（1） minio为linux下的minio 可以执行性文件，下载到本地后，执行如下命令即可启动： chmod 755 minio export MINIO_ACCESS_KEY=minio export MINIO_SECRET_KEY=miniominio nohup ./minio server /data2/miniodata/ & （2） plabel_20210629_v2.tar 为标注系统PLabel2.0基于mmdection的GPU镜像，内里搭建了mmdetection 2.3.0版本的环境，支持基于mmdetection的模型重训。 （3） gitea.tar 开源社区后端编译及运行环境镜像。 （4）retinanet_free_anchor_r50_fpn_1x_epoch_12.pth 基于mmdetction 2.3.0，使用所有开源数据集行人数据训练的行人检测模型。 （5）pcl_label_hand_v3.tar为封装好的最新PLabel3.0标注系统，运行容器后，进入容器，运行server.sh即可使用。用来接入yolov5_auto_label_v1.tar及yolov5_auto_track_v1.tar中的算法 （6）yolov5_auto_label_v1.tar为基于CPU的自动标注算法镜像，使用docker加载之后，运行容器，进入容器的/javaapp目录，使用java -jar labelSystemForDocker.jar， （7）yolov5_auto_track_v1.tar为基于CPU的目标跟踪算法镜像，使用docker加载之后，运行容器，进入容器的/javaapp目录，使用java -jar labelSystemForDocker.jar，

ImageNet是根据WordNet层次结构组织的图像数据集。在ImageNet中，目标是为了说明每个synset提供平均1000幅图像。 每个concept图像都是质量控制和人为标注的(quality-controlled and human-annotated)。 在完成之后，希望ImageNet能够为WordNet层次结构中的大多数concept提供数千万个干净整理的图像。 数据集目录可参看本项目代码仓ReadMe（https://git.openi.org.cn/Open_Dataset/imagenet）

水下目标检测算法赛是由国家自然基金委、鹏城实验室和湛江市人民政府联合主办全国水下机器人（湛江）大赛的第一阶段。本次比赛紧扣水下目标检测算法领域，创新的将人工智能与水下机器人进行有机结合，把真实水下环境的光学图像和声学图像开放给更广泛的人工智能和算法研究群体，树立了一个目标检测和识别的新领域。比赛分为「光学图像目标检测」和「声学图像目标检测」两个赛项。 本项目收集了「光学图像目标检测」赛项的相关数据集，希望这些数据能够对相关领域的研究者有所帮助。

MNISTData数据集为模型训练数据集

包含案例3、6、7、8、9、10、11的数据集

COCO是大规模的对象检测，分割和字幕数据集。 它包含：330K图像（标为> 200K），150万个对象实例，80个对象类别。https://cocodataset.org/

URPC 2020（大连）水下目标检测算法赛由国家自然科学基金委员会、大连市人民政府和鹏城实验室共同主办，大连市科技局、大连理工大学、大连金普新区管委会、大连金石滩国家旅游度假区管委会承办。本次比赛紧扣水下目标检测算法领域，创新的将人工智能与水下机器人进行有机结合，把真实水下环境的光学图像开放给更广泛的人工智能和算法研究群体，树立了一个目标检测和识别的新领域。

本页面建立了SpikingJelly中集成的部分数据集的下载镜像。 只有原始数据集所使用的协议允许分发，或原始数据集作者已经同意分发的数据集才会被建立镜像。

模型文件

MNISTData数据集是由10类28∗28的灰度图片组成，训练数据集包含60000张图片，测试数据集包含10000张图片。 对于想要在现实世界数据上尝试学习技术和模式识别方法，同时在预处理和格式化上花费最少的精力的人来说，这是一个很好的数据库。

下目标检测算法赛是由国家自然基金委、鹏城实验室和湛江市人民政府联合主办全国水下机器人（湛江）大赛的第一阶段。本次比赛紧扣水下目标检测算法领域，创新的将人工智能与水下机器人进行有机结合，把真实水下环境的光学图像和声学图像开放给更广泛的人工智能和算法研究群体，树立了一个目标检测和识别的新领域。比赛分为「光学图像目标检测」和「声学图像目标检测」两个赛项。 本项目收集了「声学图像目标检测」赛项的相关数据集，希望这些数据能够对相关领域的研究者有所帮助。

MNISTData数据集是由10类28∗28的灰度图片组成，训练数据集包含60000张图片，测试数据集包含10000张图片。

imagenet2012 tiny. train and val. train with 1000 classes and each class has 20 images. val with 1000 classes and each class has 5 images.

盘古系列模型

目标类别：包括 3 类规则几何结构物体（立方体、球体、圆柱体）与其他 7 类水下物体（人体模型、轮胎、圆形地笼、方形地笼、铁桶、飞机模型、ROV）等。

PKU-Vidar-DVS dataset is a large-scale multimodal neuromorphic object detection dataset with temporally continuous labels. This dataset is recorded using our hybrid camera system, which includes a Vidar (resolution 400*250) and a DAVIS346. This dataset contains 9 indoor and outdoor challenging scenarios by considering velocity distribution, illumination change, category diversity, and object scale, etc. We use the hybrid camera system to record 490 sequences including Vidar spikes and DVS events. In each sequence, we collect approximately 5 seconds as the raw data pool. Manual annotations in the recordings are provided at a frequency of 50 Hz. As a result, this dataset has 103.3k labeled timestamps and 229.5k labels in total. It is the first work to build a neuromorphic multimodal object detection dataset involving high-speed and low-light scenarios.

CIFAR-10数据集包含10个类别的60000个32x32彩色图像，每个类别6000个图像。 有50000张训练图像和10000张测试图像。http://www.cs.toronto.edu/~kriz/cifar.html?usg=alkjrhjqbhw2llxlo8emqns-tbk0at96jq

Dataset for Salient Object Detection for Point Clouds

kitti

在大数据和深度卷积神经网络（美国有线电视新闻网）的推动下，人脸识别的性能已与人类相比。使用私有的大规模训练数据集，若干组在LFW上实现非常高的性能，即97%到99%。虽然有许多开源的美国有线电视新闻网的实现，没有大规模的面部数据集是公开可用的。人脸识别领域的研究现状是数据比算法更重要。为了解决这个问题，我们提出了一种半自动的方式来收集来自互联网的人脸图像，并建立一个大型数据集包含10575个主题和494414个图像，称为CASIA WebFACTS。据我们所知，该数据集的大小在文献中排名第二，仅比脸谱网（SCF）的私有数据集小。我们鼓励在这个数据集上的数据消耗方法训练和LFW上的报告性能。

构建了面向军事领域的动态知识图谱 DynaBase,并发布了KBQA 数据集 DynaQuestions。DynaQuestions 包含了2829 条问答对, 其中针对动态知识的问题600条，每个问答对标注了问题类型、Cypher 语句以及答案,能够从新的复杂维度对问答系统的表现进行评价。DynaQuestions 中的问题类型更加多样,其中静态类型的问题能够评测传统问答模型。

WeChatSetup-3.6.0.18.exe

coco2017 dataset