Projenizi Hızlandıracak Bilgisayar Görüntüsü için 31 Ücretsiz Görüntü Veri Seti [2025 Güncellendi]

Bir AI algoritması, yalnızca onu beslediğiniz veriler kadar iyidir.

Bu ne cesur ne de alışılmadık bir ifadedir. AI, birkaç on yıl önce oldukça uzak görünebilirdi, ancak Yapay Zeka ve Makine Öğrenimi o zamandan beri çok uzun bir yol kat etti.

Bilgisayarlı görüş, bilgisayarların etiketleri ve görüntüleri anlamasına ve yorumlamasına yardımcı olur. Bilgisayarınızı doğru türden görüntü veri kümelerini kullanarak eğittiğinizde, çeşitli yüz özelliklerini algılama, anlama ve tanımlama, hastalıkları tespit etme, otonom araçları sürme ve ayrıca çok boyutlu organ taraması kullanarak hayat kurtarma yeteneği kazanabilir.

Bilgisayarla Görme Pazarının ulaşacağı tahmin ediliyor 144.46 yılına kadar 2028 Milyar $ mütevazı bir 7.04'da 2020 Milyar Dolar, büyüyen bir 45.64 ve 2021 arasında CAGR %2028.

Makine Öğrenmesi ve bilgisayarlı görüş görevlerinizi beslediğiniz ve eğittiğiniz görüntü veri kümesi, AI projenizin başarısı için çok önemlidir. Kaliteli bir veri kümesi elde etmek oldukça zordur. Sağlam model eğitimi sağlamak ve gerçek dünya karmaşıklığını daha iyi yansıtmak için çeşitli görüntü koleksiyonları kullanmak esastır.

Projenizin karmaşıklığına bağlı olarak, bilgisayar görüşü amaçları için güvenilir ve ilgili veri kümeleri elde etmek birkaç günden birkaç haftaya kadar sürebilir. Çeşitli bilgisayar görüşü görevlerini ve gerçek dünya senaryolarını kapsayacak şekilde çeşitli veri kümeleri gereklidir. Araştırmacılar genellikle kapsamlı model değerlendirmesi sağlamak ve çok çeşitli uygulamaları desteklemek için araştırma amaçları için önemli bir veri kümesi ararlar.

Burada, hemen kullanabileceğiniz bir dizi (kolaylığınız için kategorilere ayrılmış) açık kaynaklı görüntü veri kümesi sunuyoruz.

Görüntü Veri Seti Görevleri: Sınıflandırma, Segmentasyon, Algılama ve Daha Fazlası

Görüntü veri kümeleri modern bilgisayar görüşünün omurgasıdır ve makinelerin görsel bilgileri yorumlamasını ve anlamasını sağlayan çok çeşitli görevlere güç verir. İster otonom araçlar için bir model oluşturuyor olun, ister yüz tanıma teknolojisi geliştiriyor olun veya tıbbi görüntü analizi üzerinde çalışıyor olun, doğru görüntü veri seti başarı için olmazsa olmaz bir araçtır.

Görüntü sınıflandırması en temel bilgisayar görüşü görevlerinden biridir. Bu süreçte, bir model içeriğine göre tüm bir görüntüye bir etiket atamayı öğrenir. Örneğin, bir görüntü sınıflandırma veri kümesi bir modelin kedi ve köpek görüntüleri arasında ayrım yapmasına veya farklı bitki türlerini tanımlamasına yardımcı olabilir. Bu görev, otomatik fotoğraf etiketleme, tıbbi görüntülerden hastalık teşhisi ve sahne kategorizasyon kıyaslamaları gibi uygulamalar için çok önemlidir.

Nesne algılama yalnızca bir görüntüdeki nesnelerin varlığını belirlemekle kalmayıp, sınırlayıcı kutular kullanarak konumlarını da belirleyerek işleri bir adım öteye taşır. Sınırlayıcı kutularla açıklamalı görüntüler içerenler gibi nesne algılama için veri kümeleri, otonom araçlarda yaya algılama, güvenlik gözetimi ve perakende analitiği gibi uygulamalar için hayati öneme sahiptir. Nesne algılama, gerçek dünya senaryoları için sağlam bilgisayarlı görüş algoritmaları geliştirmede de önemli bir bileşendir.

Anlamsal bölümleme bir görüntüdeki her pikseli belirli bir kategoriye sınıflandırmayı içerir ve sahnenin ayrıntılı bir anlayışını sağlar. Bu piksel düzeyindeki trimmap segmentasyonu, organların veya tümörlerin kesin olarak çizilmesinin gerektiği tıbbi görüntüleme gibi görevlerde ve yollar, kaldırımlar ve araçlar arasında ayrım yapmanın kritik olduğu otonom sürüş için kentsel ortamlarda özellikle önemlidir.

Bu temel görevlerin ötesinde, görüntü veri kümeleri ayrıca örnek segmentasyonunu (aynı sınıftaki bireysel nesneler arasında ayrım yapma), görüntü başlığı oluşturmayı (görüntüler için tanımlayıcı metin oluşturma) ve yüz tanımayı (görüntülerdeki insan yüzlerini tanımlama veya doğrulama) destekler. Bu bilgisayarlı görüş görevlerinin her biri, makine öğrenimi modellerini eğitmek ve doğrulamak için yüksek kaliteli, açıklamalı görüntülere güvenir.

