bower-waste-annotations

bower-waste-annotations数据集包含1440张由消费者手机摄像头拍摄的废弃物和各种消费品的图像。这些图像被标注了材料类型和物体类型类别。标注经过手动审核以确保正确性，使得该数据集适合用于验证模型。该数据集是与Google.org和Google员工合作创建的，作为Google Impact Challenge: Tech for social good的一部分，旨在在可持续性和废弃物领域产生影响。数据集包含物体类型和材料类型的详细分类，并且仅提供英文版本。该数据集在MIT许可证下提供。

The bower-waste-annotations dataset comprises 1,440 images of waste and various consumer goods captured by consumer-grade smartphone cameras. These images are annotated with material type and object type categories. All annotations have undergone manual review to ensure accuracy, rendering the dataset suitable for model validation purposes. This dataset was created in collaboration with Google.org and Google employees as part of the Google Impact Challenge: Tech for social good, with the objective of generating impact in the domains of sustainability and waste management. The dataset includes detailed taxonomies for both object types and material types, and is only available in English. This dataset is released under the MIT License.

原始信息汇总

数据集概述

基本信息

• 数据集名称: bower-waste-annotations
• 创建者: Bower员工
• 语言: 英语
• 许可证: MIT
• 多语言性: 单语种
• 数据集大小: 10<n<1000
• 来源: Bower内部

数据集结构

特征

• image_id: 字符串
• image: 图像
• image_height: 整数
• image_width: 整数
• material: 字符串
• object: 字符串
• x1: 浮点数
• y1: 浮点数
• x2: 浮点数
• y2: 浮点数

数据分割

• 训练集:
  • 样本数: 2024
  • 字节数: 142455613.0

下载信息

• 下载大小: 135926325
• 数据集大小: 142455613.0

数据集描述

• 主页: https://www.getbower.com
• 仓库: https://github.com/PantaPasen/seegull
• 联系人: [e-mail]

图像数量

• 验证集: 1440

分类与描述

对象类型

• Aerosol: 气雾剂容器
• Battery: 电池
• Blister pack: 泡罩包装
• Book: 书籍
• Bottle: 瓶子
• Box/Card/Tray/Crate: 盒子/卡片/托盘/板条箱
• Gable Top: 屋顶形包装
• Aseptic Flat Top Carton: 无菌平顶纸盒
• Tube: 管状容器
• E-cigarette: 电子烟
• Bulb: 灯泡
• Can/Tin/Cylinder: 罐/锡/圆柱体
• Cosmetics containers: 化妆品容器
• Cup/Tub/Bowl/Bucket: 杯子/桶/碗/桶
• Jar: 罐子
• Electronic device: 电子设备
• Wrapper/Foil/Net/Bag/Flexibles: 包装/箔/网/袋/柔性材料
• Jug: 壶
• Lid/Cap: 盖子/帽
• Other medical containers/Pharmaceuticals: 其他医疗容器/药品
• Paper product: 纸制品
• Other: 其他

材料类型

• Hard plastic: 硬塑料
• Soft plastic: 软塑料
• Other plastic: 其他塑料
• Fiber - Paper: 纤维 - 纸
• Fiber - Cardboard / Paper Packaging: 纤维 - 纸板/纸包装
• Fiber - Other: 纤维 - 其他
• Metal: 金属
• Glass - Coloured: 有色玻璃
• Glass - Non-coloured: 无色玻璃
• Composite: 复合材料
• Hazardous waste: 有害废物
• Electronic waste: 电子废物
• Organic waste: 有机废物
• Textiles: 纺织品
• Wood: 木材
• Rubber & Leather: 橡胶与皮革
• Other: 其他

数据实例

• 验证集: 仅提供验证集

数据集创建

• 图像来源: 消费者手机摄像头
• 标注过程:
  1. 使用Grounding-DINO模型进行预标注
  2. 手动标注使用LabelBox
  3. 由分类专家审核以确保质量

使用注意事项

• 社会影响: 该数据集旨在提高全球回收率，通过在Bower应用中集成计算机视觉解决方案，使用户能够扫描任何类型的垃圾并获得正确的分类指导。
• 贡献: 任何有助于此目的的使用都受到高度赞赏。

附加信息

• 贡献者: Lucas Nilsson, Linda Attby, Louise Rönne, Henrik Erskérs, Jeremy, Suhani
• 许可证: MIT
• 致谢: 感谢Google.org的支持以及Google Fellow的贡献。

