车辆自动驾驶系统应用 课件 1-3 自动驾驶数据集和开源工具.pptx

能力模块一对自动驾驶系统的基本认知任务三了解自动驾驶的数据集和开源工具Vehicleautonomousdrivingsystemapplications

任务目标LearningPurpose了解各开源数据集的种类了解自动驾驶数据集的制作方法了解开源数据集的历史沿革

任务导入Taskimport作为自动驾驶工程师，了解和使用数据集是一门必修课，不管是目前大火的阿尔法狗，还是生活中常见的人脸识别，都需要进行机器学习，要进行机器学习，先要有数据，即数据集是机器学习的基础。汽车上的自动驾驶也不例外，同样需要大量的数据进行训练，各大科技公司或团体目前已经推出多个开源数据集，来帮助汽车实现自动驾驶。

目录二数据集介绍一数据集的定义与重要性三数据集之间的比较开源工具四

数据集的定义数据集的定义数据集（英文名称：Dataset），又称为资料集、数据集合或资料集合，是一种由数据所组成的集合，通常以表格形式出现。比如人脸的数据集，就是将大量的人脸图片进行收集并标注，以实现机器学习，从而达到识别人脸的目的。

数据集的重要性要实现自动驾驶，数据是基础，任何研究都离不开数据，巧妇难为无米炊。大量准确的数据集是实现自动驾驶的基础，没有数据，就无法开展研究。数据集的价值数据集是自动驾驶技术发展不可缺少的一部分，优质的数据集往往能够为算法开发带来极大的促进作用。而近十年来，自动驾驶数据集变得越来越多，无论是高校还是企业或者是其他组织，都选择开源自己的数据集，促进自动驾驶技术的进步。

数据集的重要性数据集获取方法一般在确定研究课题后，最为首要的任务就是获得相应的数据集，通常有这样几种方案：1.确定特定研究方向后，在网络上查找是否有公开、共享的数据集；2.如果该研究方向当前没有公开数据集或者公开数据集不适合自己的具体研究问题，那就可能需要亲自去创建新的数据集。3.参加公开的技术比赛（比如AI挑战赛），这样的比赛通常会提供合适的数据集；4.与企业进行合作，企业方一般可提供所获取的与实际应用更相关的数据集。

数据集介绍从采集内容、采集设备及方法、标注及标注方法等方面对数据集进行介绍。典型数据集包括KITTI、Apollo、BDD100K、nuScenes、CityScapes、DAIR-V2X、UnsupervisedLlamas和HDD等。KITTI数据集KITTI数据集由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办，是目前最大的自动驾驶场景下的计算机视觉算法评测数据集。该数据集用于评测立体图像(stereo)，光流(opticalflow)，视觉测距(visualodometry)，3D物体检测(objectdetection)和3D跟踪(tracking)等计算机视觉技术在车载环境下的性能。

数据集介绍从采集内容、采集设备及方法、标注及标注方法等方面对数据集进行介绍。典型数据集包括KITTI、Apollo、BDD100K、nuScenes、CityScapes、DAIR-V2X、UnsupervisedLlamas和HDD等。ApolloCar3D数据集Apollo为百度推出的交通场景解析数据集，包括上万帧的高分辨率RGB视频和与其对应的逐像素语义标注。该数据集包含5,277个驾驶图像和超过60K的汽车实例，其中每辆汽车都配备了具有绝对模型尺寸和语义标记关键点的行业级3DCAD模型。该数据集比PASCAL3D+和KITTI（现有技术水平）大20倍以上。

数据集介绍从采集内容、采集设备及方法、标注及标注方法等方面对数据集进行介绍。典型数据集包括KITTI、Apollo、BDD100K、nuScenes、CityScapes、DAIR-V2X、UnsupervisedLlamas和HDD等。BDD100K数据集2018年5月伯克利大学AI实验室（BAIR）发布了公开驾驶数据集BDD100K，同时设计了一个图片标注系统。BDD100K数据集包含10万段高清视频，每个视频约40秒\720p\30fps。每个视频的第10秒对关键帧进行采样，得到10万张图片（图片尺寸：1280*720），并进行标注。10万张图片中，包含了不同天气、场景、时间的图片，而且高清、模糊的图片都有，具有规模大，多样化的特点。

数据集介绍从采集内容、采集设备及方法、标注及标注方法等方面对数据集进行介绍。典型数据集包括KITTI、Apollo、BDD100K、nuScenes、CityScapes、DAIR-V2X、UnsupervisedLlamas和HDD等。nuScenes数据集nuScenes数据集是由Motional的团队开发的用于自动驾驶的公共大型数据集。Motiona