YNU-RMOD

YNU-RMOD数据集是对官方开源的DJI ROCO数据集的补充和完善，专门针对RoboMaster比赛中的目标检测问题。该数据集通过裁剪和过滤，提供了适合移动计算平台使用的416*416大小的图片，用于提高模型在实际环境中的鲁棒性和检测精度。

The YNU-RMOD dataset serves as a supplementary and refined version of the officially open-sourced DJI ROCO dataset, specifically tailored for object detection challenges in the RoboMaster competition. Through cropping and filtering, this dataset offers 416*416 resolution images optimized for mobile computing platforms, aiming to enhance the robustness and detection accuracy of models in real-world environments.

原始信息汇总

YNU-RMOD数据集概述

数据集来源

• YNU-RMOD：由RoboMaster比赛视频收集的图片、RoboMaster赛场实拍图片、RoboMaster网站收集的图片以及实验室自制比赛场地拍摄的图片组成。
• DJI ROCO：原有数据集的一部分，包含25795张图片。

数据集处理

• 图片裁剪：所有图片被裁剪成416*416大小，以适应YOLO的默认图片输入尺寸。
• 图片筛选：滤除了Bounding Box面积小于250像素以及拍摄模糊的噪声图片，约10000张。
• 有效图片数量：最终得到57111张有效图片，其中DJI ROCO图片25795张，新增图片31316张。

数据集标签统计

• 标签名称：car_red, car_blue, car_unknow, watcher_red, watcher_blue, watcher_unknow, armor_red, armor_blue, armor_grey。
• 总实例数：
  • car_red: 36744
  • car_blue: 38905
  • car_unknow: 11385
  • watcher_red: 1390
  • watcher_blue: 2484
  • watcher_unknow: 2528
  • armor_red: 142221
  • armor_blue: 161333
  • armor_grey: 22146

数据集下载

• 下载链接：百度网盘，链接为https://pan.baidu.com/s/1PIwo_XcOmsrCQqq3X-dTHA。
• 提取码：nqr0。

搜集汇总

数据集介绍

构建方式

YNU-RMOD数据集的构建基于对DJI ROCO数据集的优化与扩展。针对DJI ROCO数据集在机器人视角、图片模糊、拍摄视角单一以及小目标过多等问题，研究团队通过裁剪图片至416*416的尺寸，并滤除噪声图片，显著提升了数据集的适用性。此外，团队还补充了大量来自RoboMaster比赛视频、赛场实拍、网站收集以及实验室自制的图片，最终形成了包含57111张有效图片的YNU-RMOD数据集。

特点

YNU-RMOD数据集的特点在于其多样性和高质量。数据集不仅涵盖了多种来源的图片，包括比赛视频、赛场实拍和实验室拍摄，还通过严格的筛选和处理，确保了图片的清晰度和标注的准确性。数据集中包含了丰富的目标类别，如红色和蓝色的车辆、装甲板等，且每个类别的实例数量分布均衡，为深度学习模型的训练提供了坚实的基础。

使用方法

使用YNU-RMOD数据集时，研究人员可以通过深度学习框架直接加载处理后的416*416尺寸图片进行模型训练。数据集中的标注信息以JSON格式保存，便于读取和解析。此外，团队还提供了基于LabelImg的旋转目标检测标注软件，支持正矩形、斜矩形和点的标注方式，用户可根据需求灵活选择标注类型，并通过简单的操作完成标注任务。具体操作指南可参考Label_V2文件夹下的README.md文件。

背景与挑战

背景概述

YNU-RMOD数据集由云南大学RoboMaster战队于2019年创建，旨在解决机器人视觉检测中的实际问题。该数据集基于DJI ROCO目标检测数据集，针对其存在的视角差异、模糊图片、小目标检测等问题进行了优化和补充。通过整合比赛视频、赛场实拍图片以及实验室自制图片，YNU-RMOD数据集最终包含了57111张有效图片，涵盖了多种场景和光线条件下的目标检测任务。该数据集的发布为机器人视觉检测领域提供了更为丰富和实用的训练资源，显著提升了模型在实际环境中的鲁棒性和检测精度。

当前挑战

YNU-RMOD数据集在构建过程中面临多重挑战。首先，原始DJI ROCO数据集存在视角单一、图片模糊以及小目标过多的问题，导致模型训练效果不佳。其次，实际应用场景中的光线和背景变化复杂，进一步增加了数据标注和模型训练的难度。为了解决这些问题，研究团队不仅对原始数据集进行了裁剪和过滤，还引入了大量实际场景中的图片，以确保数据集的多样性和实用性。此外，团队还开发了带旋转矩形框的标注工具，以支持更精确的目标检测任务。这些挑战的克服为机器人视觉检测领域提供了更为可靠的数据支持。

常用场景

经典使用场景

YNU-RMOD数据集在机器人视觉系统中扮演着关键角色，特别是在RoboMaster机器人竞赛中。该数据集通过提供大量经过精心处理的图像，支持深度学习模型进行高效的目标检测和识别。这些图像涵盖了从比赛视频、赛场实拍到实验室自制的多种场景，确保了数据的多样性和实用性。

衍生相关工作

基于YNU-RMOD数据集，研究者们开发了多种先进的深度学习模型和算法，特别是在旋转目标检测和复杂场景下的目标识别方面。这些工作不仅推动了机器人视觉技术的发展，也为其他领域如自动驾驶和智能监控提供了新的研究思路和方法。

数据集最近研究

最新研究方向

在机器人视觉领域，YNU-RMOD数据集的推出为RoboMaster比赛中的目标检测任务提供了更为精准的训练基础。该数据集通过整合官方比赛视频、赛场实拍图片以及实验室自制图片，有效解决了原有DJI ROCO数据集在视角、光线变化和小目标检测上的不足。当前研究热点集中在利用深度学习技术，特别是卷积神经网络（CNN）和YOLO算法，来提升模型在复杂环境下的鲁棒性和检测精度。此外，研究者们还在探索如何通过数据增强技术和更高效的标注工具，如带旋转矩形框的标注软件，来进一步提高数据集的利用率和模型的泛化能力。这些研究不仅推动了机器人视觉技术的发展，也为实际应用中的目标检测任务提供了强有力的支持。