搜集汇总

数据集介绍

构建方式

bower-waste-annotations数据集的构建过程体现了严谨的科学方法与技术创新的结合。该数据集由Bower员工与Google.org合作创建，旨在通过计算机视觉技术提升全球回收率。数据采集自消费者手机摄像头，图像经过手动标注，确保高质量的材料类型和物体类型分类。标注过程分为三个步骤：首先使用Grounding-DINO模型进行预标注，随后通过LabelBox平台进行手动标注，最后由分类学专家进行质量审查，确保标注的准确性和一致性。

特点

bower-waste-annotations数据集以其高质量和多样性著称。数据集包含1440张图像，涵盖了广泛的废物和消费品类别，每张图像均标注了材料类型和物体类型。数据集的标注质量极高，边界框的精确度以及材料与物体的组合均经过严格审查，可作为模型验证的基准数据。此外，数据集还提供了详细的分类学描述，涵盖了从气溶胶到电子设备等多种物体类型，以及从硬塑料到有机废物等多种材料类型，为研究者和开发者提供了丰富的参考信息。

使用方法

bower-waste-annotations数据集主要用于验证计算机视觉模型，特别是在废物分类和回收领域的应用。用户可以通过HuggingFace平台下载数据集，并利用其高质量标注进行模型训练和验证。数据集仅包含验证集，因此特别适合用于评估模型的性能。使用该数据集时，建议用户遵循MIT许可证的要求，并在相关研究中引用Bower（Sugi Group AB）的贡献。此外，用户可以通过GitHub访问相关代码库，进一步探索数据集的应用场景和技术细节。

背景与挑战

背景概述

bower-waste-annotations数据集由Bower（Sugi Group AB）与Google.org合作创建，旨在通过计算机视觉技术提升全球回收率。该数据集包含1440张由消费者手机拍摄的废弃物图像，并标注了材料类型和物品类型。这些图像和标注经过人工审核，确保了边界框的准确性以及材料与物品组合的高质量。该数据集于2024年上半年作为Google Impact Challenge: Tech for social good项目的一部分发布，目标是在可持续性和废弃物管理领域产生积极影响。通过提供高质量的验证数据，该数据集为开发和应用废弃物分类模型提供了坚实的基础。

当前挑战

bower-waste-annotations数据集在构建和应用过程中面临多重挑战。首先，废弃物分类本身具有复杂性，不同材料和物品的组合可能导致模型难以准确识别。其次，数据集的构建依赖于消费者手机拍摄的图像，这些图像的质量和角度可能存在较大差异，增加了标注和模型训练的难度。此外，尽管标注过程经过人工审核，但仍可能存在标注误差或遗漏，影响模型的准确性。最后，数据集的规模相对较小，可能限制了模型在更广泛场景下的泛化能力。这些挑战需要通过进一步的数据扩充、标注优化和模型改进来应对。

常用场景

经典使用场景

在计算机视觉领域，bower-waste-annotations数据集被广泛应用于废物分类和回收系统的模型验证。该数据集包含1440张由消费者手机拍摄的废物图像，每张图像都标注了材料类型和物体类型，确保了高精度的边界框和材料与物体的组合。研究人员利用这些数据来训练和验证深度学习模型，以提高废物分类的准确性和效率。

衍生相关工作

基于bower-waste-annotations数据集，许多相关研究工作得以展开。例如，研究人员开发了基于深度学习的废物分类模型，这些模型在多个实际场景中得到了验证和应用。此外，该数据集还激发了更多关于废物管理和回收技术的研究，推动了计算机视觉技术在环保领域的创新和应用。这些工作不仅提升了废物分类的准确性，还为全球范围内的可持续发展提供了技术支持。

数据集最近研究

最新研究方向

在可持续发展和废物管理领域，bower-waste-annotations数据集为计算机视觉技术在垃圾分类中的应用提供了重要支持。该数据集通过高精度的图像标注，涵盖了多种废物和消费品的材料与对象类型，为模型验证和优化提供了可靠的基础。近年来，随着全球对环境保护和资源回收的重视，基于该数据集的研究方向主要集中在提升垃圾分类算法的准确性和效率，特别是在移动设备上的实时应用。此外，结合深度学习技术，研究者们正在探索如何利用该数据集开发智能垃圾分类系统，以推动全球回收率的提升。这一研究方向不仅具有显著的社会效益，也为相关技术的商业化应用开辟了新的路径。