Leandro4002/LEANDRONE_V2|无人机视觉数据集|自主导航数据集

LEANDRONE_V2数据集包含240张标记图像，模拟了安装在Crazyflie 2.1纳米无人机上的Bitcraze AI deck 1.1前摄像头拍摄的照片。该数据集旨在创建用于自主线路跟随无人机的机器学习模型。图像为单色，分辨率为324x244，生成于地面约15-30厘米的高度。数据集包含6次迭代，每次迭代有40张图像，总计240张图像。每次迭代中，线路、瓶子数量和瓶子位置都有随机变化。图像名称中的前两位数字表示迭代编号，后两位数字表示图像编号，用_分隔。标签文件labels.csv包含每张图像的名称和无人机应转向的角度，负角度表示左转，正角度表示右转。

原始信息汇总

数据集概述

数据集名称

• LEANDRONE_V2

数据集标签

• line follow
• drone
• vision

数据集大小

• n<1K

数据集描述

• LEANDRONE_V2 数据集包含2000张标记图像，模拟安装在Crazyflie 2.1纳米无人机上的Bitcraze AI deck 1.1前摄像头拍摄的照片。摄像头型号为Himax HM01B0。
• 该数据集旨在创建一个自主跟随线的无人机机器学习模型，并辅助计算赛道上瓶子的数量。赛道尺寸约为3.5m x 1.8m。
• 图像为黑白，分辨率为320x320，拍摄高度约20-30厘米。
• 每次迭代包含随机的线条、瓶子数量和位置变化。共有50次迭代，每次迭代包含40张图像，总计2000张图像。偶数次迭代顺时针绕赛道，奇数次迭代逆时针。
• 图像名称中，前两位数字表示迭代次数，后两位数字表示图像编号，两者通过下划线分隔。

数据集文件结构

• 包含一个名为render的文件夹，存放从00_000.png到49_39.png的黑色和白色图像。
• 包含一个名为labels.json的文件，其中包含表示每次迭代的JSON对象数组，每个迭代包含瓶子数量和线条方向的角度。

数据集许可证

• CC0 1.0 Universal

AI搜集汇总

数据集介绍

构建方式

LEANDRONE_V2数据集通过模拟Bitcraze AI deck 1.1安装在Crazyflie 2.1纳米无人机前摄像头拍摄的图像构建。利用Meshroom 2023.3.0进行三维建模，随后在Blender 4.1中导入模型，沿轨迹移动相机并计算相机与下一目标点之间的角度，从而生成图像并标注转向角度。每轮迭代包含40张图像，共6轮，总计240张图像，每轮图像命名格式为迭代号和图像号，以'_'分隔。

特点

该数据集主要特点在于其模拟无人机视觉系统的真实环境，图像为单色，分辨率为324x244像素，拍摄高度约为15-30厘米。每轮迭代包含随机变化的线条、瓶子数量及位置，且每轮图像拍摄方向交替变化，奇数轮逆时针，偶数轮顺时针。此外，数据集考虑了相机启动时的光照敏感性，确保图像生成的一致性。

使用方法

LEANDRONE_V2数据集适用于开发自主循线无人机模型，特别适用于机器学习模型的训练与验证。用户可通过下载zip文件获取数据集，文件结构包括图像文件夹和标注CSV文件。CSV文件每行包含图像名称和无人机应转向的角度，负值表示左转，正值表示右转。数据集可用于训练和测试图像识别、路径规划等算法。

背景与挑战

背景概述

LEANDRONE_V2数据集由Leandro SARAIVA MAIA于2024年创建，旨在模拟Bitcraze AI deck 1.1搭载的Crazyflie 2.1纳米无人机前摄像头拍摄的图像。该数据集包含240张标注图像，主要用于训练自主循线无人机模型。数据集的创建旨在解决无人机视觉导航中的关键问题，特别是如何在复杂环境中实现精确的循线导航。通过模拟真实环境中的图像，LEANDRONE_V2为无人机视觉导航研究提供了宝贵的资源，推动了该领域的发展。

当前挑战

LEANDRONE_V2数据集在构建过程中面临多项挑战。首先，图像生成过程中需模拟无人机在不同光照条件下的表现，这要求对相机感光度的精确控制。其次，数据集的图像分辨率较低，且为单色图像，这限制了模型对细节的识别能力。此外，数据集中包含的瓶子形状多样，且部分瓶子具有透明特性，导致模型在瓶子识别任务中表现不佳。最后，数据集的生成依赖于3D建模技术，如何确保生成的图像与实际拍摄图像的高度一致性，也是一个重要的挑战。

常用场景

经典使用场景

在无人机视觉导航领域，LEANDRONE_V2数据集的经典使用场景主要集中在自主线路跟随任务中。该数据集通过模拟无人机前摄像头拍摄的图像，为机器学习模型提供了训练数据，使其能够识别并跟随地面上的线路。这种应用场景在无人机自主导航和物流配送中具有重要意义，能够显著提升无人机的操作效率和安全性。

实际应用

在实际应用中，LEANDRONE_V2数据集可用于开发和验证无人机在仓库、工厂和农业等场景中的自主导航系统。例如，在仓库管理中，无人机可以利用该数据集训练的模型进行自动巡检和货物搬运；在农业领域，无人机可以自主导航进行作物监测和喷洒作业。这些应用不仅提高了工作效率，还降低了人力成本和操作风险。

衍生相关工作

LEANDRONE_V2数据集的发布催生了一系列相关研究工作，特别是在无人机视觉导航和物体识别领域。例如，研究人员利用该数据集开发了改进的线路跟随算法，提高了无人机的导航精度；同时，也有工作尝试通过该数据集训练模型来识别和计数路径上的物体，尽管这一任务在数据集中并未完全实现。这些衍生工作进一步扩展了数据集的应用范围，推动了无人机技术的创新和发展。