Çeşitli ve iyi açıklamalı görüntü veri kümelerinden yararlanarak, veri bilimcileri ve makine öğrenimi uygulayıcıları görüntü tanıma ve sınıflandırma görevlerinden karmaşık segmentasyon ve tespit sorunlarına kadar çeşitli bilgisayar görüşü zorluklarının üstesinden gelebilir. Doğru veri kümesi yalnızca araştırma ve geliştirmeyi hızlandırmakla kalmaz, aynı zamanda bilgisayar görüşü sistemlerinin gerçek dünya uygulamalarında doğru bir şekilde performans göstermesini de sağlar.

Bilgisayar Görüntüsü Modelinizi Eğitmek İçin Kapsamlı Görüntü Veri Kümeleri Listesi

Genel:

1. IMAGEnet

   ImageNet yaygın olarak kullanılan bir veri kümesidir ve 1.2 kategoriye ayrılmış 1000 milyon şaşırtıcı görüntüyle birlikte gelir. Bu veri seti WorldNet hiyerarşisine göre düzenlenmiştir ve eğitim verileri, görüntü etiketleri ve doğrulama verileri olmak üzere üç bölüme ayrılmıştır.

2. Kinetik 700

   Kinetics 700, 650,000 farklı insan eylemi sınıfından oluşan 700'den fazla klip içeren yüksek kaliteli devasa bir veri kümesidir. Sınıf eylemlerinin her birinin yaklaşık 700 video klibi vardır. Veri setindeki klipler, insan-nesne ve insan-insan etkileşimlerine sahiptir ve bu etkileşimler, videolardaki insan eylemlerini tanırken oldukça yardımcı olmaktadır.

3. Cifar-10

   CIFAR 10, on farklı sınıfı temsil eden 60000 32 x 32 renkli görüntüye sahip en büyük bilgisayarlı görme veri setlerinden biridir. Her sınıf, bilgisayarla görme algoritmalarını ve makine öğrenimini eğitmek için kullanılan yaklaşık 6000 görüntüye sahiptir.

4. Oxford-IIIT Evcil Hayvan Görüntüleri Veri Seti

   Evcil hayvan görüntü veri seti, sınıf başına 37 görüntü içeren 200 kategoriden oluşur. Bu görüntüler ölçek, poz ve aydınlatma açısından farklılık gösterir ve cins, baş ROI ve piksel düzeyinde trimmap segmentasyonu için açıklamalarla birlikte gelir.

5. Google'ın Açık Görselleri

   Etkileyici 9 milyon URL ile bu, listedeki en büyük resim veri kümelerinden biridir ve 6,000 kategoride etiketlenmiş milyonlarca resim içerir.

6. Bitki Resimleri

   Bu derleme, yaklaşık 1 türü kapsayan etkileyici 11 milyon bitki görüntüsünü içeren birden fazla görüntü veri setini içerir.

7. LSUN

   LSUN, çeşitli sahne ve nesne kategorilerinde milyonlarca etiketli görüntü içeren büyük ölçekli bir görüntü veri kümesidir. Veri kümesi, model değerlendirmesi için özel bir test kümesi içerir.

Yüz tanıma:

1. Vahşi Doğada Etiketlenmiş Yüzler

   Labeled Faced in the Wild, internetten tespit edilen yaklaşık 13,230 kişinin 5,750'dan fazla görüntüsünü içeren devasa bir veri kümesidir. Bu yüz veri seti, kısıtlamasız yüz algılamayı incelemeyi kolaylaştırmak için tasarlanmıştır.

2. CASIA WebYüzü

   CASIA Web yüzü, makine öğrenimine ve sınırsız yüz tanıma konusunda bilimsel araştırmalara yardımcı olan iyi tasarlanmış bir veri kümesidir. Neredeyse 494,000 gerçek kimliğin 10,000'den fazla görüntüsü ile yüz tanıma ve doğrulama görevleri için idealdir.

3. UMD Yüzleri Veri Kümesi

   UMD, durağan görüntüler ve video kareleri olmak üzere iki bölümden oluşan iyi açıklamalı bir veri kümesiyle karşı karşıyadır. Veri kümesinde 367,800'den fazla yüz açıklaması ve 3.7 milyon açıklamalı konu video karesi vardır.

4. Yüz Maskesi Algılama

   Bu veri seti, PASCAL VOC formatında sınırlayıcı kutularıyla birlikte, "maskeli", "maskesiz" ve "yanlış takılmış maske" olmak üzere üç sınıfa ayrılmış 853 görüntüyü içerir.

5. Feret

   FERET (Yüz Tanıma Teknolojisi Veritabanı), 14,000'den fazla açıklamalı insan yüzü görüntüsünü içeren kapsamlı bir görüntü veri kümesidir.

Elyazısı tanıma:

1. MNIST Veritabanı

   MNIST, 0'dan 9'a kadar el yazısı rakam örneklerini içeren bir veri tabanıdır ve 60,000 ve 10,000 eğitim ve test görüntüsüne sahiptir. 1999 yılında piyasaya sürülen MNIST, Derin Öğrenmede görüntü işleme sistemlerini test etmeyi kolaylaştırır.

2. Yapay Karakterler Veri Kümesi

   Yapay Karakterler Veri Kümesi, adından da anlaşılacağı gibi, İngilizce dil yapısını on büyük harfle tanımlayan yapay olarak oluşturulmuş verilerdir. 6000'den fazla görüntü ile birlikte gelir.