BRT Cone Pose Dataset

一个类似于FSOCO的数据集，用于Formula Student Driverless锥体定位（边界框+类别+关键点），采用单一标注格式。包含边界框、锥体类型/类（蓝色/黄色/橙色/大橙色/未知）和关键点（姿态）。数据集结构遵循标准的YOLO-Pose格式，每个图像在`labels/`目录中有对应的标签文件。

A dataset similar to the FSOCO dataset, intended for Formula Student Driverless cone localization (bounding box + category + keypoints), adopts a unified annotation format. It includes bounding boxes, cone types/categories (blue, yellow, orange, large orange, unknown), and keypoints (pose). The dataset structure follows the standard YOLO-Pose format, where each image has a corresponding label file in the `labels/` directory.

原始信息汇总

BRT Cone Pose Dataset 数据集概述

数据集简介

BRT Cone Pose Dataset 是一个类似于 FSOCO 的数据集，专为 Formula Student Driverless 赛事中的锥桶定位任务设计。它提供了单一注释格式，包含边界框、锥桶类型/类别以及关键点（姿态）信息。

核心特性

• 注释内容：包含边界框（Bounding Boxes）、锥桶类型/类别（蓝色/黄色/橙色/大橙色/未知）以及关键点（姿态）。
• 数据格式：采用标准的 YOLO-Pose 数据集格式。

数据集结构与统计

目录结构

fsoco-pose-split ├── data.yaml ├── images │ ├── test │ ├── train │ └── val └── labels ├── test ├── train └── val

每个图像在 labels/ 目录下都有对应的标签文件。

数据量统计

• 训练集：2209 个样本
• 测试集：278 个样本
• 验证集：277 个样本
• 总计：2764 个样本

关键点规范

• 标签行格式：<class_id> <x_center> <y_center> <width> <height> <kpt0_x> <kpt0_y> <kpt0_v> ... <kpt7_x> <kpt7_y> <kpt7_v>
• 数值范围：边界框和关键点坐标均归一化到 [0, 1] 区间。
• 关键点数量：kpt_shape: [8, 3] 表示每个对象有 8 个关键点，每个关键点包含 3 个值。
• 实际关键点：大锥桶使用全部 8 个关键点，小锥桶使用 6 个关键点（最后 2 个关键点坐标为零）。

创建目的与性能基准

创建动机

传统的 FS Driverless 感知流程（检测 -> 姿态估计 -> 定位）效率不足。通过使用一步式姿态估计模型，在每帧图像最多检测 100 个锥桶的限制下，实现了近 5 倍的速度提升。

基准测试详情

• 实现加速：约 5 倍端到端加速。
• 测试环境：
  • 引擎：TensorRT
  • GPU：NVIDIA Quadro RTX A2000
  • 模型：yolo26n-pose.pt
  • 输入尺寸：imgsz=800
  • 度量指标：端到端延迟（预处理 + 推理 + 后处理）
  • 限制：每帧图像最多检测 100 个锥桶。

快速开始

训练示例

1. 安装兼容的 Ultralytics 库：pip install -U ultralytics
2. 使用数据集中的 data.yaml 和 YOLO-Pose 检查点进行训练。 python from ultralytics import YOLO model = YOLO("yolo26n-pose.pt") results = model.train( data="fsoco-pose-split/data.yaml", epochs=100, batch=32, device=0 )

许可证与数据来源

图像数据

• 来源：本数据集使用的图像源自 FSOCO 数据集。
• 版权与许可：原始图像的所有权利、所有权和许可均归原始 FSOCO 作者和贡献者所有。本仓库不声称拥有图像所有权，也不独立于 FSOCO 重新分发图像。
• 使用要求：使用或重新分发图像必须遵守官方 FSOCO 许可和使用规则。

注释与衍生数据

• 内容：本仓库提供的注释（边界框、锥桶类别和关键点/姿态标签）是在 Bauman Racing Team 无人驾驶感知流程中创建的衍生注释。
• 许可：除非另有说明，本仓库中的注释和脚本均根据 CC BY 4.0 许可证发布。
• 使用要求：可以自由使用、修改和重新分发注释，但必须给予适当署名。
• 署名要求：任何使用都必须引用 Bauman Racing Team 和本仓库。

引用要求

如果在学术工作、研究或已发表的项目中使用此数据集，请同时引用以下两项：

本仓库（注释）

bibtex @misc{brt_cone_pose_annotations_2026, title = {BRT Cone Pose Annotations for YOLO-Pose (derived from FSOCO)}, author = {{Bauman Racing Team}}, year = {2026}, howpublished = {GitHub repository}, note = {Derived annotations (bboxes, classes, keypoints) for FSOCO images}, }

原始 FSOCO 数据集

bibtex @inproceedings{vodisch2022fsoco, title = {FSOCO: The Formula Student Objects in Context Dataset}, author = {V{"o}disch, Nicolai and Dodel, Patrick and Sch{"o}tz, Markus}, booktitle = {IEEE Intelligent Vehicles Symposium (IV)}, year = {2022} }

