tar 分片封装于 archives 目录，manifest.json 记录各分片、划分与图像数量。需要强调的是，该子集并非论文所述 1M 以上样本的完整基准，且源项目组件图像可能适用特定权利，数据卡不构成对第三方源材料的概括许可。

使用方法

面向工业检测模型训练、评测与复现实验的实际流程，使用该数据集须先遵守发布声明：在发表论文或商业用途前，必须联系 [e-mail] 并签署相关开源声明，未经许可使用将追究盗用责任。数据可通过 huggingface_hub.snapshot_download 下载 ZZk12138/MMIOC-1M-Curated-334，repo_type 设为 dataset，并指定 local_dir，继而解压 archives 中的各 tar 分片以重建 train 与 val 的 images、labels、annotations 及 leibie.txt。COCO 记录中的 file_name 对应 train/images 或 val/images，同名词干 TXT 位于匹配 labels 目录；COCO 读取依 JSON 类别表，YOLO 依 leibie.txt 的 0–333 顺序。manifest.json 可用于核对分片、划分与图像数量。本发布仅含检测训练与验证数据及类别文件，不含 QA 数据、权重或代码；引用请标注 arXiv:2606.07953，源项目为 hellozzk/MMIO。

背景与挑战

背景概述

工业视觉缺陷检测长期受制于场景碎片化与评测基准不统一，大规模、细粒度且覆盖封闭与开放设定的一体化基准因而具有关键意义。MMIOC-1M-Curated-334 系 MMIOC-1M 工业检测基准的策展主动训练与验证子集，伴随论文《Unification of Closed-Open Industrial Detection Scenarios: New Large-Scale Benchmarks, Challenges and Baselines》（arXiv:2606.07953）发布，由源项目 hellozzk/MMIO 维护者开放。其包含382,643幅图像、942,306个COCO边界框与334个活跃缺陷类别，核心研究问题在于统一闭集与开集工业检测场景，并为大规模缺陷检测提供可复现的评测基础。该子集虽非完整1M+样本，但对工业异常检测与目标检测社区的方法比较、基准构建和开放世界泛化研究具有推动作用。

当前挑战

面向真实工业巡检的开放世界部署，工业缺陷检测需应对缺陷形态细微、类间差异有限、长尾分布显著以及未知缺陷难以枚举等固有难题，闭集与开集场景的统一评估更对模型泛化与拒识能力提出严苛要求。该策展子集的构建亦面临多重挑战：维护者需在发布前剔除可能存在利益冲突的图像并同步移除关联标注，还需执行注释质量筛查与活跃类别筛选，保留334个具有效标注的缺陷类别；大规模图像、COCO与YOLO双格式标注的一致性校验、分片打包与数据清单维护，亦增加工程复杂度。未获授权的研究或商业使用还需签署开源声明，体现数据合规与第三方权利管理的现实约束。

常用场景

经典使用场景

植根于工业缺陷检测与目标检测交汇的研究传统，MMIOC-1M-Curated-334 最经典的使用场景在于为大规模工业缺陷定位与分类模型提供训练和验证支撑。该子集涵盖三十八万余幅图像、九十四万余个 COCO 边界框与三百三十四类活跃缺陷，兼容 COCO 与 YOLO 标注格式，可用于训练 Faster R-CNN、YOLO 系列、DETR 等检测器。研究者亦可借助 train/validation 划分开展封闭集缺陷识别、开放集异常判别与跨类别泛化评测，并利用 leibie.txt 统一类别映射，从而在统一协议下比较不同工业检测算法的定位精度与分类鲁棒性。

实际应用

置身智能制造与工业质检的落地语境，该数据集可直接服务于生产线表面缺陷检测、装配完整性核验、零部件异常识别与产品质量分级等现实任务。基于其训练的目标检测模型能够输出缺陷类别与精确边界框，辅助自动光学检测设备完成实时报警、分拣与追溯。COCO 与 YOLO 双格式标注降低了从研究原型到边缘部署的工程迁移成本，而统一类别表有利于多产线、多工厂间的模型复用。对于需要开放集识别的场景，该数据还可支撑未知缺陷发现与人工复核优先级排序，提升质检效率与一致性。

衍生相关工作

伴随 arXiv:2606.07953 所提出的封闭—开放工业检测场景统一框架，该数据集衍生出一系列围绕大规模工业缺陷检测的基准工作与后续探索。原论文以其为实验载体，构建并评估了面向统一场景的基线模型，涵盖封闭集检测、开放集识别与异常判别等任务。开源项目 hellozzk/MMIO 进一步提供数据组织与评测参考，启发研究者开展长尾缺陷检测、跨域自适应、未知类别拒识及多模态工业质检等延伸研究。后续工作常将该子集作为预训练、微调或消融实验的规模化工件，推动工业检测从单一封闭任务向开放世界范式演迁。