yunusskeete/Carla-COCO-Object-Detection-Dataset

Carla-COCO-Object-Detection-Dataset-No-Images数据集包含1028张图像，每张图像的分辨率为640x380像素，并附有公开可访问的URL。数据集分为249个测试样本和779个训练样本。这些图像是在Carla模拟器中以自动驾驶模式在不同环境中收集的，并通过语义分割信息自动生成标签。数据集包含的类别有汽车（包括卡车）、自行车、摩托车、交通灯和交通标志。数据实例包括图像、文件名、URL和对象注释。数据字段包括图像ID、宽度、高度和对象元数据。

原始信息汇总

Carla-COCO-Object-Detection-Dataset-No-Images

Hugging Face COCO-Style Labelled Dataset for Object Detection in Carla Simulator

• 数据集大小: 1028张图片，每张图片分辨率为640x380像素，包含对应的公开访问URL。
• 数据集划分: 249张测试图片和779张训练图片。
• 数据收集: 在Carla模拟器中通过自动驾驶模式在不同环境（Town01, Town02, Town03, Town04, Town05）中行驶并保存每i帧。
• 标签生成: 使用语义分割信息自动生成标签。

可用类别:

• 汽车（Car, Truck）
• 自行车
• 摩托车
• 交通灯
• 交通标志

数据实例结构:

• image_id: 图片ID
• width: 图片宽度
• height: 图片高度
• file_name: 文件名
• url: 图片的公开访问URL
• objects: 包含对象边界框元数据的字典
  • id: 注释ID
  • area: 边界框面积
  • bbox: 对象的边界框（COCO格式）
  • category: 对象类别，可能的值包括automobile (1), bike (2), motorbike (3), traffic_light (4) 和 traffic_sign (5)

搜集汇总

数据集介绍

构建方式

在自动驾驶仿真研究领域，数据集的构建往往依赖于高保真模拟环境。本数据集依托Carla仿真平台，通过在多个预设城市场景（Town01至Town05）中启用自动驾驶模式进行数据采集。采集过程中，系统以固定间隔截取仿真画面，共计获得1028帧分辨率为640x380的图像。标注信息并非人工完成，而是巧妙地利用仿真环境提供的语义分割数据，自动生成符合COCO格式的边界框标注，涵盖了汽车、卡车、自行车、摩托车、交通灯及交通标志等关键类别。

特点

该数据集的核心特点在于其纯粹的仿真来源与规范的标注格式。所有图像均衍生自Carla这一权威自动驾驶仿真器，确保了场景的多样性与可控性，同时规避了真实数据采集涉及的隐私与成本问题。数据集严格遵循COCO标注规范，提供了包括图像ID、尺寸、公开URL以及包含边界框、类别和面积的物体标注字典，极大便利了与现有检测框架的集成。其数据规模适中，包含779张训练图像与249张测试图像，适用于模型快速验证与迭代。

使用方法

对于致力于自动驾驶感知算法研发的研究者而言，该数据集可直接用于目标检测模型的训练与评估。使用者可通过提供的公开URL获取图像，并依据附带的COCO格式标注文件构建数据加载器。鉴于数据完全源于仿真，它特别适用于进行域适应研究、算法在合成数据上的基准测试，或在缺乏大规模真实数据时进行初步模型开发。数据已预先划分为训练集和测试集，支持开箱即用的实验流程。

背景与挑战

背景概述

随着自动驾驶技术的迅猛发展，高精度目标检测算法成为关键研究领域，而仿真环境生成的数据集为算法验证提供了可控且高效的平台。Carla-COCO-Object-Detection-Dataset由研究人员yunusskeete基于Carla仿真器构建，发布于HuggingFace平台，旨在通过模拟驾驶场景中的多类目标检测任务，推动自动驾驶感知系统的进步。该数据集包含1028张图像，涵盖汽车、自行车、摩托车、交通信号灯及交通标志五类对象，采用COCO标注格式，其数据源自Carla仿真器的多个城市场景，通过自动驾驶模式采集帧图像并利用语义分割信息自动生成标签，为算法开发提供了丰富的仿真基准。

当前挑战

在自动驾驶领域，目标检测需应对复杂动态环境中的小目标识别与遮挡问题，而Carla-COCO-ataset致力于解决仿真环境中多类交通参与者的精准定位与分类挑战。数据集构建过程中，面临自动标注依赖语义分割的精度限制，可能导致边界框偏差或类别混淆；同时，仿真数据与真实场景间的域差异，如纹理、光照及物体多样性的不足，限制了模型的泛化能力。此外，数据规模较小且场景分布有限，难以全面覆盖现实驾驶的极端情况，为算法鲁棒性评估带来困难。

常用场景

经典使用场景

在自动驾驶仿真研究领域，Carla-COCO-Object-Detection-Dataset以其在Carla仿真环境中采集的标注数据，为对象检测算法的训练与验证提供了经典场景。该数据集通过模拟多种城镇环境下的驾驶视角，捕捉了汽车、自行车、摩托车、交通信号灯及交通标志等关键目标，其COCO风格的标注格式便于直接集成至主流检测框架，支持研究者高效开展模型在虚拟环境中的性能评估与迭代优化。

解决学术问题

该数据集有效应对了自动驾驶研究中真实数据采集成本高昂、标注繁琐的挑战，通过仿真环境生成大规模、多样化的标注样本，为对象检测模型的泛化能力研究提供了可控实验平台。其意义在于降低了学术探索的门槛，使得研究者能够专注于算法创新，同时推动了仿真数据与真实数据域适应、模型鲁棒性等核心问题的深入探讨，对自动驾驶感知技术的发展产生了积极影响。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作，包括基于仿真数据的域自适应检测方法、多目标跟踪算法的性能基准测试，以及轻量级检测模型在边缘设备上的部署验证。这些工作不仅拓展了数据集在迁移学习、模型压缩等方向的应用价值，也为自动驾驶仿真与真实世界感知的衔接提供了方法论支持，促进了相关学术社区的持续交流与技术演进。