Datasets:

Dderedor
/

obstacles_on_the_road

text stringlengths 20 45
7 0.6546875 0.40234375 0.428125 0.6546875
7 0.50859375 0.50390625 0.28125 0.690625
7 0.55703125 0.50859375 0.1921875 0.5953125
7 0.45546875 0.59765625 0.2140625 0.709375
7 0.496875 0.4 0.090625 0.4984375
7 0.50625 0.534375 0.121875 0.69375
7 0.4453125 0.46953125 0.265625 0.5015625
7 0.48984375 0.53046875 0.409375 0.696875
7 0.44375 0.415625 0.2515625 0.6296875
7 0.74765625 0.3609375 0.1203125 0.346875
7 0.284375 0.8171875 0.1296875 0.3609375
7 0.46171875 0.53125 0.175 0.734375
7 0.47421875 0.4359375 0.425 0.6625
7 0.4375 0.5171875 0.440625 0.8015625
7 0.4859375 0.51328125 0.1890625 0.684375
7 0.48984375 0.471875 0.203125 0.4609375
7 0.51015625 0.459375 0.2375 0.5171875
7 0.48359375 0.46640625 0.175 0.525
7 0.41328125 0.4703125 0.025 0.25625
7 0.55703125 0.4890625 0.20625 0.6359375
7 0.5109375 0.46484375 0.1359375 0.6234375
7 0.5828125 0.54140625 0.1765625 0.60625
7 0.44453125 0.70390625 0.1671875 0.4046875
7 0.48828125 0.43828125 0.1796875 0.6421875
7 0.4546875 0.44765625 0.15 0.71875
7 0.40859375 0.55390625 0.3125 0.34375
7 0.4640625 0.42109375 0.1390625 0.728125
7 0.465625 0.51953125 0.190625 0.690625
7 0.45703125 0.490625 0.1375 0.6734375
7 0.54453125 0.55625 0.240625 0.621875
7 0.55078125 0.47578125 0.271875 0.4609375
7 0.48046875 0.5546875 0.2109375 0.653125
7 0.4765625 0.525 0.2296875 0.5328125
7 0.7140625 0.5234375 0.1015625 0.509375
7 0.20625 0.3484375 0.13125 0.39921875
7 0.440625 0.48359375 0.290625 0.553125
7 0.5703125 0.50703125 0.1 0.278125
7 0.546875 0.5078125 0.290625 0.6828125
7 0.496875 0.4875 0.125 0.425
7 0.5125 0.584375 0.2140625 0.475
7 0.50546875 0.53046875 0.203125 0.5984375
7 0.5296875 0.509375 0.1765625 0.453125
7 0.49140625 0.38359375 0.2734375 0.434375
7 0.490625 0.5046875 0.2125 0.7421875
7 0.47578125 0.45546875 0.36875 0.6671875
7 0.43671875 0.509375 0.203125 0.5375
7 0.54375 0.56015625 0.184375 0.5328125
7 0.45546875 0.59921875 0.3140625 0.6578125
7 0.52734375 0.5046875 0.1921875 0.8421875
7 0.36328125 0.403125 0.1109375 0.35
7 0.525 0.521875 0.209375 0.384375
7 0.4734375 0.534375 0.2828125 0.5171875
7 0.25 0.32578125 0.0890625 0.3609375
7 0.728125 0.53125 0.14375 0.51484375
7 0.54375 0.42578125 0.1765625 0.690625
7 0.51875 0.47421875 0.1328125 0.7359375
7 0.615625 0.51171875 0.1734375 0.6296875
7 0.82578125 0.4078125 0.1375 0.3296875
7 0.26796875 0.559375 0.19140625 0.4984375
2 0.378125 0.639167 0.085000 0.208333
2 0.016563 0.707083 0.033125 0.155833
2 0.853750 0.572083 0.043750 0.069167
2 0.170417 0.849687 0.272500 0.299375
2 0.320312 0.239642 0.066875 0.157250
2 0.608125 0.710334 0.782500 0.577244
2 0.205128 0.494586 0.410256 0.506370
2 0.618199 0.555414 0.762352 0.663694
2 0.685000 0.832500 0.231666 0.241250
0 0.291016 0.497069 0.327344 0.579132
0 0.629297 0.449590 0.341406 0.746776
2 0.111563 0.721852 0.056875 0.079233
2 0.290312 0.678899 0.058125 0.110092
2 0.403125 0.775646 0.072500 0.178482
2 0.921875 0.817765 0.062500 0.155963
2 0.087524 0.649375 0.175047 0.297500
2 0.315642 0.643750 0.340783 0.357500
2 0.100093 0.672500 0.200186 0.363750
2 0.349628 0.685625 0.315643 0.326250
0 0.142813 0.806250 0.051875 0.079166
0 0.355000 0.706666 0.116250 0.168333
0 0.433438 0.656667 0.059375 0.093333
2 0.211875 0.910385 0.098750 0.135678
2 0.128125 0.772195 0.047500 0.127303
2 0.161250 0.755444 0.042500 0.063652
2 0.431250 0.740368 0.016250 0.053601
2 0.455000 0.743718 0.031250 0.050251
2 0.637812 0.753350 0.020625 0.076214
2 0.660000 0.762563 0.037500 0.084590
2 0.815625 0.763819 0.057500 0.061976
2 0.507500 0.499375 0.981666 0.998750
2 0.388437 0.746240 0.221875 0.498121
2 0.167187 0.659006 0.334375 0.680113
7 0.234375 0.6 0.01875 0.76015625
7 0.22890625 0.64453125 0.03125 0.7109375
2 0.194688 0.800374 0.204375 0.384255
2 0.756667 0.804375 0.333333 0.386250
2 0.768750 0.655312 0.355834 0.393125
2 0.207916 0.780625 0.414167 0.437500
2 0.510417 0.516875 0.560417 0.580000
0 0.461458 0.446709 0.706250 0.636363