资源链接

• 数据集下载地址：https://drive.google.com/file/d/1auin-vVcP3dQMW-wuloVYWxoqvQshGWk/view?usp=share_link
• Bauman Racing Team 官网：https://baumanracing.ru
• FSOCO 官网：https://fsoco.github.io/fsoco-dataset/

搜集汇总

数据集介绍

构建方式

在自动驾驶感知研究领域，数据集的构建方式直接影响模型的性能与泛化能力。BRT锥桶姿态数据集以FSOCO数据集为基础图像来源，通过Bauman Racing Team Driverless感知工作流进行精细化标注。该数据集采用YOLO-Pose标准格式，包含训练集2209张、测试集278张、验证集277张图像，总计2764个样本。每个样本均提供边界框、锥桶类型（蓝/黄/橙/大橙/未知）及关键点姿态信息，其中大锥桶标注8个关键点，小锥桶标注6个关键点，最后两个关键点坐标以零值填充，确保了标注的一致性与模型训练的便利性。

使用方法

使用该数据集进行模型训练需依托Ultralytics YOLO-Pose框架。用户首先安装兼容的Ultralytics版本，随后加载数据集目录中的data.yaml配置文件。通过调用预训练的YOLO-Pose模型（如yolo26n-pose.pt），指定训练周期、批次大小与计算设备，即可启动训练流程。数据集的标注文件已按YOLO-Pose规范预处理，边界框与关键点坐标均归一化至[0,1]区间，可直接用于模型输入。研究者在发表成果时需同时引用原始FSOCO数据集与本数据集的标注贡献，以符合学术规范与许可要求。

背景与挑战

背景概述

在自动驾驶技术迅猛发展的背景下，Formula Student Driverless竞赛作为高校学生展示无人驾驶系统创新能力的国际平台，对感知模块的实时性与准确性提出了极高要求。BRT锥桶姿态数据集由Bauman Racing Team无人驾驶感知工作组于2026年创建，旨在解决传统多阶段感知流程（如检测、姿态估计、定位）效率低下的核心问题。该数据集基于FSOCO图像数据，通过统一的标注格式（边界框、锥桶类别及关键点姿态）支持单阶段姿态估计模型训练，显著提升了锥桶定位的速度与精度，为无人赛车环境感知研究提供了关键数据支撑。

当前挑战

该数据集致力于应对无人驾驶场景中锥桶实时定位与姿态估计的挑战，传统方法因流程繁琐导致延迟较高，难以满足高速赛车的实时决策需求。在构建过程中，团队需克服标注复杂性：锥桶尺寸不一，需区分蓝、黄、橙及大型橙等多种类别，并为不同尺寸锥桶设计差异化关键点（大型8点、小型6点），同时确保标注与YOLO-Pose格式兼容。此外，数据源自FSOCO，需严格遵循其图像使用许可，并在衍生标注中明确区分知识产权归属，这增加了数据合规管理的难度。

常用场景

经典使用场景

在自动驾驶感知领域，特别是针对Formula Student Driverless这类无人驾驶赛车场景，BRT Cone Pose Dataset为锥桶定位任务提供了标准化的标注数据。该数据集以YOLO-Pose格式组织，包含边界框、锥桶类别及关键点姿态信息，主要用于训练和评估单阶段姿态估计模型，以替代传统多阶段检测与姿态估计流程，从而在复杂赛道环境中实现高效、实时的锥桶识别与定位。

解决学术问题

该数据集有效解决了自动驾驶研究中多阶段感知流程效率低下的学术问题。传统方法通常将检测、姿态估计和定位分离，导致计算延迟高、实时性不足。BRT Cone Pose Dataset通过提供统一的姿态标注，支持端到端的单阶段模型训练，使研究者能够探索更高效的感知架构，在保证精度的同时显著提升处理速度，为实时自动驾驶系统提供了关键的数据支撑。

实际应用

在实际应用中，该数据集直接服务于Formula Student Driverless等无人赛车比赛的感知系统开发。参赛团队可利用其训练模型，在真实赛道环境中快速识别不同颜色的锥桶并估计其三维姿态，进而实现精准的路径规划与车辆控制。这种高效感知能力对于高速动态环境中的实时决策至关重要，推动了无人驾驶赛车技术从实验室向竞赛场景的落地。

数据集最近研究

最新研究方向

在自动驾驶感知领域，锥桶定位是无人驾驶系统环境理解的关键任务，尤其对于Formula Student Driverless等赛事场景。BRT Cone Pose Dataset通过整合边界框、类别与关键点姿态信息，推动了单阶段姿态估计模型的应用，显著提升了实时检测效率。当前研究聚焦于利用YOLO-Pose等架构，在保持高精度条件下实现端到端延迟的大幅降低，相关进展正促进轻量化模型在边缘设备上的部署，为复杂动态环境中的目标跟踪与路径规划提供更鲁棒的解决方案。