VisAlgae 2023

VisAlgae 2023数据集是针对显微图像中微藻检测而创建的，包含1000张跨越六个类别的图像，涵盖了不同大小和特征的微藻。数据集由海南大学南海海洋资源利用国家重点实验室收集，并由领域专家验证。数据集被随机打乱并分为训练集和测试集，比例为7:3。该数据集旨在促进藻类研究和计算机视觉技术的跨学科应用，以解决微藻细胞检测中的挑战，如检测小目标、处理运动模糊和复杂背景等。The VisAlgae 2023 dataset was developed for microalgae detection in microscopic images. It includes 1000 images across six categories, covering microalgae with diverse sizes and morphological features. The dataset was collected by the State Key Laboratory of Marine Resource Utilization in the South China Sea, Hainan University, and validated by domain experts. It was randomly shuffled and split into training and test sets at a ratio of 7:3. This dataset aims to facilitate interdisciplinary applications of algae research and computer vision technologies, addressing core challenges in microalgae cell detection such as small object detection, motion blur handling and complex background processing.

搜集汇总

数据集介绍

构建方式

VisAlgae 2023数据集的构建依托于高通量微流控平台，通过采集不同视野和成像条件下的微藻细胞动态视频数据，经帧切片筛选后形成基础图像库。研究团队采用倒置显微镜平台(Olympus IX73)搭配工业相机(MindVision)进行多分辨率图像采集，涵盖六类藻种在不同光照与焦距条件下的形态特征。专业领域专家对图像进行认证后，使用LabelImg软件进行人工标注并转换为YOLO格式，标注信息包含目标位置、类别及尺寸等关键参数。数据集按7:3比例划分为训练集(700张)和测试集(300张)，确保两组数据独立无重复。

特点

该数据集包含Platymonas、Chlorella等六类微藻的1000张显微图像，其显著特征体现在多尺度目标检测挑战性：Chlorella类标注框尺寸极小，而Haematococcus与Chlorella的标注框面积差异达5倍，要求模型兼具微小目标检测与多尺度处理能力。图像采集特别引入运动模糊和复杂背景等现实干扰因素，模拟实际检测环境中的挑战。数据标注采用中心坐标与维度表示法，并遵循CC-BY-4.0许可协议，支持跨模态领域适配研究。

使用方法

数据集适用于计算机视觉领域的微藻检测算法开发，参与者需解决小目标检测、运动模糊处理等核心问题。官方采用mAP50:95作为评估指标，通过Alibaba Tianchi平台进行自动化测试与排行榜管理。典型使用流程包括：基于标注训练集开发检测模型，在未标注测试集上生成预测结果，每日最多提交5次结果至评估系统。高阶使用方法可结合Top10团队方案，如动态缓存队列的泊松融合增强、RepCSPLayer结构改进、多模型WBF融合等创新技术。数据集下载地址为https://github.com/juntaoJianggavin/Visalgae2023。

背景与挑战

背景概述

VisAlgae 2023数据集由海南大学、浙江大学等多家机构联合开发，发布于2023年，旨在推动显微图像中微藻检测的高通量分析方法研究。作为IEEE Cybermatics 2023会议的重要组成部分，该数据集聚焦于生态监测和水产养殖等领域的实际需求，包含6类典型微藻的1000张显微图像，覆盖不同尺寸、生理状态及成像条件。其创新性在于首次系统整合了动态微流控平台视频切片数据，并通过全球369支参赛团队的算法验证，显著提升了微小目标检测的基准水平，为环境科学与计算机视觉的跨学科研究提供了标准化评估平台。

当前挑战

该数据集面临双重技术挑战：在应用层面，微藻细胞的微小尺寸（部分目标仅占图像0.1%面积）、运动模糊及复杂背景干扰导致传统检测模型平均精度下降约30%；在构建层面，需解决动态视频帧筛选中的时序连续性保持、多专家标注一致性（Kappa系数≥0.85）以及跨设备成像的色彩标准化等难题。特别地，数据集标注框尺寸差异达5倍（如Chlorella与Haematococcus），要求算法同时具备亚像素级定位能力和多尺度特征融合机制，这对现有YOLO系列模型的架构设计提出了革新性要求。

常用场景

经典使用场景

VisAlgae 2023数据集在微藻细胞检测领域具有广泛的应用价值，尤其在生态监测和水质评估中表现突出。该数据集通过高分辨率显微镜图像捕捉了六种不同微藻的形态特征，为研究者提供了丰富的视觉数据。其典型使用场景包括微藻分类、细胞计数以及健康状态监测，这些任务在环境科学和生物技术研究中至关重要。数据集中的图像涵盖了不同光照条件和聚焦状态，使得模型能够在复杂背景下进行鲁棒性检测。

解决学术问题

VisAlgae 2023数据集有效解决了微藻检测中的多个学术难题，包括小目标检测、多尺度问题处理以及运动模糊的应对。通过提供六种不同微藻的标注数据，该数据集支持了细粒度分类算法的开发。其重要意义在于填补了传统显微检测方法效率低下的空白，为自动化微藻分析提供了可靠的数据基础。数据集的发布推动了计算机视觉与藻类研究的交叉融合，为生态监测和水产养殖等领域带来了新的研究视角。

衍生相关工作

围绕VisAlgae 2023数据集已衍生出多项创新性研究。在算法层面，参赛团队提出的RTMDet-m改进方案和YOLO系列优化方法为小目标检测提供了新思路。数据集还催生了多篇关于注意力机制在显微图像分析中应用的论文，如CBAM模块的适应性改进研究。在跨学科领域，基于该数据集开发的微流控检测系统将计算机视觉与微流体技术相结合，开辟了细胞分析的新途径。这些工作共同推动了微藻检测技术的边界扩展。