ENTERPRIZE战队2025赛季开源数据集

数据集包含一阶段机器人(车辆)识别数据、二阶段装甲板识别数据和三阶段装甲板图案识别数据。一阶段数据共计3022个，标签定义为0 -> 机器人；二阶段数据共计3504个，标签定义为0 -> 死亡状态装甲板, 1 -> 红色灯条装甲板, 2 -> 蓝色灯条装甲板；三阶段数据共计3528个，标签定义为首字母B/R -> 蓝色/红色（训练中会自动混合），第二个字符：0 -> 前哨站，1-5 -> 1-5号装甲板（5号不会参与训练，但是在此仍提供出来），S（6） -> 哨兵。The dataset includes three stages of recognition data: Stage 1 robot (vehicle) recognition data, Stage 2 armor plate recognition data, and Stage 3 armor plate pattern recognition data. Stage 1 data has a total of 3022 samples, with the label definition: 0 -> robot. Stage 2 data has a total of 3504 samples, with the label definitions: 0 -> destroyed armor plate, 1 -> red light bar armor plate, 2 -> blue light bar armor plate. Stage 3 data has a total of 3528 samples, with the label definition: the first character B/R indicates blue/red (automatically mixed during training); the second character: 0 -> outpost, 1-5 -> No.1 to No.5 armor plates (No.5 will not participate in training but is still provided here), S (No.6) -> sentry.

原始信息汇总

HKUST ENTERPRIZE RoboMaster 2025雷达算法数据集概述

数据集基本信息

• 项目名称：HKUST ENTERPRIZE RoboMaster 2025 Radar Algorithm
• 开源协议：MIT许可证
• 最新版本：2025.8.9更新
• 数据来源：官方直播图像、各战队开源第一视角视频

数据集内容

1. 机器人(车辆)识别数据

• 数据量：3022个
• 标签定义：0 -> 机器人

2. 装甲板识别数据

• 数据量：3504个
• 标签定义：
  • 0 -> 死亡状态装甲板
  • 1 -> 红色灯条装甲板
  • 2 -> 蓝色灯条装甲板

3. 装甲板图案识别数据

• 数据量：3528个
• 标签定义：
  • 首字母B/R -> 蓝色/红色
  • 第二个字符：
    • 0 -> 前哨站
    • 1-5 -> 1-5号装甲板
    • S（6） -> 哨兵

数据集特点

• 包含复杂工况的高质量数据集
• 标注内容：
  • 机器人整体框
  • 装甲板位置
  • 颜色
  • 存活状态（含死亡状态标注）
• 关键优化：引入天然遮挡样本（非人工mask增强）

数据集下载

• 下载链接：https://hkustconnect-my.sharepoint.com/:f:/g/personal/zguobd_connect_ust_hk/EvYDNGry-DBBjr9eSzpacGcBPlSS7KpMZmSE3KGzeJMJKw
• 密码：987654321

训练建议

• 不建议仅使用本数据集进行训练
• 可参考技术报告中的数据集制作思路自主标注更多数据

相关资源

• 技术报告：docs/HKUST_ENTERPRIZE_RM2025_Radar开源报告.pdf
• 训练配置文件：
  • Car Detector: config/car_training_config.yaml
  • Armor Detector: config/armor_training_config.yaml

搜集汇总

数据集介绍

构建方式

ENTERPRIZE战队2025赛季开源数据集的构建充分考虑了RoboMaster比赛场景的复杂性。数据主要来源于官方直播图像和各战队开源的第一视角视频，通过人工标注机器人整体框、装甲板位置、颜色及存活状态，确保了数据的高质量。特别值得一提的是，该数据集引入了天然遮挡样本，而非人工合成的遮挡增强数据，显著提升了模型在实际复杂场景中的鲁棒性。这种构建方式使得数据集更加贴近真实比赛环境，为后续算法训练提供了坚实的基础。

