Fruits 360

该数据集包含水果、蔬菜和坚果的图像，图像大小可变，每个图像中包含一个水果或蔬菜。数据集分为训练、验证和测试三个子集，每个子集包含不同比例的图像。此外，还提供了关于每个对象的额外信息，如类型、大小、成熟度状态等。

This dataset contains images of fruits, vegetables, and nuts, with variable image sizes, where each image exclusively features one fruit, vegetable, or nut. The dataset is divided into three subsets: training, validation, and test, each holding a separate proportional share of the total image corpus. Additionally, supplementary metadata for each object is provided, including its category, physical size, maturity status, and other related attributes.

原始信息汇总

数据集概述

数据集名称

Fruits-360

数据集内容

包含水果、蔬菜和坚果的图像，图像尺寸为原始拍摄大小，不同于之前版本的100x100像素尺寸。

数据集版本

2021.09.12.0

数据集属性

• 图像总数：待定
• 训练集大小：待定（每张图像一个水果或蔬菜）
• 测试集大小：待定（每张图像一个水果或蔬菜）
• 类别数：待定（水果和蔬菜）
• 图像尺寸：可变
• 文件名格式：r?_image_index.jpg（例如：r0_31.jpg或r1_12.jpg）

数据集结构

• 图像分组：分为训练集、验证集和测试集。
  • 训练集：约50%的图像
  • 验证集和测试集：各约25%的图像
• 元数据：包含关于数据集中对象的额外信息，如类型、大小、成熟度状态、水分含量、果糖含量、生长地点等。

数据集创建方法

• 使用Logitech C920摄像头拍摄，背景为白色纸张。
• 使用特定算法（洪水填充类型）从背景中提取水果图像。

数据集分割规则

• 图像根据对象索引k进行分割，规则如下：
  • k, k + 2 → 训练集
  • k + 1 → 验证集
  • k + 3 → 测试集
  • k 是对象的索引，且为4的倍数。

许可证

MIT License

版权信息

Copyright (c) 2017-2021 Mihai Oltean

搜集汇总

数据集介绍

构建方式

Fruits 360数据集的构建过程采用了高精度的图像采集技术。水果和蔬菜被放置在低速电机的轴上，通过Logitech C920摄像头进行拍摄，每段视频持续20秒。为了确保背景的一致性，拍摄时使用了白色纸张作为背景。然而，由于光照条件的变化，背景并不完全均匀，因此开发了一种基于洪水填充算法的专用算法，用于从背景中提取水果。该算法通过标记图像边缘的像素，并逐步扩展到颜色差异小于预设值的邻近像素，最终将背景像素填充为白色，保留水果部分的像素。

特点

Fruits 360数据集的特点在于其图像的高分辨率和多样性。数据集中的图像以原始尺寸呈现，与之前100x100像素的版本不同，提供了更丰富的细节信息。数据集包含多种水果和蔬菜的图像，每种水果或蔬菜被存储为独立的对象，即使属于同一品种也会被区分。此外，数据集还提供了每个对象的元信息，如类型、大小、成熟度、水分含量、果糖含量和生长地点等，为研究提供了多维度的支持。

使用方法

Fruits 360数据集的使用方法较为灵活，适用于多种机器学习任务。数据集被划分为训练集、验证集和测试集，分别包含约50%、25%和25%的图像。用户可以根据需要加载特定子集进行模型训练和评估。数据集的图像文件名格式为r?_image_index.jpg，其中r?表示旋转轴，便于区分不同角度的图像。此外，数据集提供了详细的元信息，用户可以通过这些信息进行更深入的分析和实验。

背景与挑战

背景概述

Fruits 360数据集由Mihai Oltean于2017年创建，旨在为计算机视觉领域提供高质量的水果和蔬菜图像数据。该数据集通过低速电机旋转水果并拍摄视频，使用Logitech C920摄像头记录图像，并通过专用算法提取背景，确保图像质量。数据集包含多种水果和蔬菜的图像，每张图像均标注了详细的元数据，如类型、大小、成熟度等。Fruits 360在图像分类、目标检测等领域具有重要影响力，为相关研究提供了丰富的实验数据。

当前挑战

Fruits 360数据集在构建过程中面临多重挑战。首先，由于光照条件的变化，背景提取算法的设计需要极高的精度，以确保水果与背景的清晰分离。其次，数据集的规模庞大，图像数量尚未完全确定，这为数据管理和存储带来了复杂性。此外，不同种类水果的形态和颜色差异显著，增加了分类模型的训练难度。尽管数据集在图像质量和多样性方面表现出色，但其构建过程仍需克服技术难题，以进一步提升数据的可用性和研究价值。

常用场景

经典使用场景

Fruits 360数据集广泛应用于计算机视觉领域，特别是在图像分类和物体识别任务中。由于其包含了多种水果和蔬菜的高质量图像，研究人员可以利用该数据集训练深度学习模型，以识别和分类不同种类的水果和蔬菜。该数据集还为图像分割和特征提取等任务提供了丰富的素材。

解决学术问题

Fruits 360数据集解决了计算机视觉领域中的多个关键问题，尤其是在小样本学习和多类别分类任务中。通过提供大量标注清晰的图像，该数据集帮助研究人员克服了数据不足的挑战，推动了图像识别算法的进步。此外，数据集中的背景去除算法也为图像预处理技术提供了新的研究方向。

衍生相关工作

Fruits 360数据集衍生了许多经典的研究工作，特别是在深度学习模型的优化和应用方面。例如，基于该数据集的研究提出了多种改进的卷积神经网络（CNN）架构，用于提升图像分类的准确率。此外，该数据集还被用于开发轻量级模型，以在资源受限的设备上实现高效的图像识别。