Cone Dataset

该数据集由格拉斯哥大学团队构建，是目前公开规模最大的锥形路标标注数据集，包含25,000张从多视角、多环境条件下采集的锥形路标图像。数据经过严格筛选和标注，每张图像包含6个关键点标注，最终形成20,000个高质量样本。数据集通过定制化标注工具开发，并整合了FSOCO数据集中的边界框检测结果。该数据集专为自动驾驶赛车场景设计，旨在提升复杂环境下锥形路标的3D定位精度和颜色识别能力。

This dataset, developed by a team from the University of Glasgow, is the largest publicly available annotated traffic cone dataset to date. It contains 25,000 images of traffic cones collected from multiple perspectives and under various environmental conditions. After rigorous screening and annotation, each image is equipped with 6 key point annotations, ultimately resulting in 20,000 high-quality samples. The dataset was built using a custom-built annotation tool and integrates bounding box detection results from the FSOCO dataset. Specifically designed for autonomous racing scenarios, this dataset aims to improve the 3D positioning accuracy and color recognition capability of traffic cones in complex environments.

搜集汇总

数据集介绍

构建方式

在自动驾驶赛车领域，精准的三维锥桶定位是实现赛道导航的关键技术。Cone Dataset的构建采用了系统化的数据采集与标注流程，通过定制开发的Flask标注工具，对从多视角、多环境条件下采集的锥桶图像进行精细标注。每张图像标注六个关键点，涵盖锥桶条纹区域与底座，形成共计约2.5万张标注图像的大规模数据集。标注过程中经过严格筛选，剔除标注不完整或质量不佳的样本，最终保留2万张高质量图像作为训练与评估基础，确保了数据的一致性与可靠性。

特点

该数据集在自动驾驶赛车场景中展现出鲜明的专业特性。其标注体系针对锥桶的几何结构与颜色特征进行设计，六个关键点的设定不仅支持三维位置估计，还为颜色分类提供了结构依据。数据样本涵盖了不同光照、天气及锥桶磨损状态下的多样场景，有效模拟了真实竞赛环境中的复杂条件。此外，数据集与FSOCO基准数据保持兼容，标注格式可直接接入YOLOv8等主流检测框架，为后续的关键点回归模型训练提供了高适应性的数据基础。

使用方法

数据集主要应用于基于深度学习的关键点回归模型训练与评估。研究人员可将其划分为训练、验证与测试子集，用于训练UNet等编码器-解码器结构的神经网络。模型通过学习图像中锥桶关键点的空间分布，实现亚像素级的定位精度。训练后的模型可集成到自动驾驶感知系统中，通过立体视觉几何约束计算锥桶的三维坐标，并进一步支持颜色识别与赛道边界重建。该数据集亦可用于对比传统特征匹配算法与深度学习方法的性能，推动自动驾驶赛车环境感知技术的迭代发展。

背景与挑战

背景概述

Cone Dataset 由格拉斯哥大学计算机科学学院与亚马逊的研究团队于2026年联合创建，旨在解决自动驾驶赛车领域中三维锥桶精准定位的核心研究问题。该数据集包含约2.5万张标注图像，是目前公开规模最大的锥桶关键点检测数据集，专注于通过深度学习技术提升在高速动态环境下锥桶位置与颜色识别的鲁棒性。其推出显著填补了自动驾驶感知研究中针对特定赛道标识物检测的空白，为实时导航系统提供了关键数据支撑，推动了相关算法在复杂场景中的实际应用演进。

当前挑战

该数据集致力于解决自动驾驶赛车场景中锥桶的三维定位与颜色识别问题，其核心挑战在于锥桶目标尺寸小、距离变化大，且在高速运动中易受光照、天气及物理损伤等环境干扰，导致传统视觉方法鲁棒性不足。在构建过程中，研究团队面临标注质量控制的难题，需从原始数据中筛选并修正错误标注以确保关键点精度；同时，数据需涵盖多样化的视角与条件以模拟真实赛道环境，这对数据采集与增强策略提出了较高要求。此外，平衡模型精度与实时计算效率，以满足车载嵌入式系统的部署约束，亦是该数据集应用中的关键挑战。

常用场景

经典使用场景

在自动驾驶赛车领域，精准的锥桶三维定位是实现高速赛道导航的核心技术。Cone Dataset作为目前公开规模最大的标注锥桶图像数据集，其经典应用场景在于支持基于关键点回归的深度学习模型训练，以提升锥桶在复杂动态环境中的检测精度。该数据集通过涵盖多视角、多光照及不同磨损状态的锥桶图像，为模型提供了丰富的训练样本，使得UNet等架构能够学习到鲁棒的特征表示，从而在实时感知系统中实现高精度的关键点预测与位置估计。

实际应用

在实际应用中，Cone Dataset直接服务于Formula Student等自动驾驶赛车竞赛的感知系统开发。集成该数据集训练的模型能够实时处理车载摄像头采集的立体图像，通过关键点回归输出锥桶的三维坐标与颜色信息，进而辅助路径规划模块精确识别赛道边界。系统在嵌入式平台如Jetson TX2上实现了低延迟推理，满足了高速竞速场景对实时性的严苛要求。此外，该数据集的几何标注范式支持无真实三维标注的监督学习，降低了数据采集成本，提升了系统在多变环境中的部署适应性。

衍生相关工作

围绕Cone Dataset衍生的经典工作主要包括关键点检测模型的架构创新与系统集成研究。例如，基于UNet的轻量级关键点回归网络在精度上超越了传统的ResNet方案，成为该数据集上具有代表性的基准模型。同时，研究团队将关键点输出与立体视觉深度估计相结合，构建了端到端的锥桶定位流程，进一步推动了YOLOv8与关键点回归的协同感知框架发展。这些工作不仅扩展了数据集的用途，也为后续研究提供了可复现的算法基础，促进了自动驾驶赛车感知技术的标准化与性能提升。