特点

该数据集具有鲜明的专业性和实用性特点，涵盖了机器人检测、装甲板检测和图案分类三个关键任务。数据集包含3022个机器人识别数据、3504个装甲板识别数据和3528个图案识别数据，标签定义清晰明确。其独特之处在于包含了死亡状态装甲板标注，这在同类数据集中较为罕见。此外，数据集针对比赛中的典型挑战进行了优化，如快速移动、临时遮挡等问题，为研究复杂场景下的目标检测与追踪提供了宝贵资源。

使用方法

使用该数据集时，建议采用分级训练策略。对于机器人检测任务，可使用YOLOv12-s模型；装甲板检测推荐使用YOLOv12-n模型；图案分类则适合采用轻量级的MobileNetv2网络。数据集提供了详细的训练配置文件，用户可参考armor_training_config.yaml和car_training_config.yaml进行参数设置。值得注意的是，为了获得最佳效果，开发者不应仅依赖该数据集，而应结合报告中提到的数据制作思路，补充自主标注的数据。训练完成后，模型可转换为TensorRT格式以提升推理效率。

背景与挑战

背景概述

香港科技大学ENTERPRIZE战队于2025赛季推出的RoboMaster雷达算法数据集，标志着机器人竞技领域数据驱动研究的重要进展。该数据集由HKUST ENTERPRIZE战队核心成员主导构建，主要针对RoboMaster比赛中复杂动态环境下的机器人检测与追踪问题。数据集包含3022个机器人检测样本、3504个装甲板识别样本以及3528个图案分类样本，其独特价值在于采集自真实比赛场景中的天然遮挡样本，突破了传统数据增强方法的局限性。该资源的发布为机器人视觉算法研究提供了珍贵的基准数据，尤其在非结构化环境中的多目标持续追踪方面具有开创性意义。

当前挑战

该数据集主要应对机器人竞技领域两大核心挑战：在技术层面，需解决动态遮挡环境下的小目标检测难题，传统方法在快速移动目标的身份持续追踪上存在显著性能瓶颈；在数据构建层面，真实比赛场景的数据采集涉及复杂的多相机协同标定，且人工标注需处理装甲板闪烁、运动模糊等特殊工况。具体表现为：遮挡场景下检测模型的鲁棒性提升、非平面场地的三维定位精度优化、以及多目标交叉运动时的身份维持问题。数据集构建过程中，团队还需克服比赛视频数据来源分散、不同战队机器人外观差异大等实际困难。

常用场景

经典使用场景

在RoboMaster机器人竞赛的复杂对抗环境中，ENTERPRIZE战队2025赛季开源数据集为参赛队伍提供了关键的技术支持。该数据集特别适用于机器人视觉系统的开发与优化，尤其在多目标追踪、三维定位和装甲板识别等核心环节展现出卓越性能。通过融合深度学习模型与创新算法，数据集帮助研究者在动态遮挡、非平面地形等挑战性场景中实现稳定检测，为竞赛策略制定提供了可靠的数据基础。

实际应用

该数据集的实际应用价值在RoboMaster赛事中得到了充分验证。基于数据集开发的系统在2025赛季复活赛中实现了单局最高1912.1秒易伤时间的优异表现，为战术决策提供了实时精准的机器人状态信息。其技术方案可直接迁移至工业检测、安防监控等需要多目标追踪的领域，特别适用于存在复杂遮挡、非结构化环境的场景。数据集配套的轻量化模型设计也为边缘计算设备的部署提供了实践范例。

衍生相关工作

围绕该数据集已衍生出多项创新性研究工作。在算法层面，基于YOLOv12改进的小目标检测架构和MobileNetv2轻量分类网络为实时系统设计提供了新范式；在工程应用方面，射线投射定位法的开源实现推动了三维视觉定位技术的普及。数据集还催生了多篇关于复杂场景目标追踪的学术论文，其标注规范和评估标准已成为RoboMaster相关研究的基准参考。