水面漂浮物数据集 IWHR_AI_Lable_Floater_V1

丰富的标签数据是AI建模的关键，是推动人工智能技术在水利行业应用的基础。我所人工智能研发团队专注于AI技术在水利行业的应用场景构建，研发了智慧河长系统、虚拟水尺、中小水库智能巡检等产品，积累了大量的标签数据。 为推动水利标签数据共享，降低人工智能技术在水利行业的应用成本，加快水利AI模型迭代速度，我们决定陆续开源相关标签数据。本次开源的是一份水面漂浮物标注数据集（IWHR_AI_Lable_Floater_V1）。

目前，该水面漂浮物数据集开源了3000张漂浮物图像及其相应的标注文件，其中包含23692个标注目标，覆盖了包括塑料瓶、泡沫板等常见的生活垃圾以及水草、藻类等漂浮物。 这些图像由手机、数码相机、监控摄像头等设备拍摄，手机拍摄的图像分辨率为1920×1080、880×1920，数码相机拍摄的图像分辨率为3840×2160， 监控摄像头拍摄的图像分辨率为1920×1080。为了丰富样本多样性，在采集原始图像时，我们通过调整拍摄角度、时间和环境，收集了不同角度、光照条件以及背景的图片（见图1）。

图1 数据集中经典图片

图像采集完成后，采用LabelImg工具对图像中的漂浮物位置和类别进行了人工标注，标注完成后的成果如图2所示。

图2 数据集中经典图片标注样例

根据标注目标掩膜相对于图像的像素比例统计，该数据集有高达94.5%的目标像素占比低于10%，填补了小尺寸水面漂浮物开源数据的空白， 为研究和开发人员提供更接近实际场景的数据资源，数据集中目标位置与尺寸分布如图3所示。

图3 数据集目标位置与尺寸分布

我们采用了9种常用的基于深度学习的目标检测算法（Faster R-CNN、RetinaNet、SSD、CenterNet2、YOLOv5s、YOLOv6s、YOLOv7、YOLOv8s、YOLOv9）对该数据集进行了测试，按照8:1:1的比例，将数据分割为训练集、验证集、测试集，每次训练的迭代次数均为300次，测试结果如下表所示：

表1 不同目标检测算法在数据集上的测试效果

模型	输入 大小 (pixel)	mAPtest 50-95 (%)	速度 NVIDIA RTX3090 (ms/frame)	参数量 (M)
Faster R-CNN	600	52.7	142.9	86.3
RetinaNet	640	66.3	51.4	145.7
SSD	300	62.9	26.0	95.0
CenterNet2	640	59.3	140.0	570.9
YOLOv5s	640	67.1	4.5	7.0
YOLOv6s	640	65.2	2.7	18.5
YOLOv7	640	66.3	6.7	6.2
YOLOv8s	640	68.0	4.5	11.1
YOLOv9	640	69.1	6.3	252.2

数据集信息

• 数据集名称: 水面漂浮物数据集(IWHR_AI_Lable_Floater_V1)
• 数据集大小: 2.09GB
• 数据集标注文件格式: XML
• 数据集样本数目: 3000
• 数据集作者: 杨明祥、乔广超、王浩、蒋云钟、刘春雨、王贺佳、董宁澎、黄振红、王民凯、程思威、张宇、冯涛、曹跃群、邱兴帮、刘璇、郝浩然、南林江、文凡、张居嘉
• 版本号: v1.0.0

数据集的研发得到了北京市科学技术委员会科技计划课题《大运河智慧巡河系统研发及示范应用》（编号：Z201100001820022）资助。 如果本数据集对您的研究有所贡献，请在相关出版物中引用：

[1]杨明祥，乔广超，王浩，蒋云钟，等.水面漂浮物数据集（IWHR_AI_Lable_Floater_V1）[DB/OL].中国水利水电科学研究院,2023. http://123.56.14.89:8008/wfdownload/

欢迎您与我们共同维护该数据集，如果您有任何问题，请联系我们。
技术交流QQ群：836873384
邮箱：iwhr_floater@163.com

下载链接

您可以从以下链接下载数据集:

• 点击下载

本数据集仅供学术研究使用，严禁用于商业用途，任何未经授权的商业行为，我们将保留追究法律责任的权利。使用者需自行承担因使用本数据集产生的任何责任和风险。