Objectron

Objectron

3D对象姿态标注短视频数据集

Objectron数据集包含短视频片段,每个片段提供详细的3D对象姿态标注信息。数据集包括15,000个标注视频和4百万个标注图像,涵盖自行车、书籍、瓶子、相机、谷物盒子、椅子、杯子、笔记本电脑和鞋子等类别。数据集支持TensorFlow和PyTorch等深度学习框架,并提供用于3D物体检测的解决方案。数据采集自全球10个国家,确保了地理多样性。

Objectron3D物体检测视频数据集人工智能MediaPipeGithub开源项目

Objectron 项目介绍

Objectron 是一个独特而强大的数据集,专注于短视频片段中的物体姿态标注。这个项目由谷歌研究团队开发,旨在推进计算机视觉和增强现实(AR)技术的发展。

数据集概览

Objectron 数据集包含了15,000个带注释的短视频片段,以及超过400万张带注释的图像。这些数据涵盖了9个不同类别的物体,包括自行车、书籍、瓶子、相机、麦片盒、椅子、杯子、笔记本电脑和鞋子。为了确保地理多样性,数据收集自五大洲的10个国家。

独特之处

每个视频片段都以物体为中心,摄像机围绕物体移动,从不同角度捕捉其形态。除了高分辨率图像外,数据集还提供了丰富的元数据,包括:

  • 相机姿态
  • 稀疏点云
  • 周围环境的平面特征
  • 手动标注的3D边界框

这些3D边界框精确描述了物体的位置、方向和尺寸,为研究人员提供了宝贵的信息。

应用价值

基于Objectron数据集,研究人员已经开发出了针对鞋子、椅子、杯子和相机四个类别的3D物体检测解决方案。这些模型通过MediaPipe(谷歌的开源跨平台ML解决方案框架)发布,可用于实时和流媒体应用。

数据格式与访问

数据存储在谷歌云存储的objectron存储桶中,提供多种格式以满足不同需求:

  • 原始视频序列
  • 注释标签(包含3D边界框信息)
  • AR元数据
  • 处理过的数据集(适用于TensorFlow和PyTorch等框架)

研究人员还提供了支持脚本,用于评估、数据加载和可视化,以及用于在谷歌云基础设施上处理数据集的Apache Beam作业。

教程与支持

为了帮助研究人员和开发者快速上手,项目提供了一系列详细的教程,涵盖了数据下载、解析、加载和评估等方面。这些教程支持多种常用框架,如TensorFlow、PyTorch和JAX。

开放与合作

Objectron数据集在Computational Use of Data Agreement 1.0 (C-UDA-1.0)许可下发布,鼓励学术界和工业界的广泛使用和合作。研究人员可以通过电子邮件或加入邮件列表与项目团队交流。

通过提供这个丰富、多样化的数据集,Objectron项目为计算机视觉和AR领域的研究与应用开辟了新的可能性,有望推动相关技术的快速发展和创新。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多