End of preview. Expand in Data Studio

Unified Obstacles Dataset для AssistEye

Unified Obstacles Dataset создан в рамках проекта AssistEye — мобильного приложения, помогающего слабовидящим и незрячим пользователям с помощью голосового управления и офлайн-детекции окружающих объектов.

Датасет использовался для дообучения модели YOLO11n для сценария «Что на пути?». Модель определяет восемь классов городских препятствий, важных для безопасного передвижения.

Краткое описание

Датасет содержит 4 103 изображения (3 523 тренировочных / 580 валидационных) с аннотациями ограничивающих рамок в формате YOLO. Он был собран из двух публичных источников, тщательно очищен, классы переиндексированы, а дисбаланс скорректирован с помощью оверсэмплинга.

Классы

Индекс	Название (EN)	Название (RU)
0	animal	животное
1	open_manhole	открытый люк
2	waste_container	мусорный контейнер
3	pothole	яма
4	bump	бордюр / выпуклость
5	fence	забор
6	hole	трещина
7	pole	столб

Структура датасета

unified_obstacles/
├── data.yaml
├── train/
│ ├── images/
│ └── labels/
└── valid/
├── images/
└── labels/

data.yaml — конфигурация датасета для обучения YOLO.
labels/ — текстовые файлы в формате YOLO: <class_id> <x_center> <y_center> <width> <height> (нормализованные координаты).
images/ — RGB изображения, при обучении приводились к размеру 640×640.

Исходные датасеты

Этот датасет является очищенной и объединённой версией двух публичных наборов данных:

Urban Community Issues (Kaggle) — содержал классы animal, open_manhole, waste_container, pothole, crack, traffic_light.
Obstacles Avoidance for Visually Impaired (Mendeley Data) — содержал классы bump, fence, hole, pole.

Обучение модели

Модель: YOLO11n (Ultralytics)
Transfer Learning: предобучена на COCO, голова заменена на 8 классов.
Эпохи: 60 (ранняя остановка, patience=7)
Размер батча: 64
Размер изображений: 640×640
GPU: Tesla T4 (Google Colab)
Время обучения: ~1.7 часа

Результаты (валидация)

mAP@50: 0.755
mAP@50-95: 0.426

Класс	mAP@50	mAP@50-95
animal	0.470	0.270
open_manhole	0.957	0.602
waste_container	0.799	0.496
pothole	0.796	0.395
bump	0.598	0.263
fence	0.722	0.350
hole	0.770	0.429
pole	0.932	0.605

Обученная модель (TFLite INT8, 2.9 МБ) и оригинальный PyTorch чекпоинт доступны в облачном хранилище проекта.

Использование

Датасет готов для обучения YOLO. После клонирования/скачивания можно запустить обучение:

from ultralytics import YOLO
model = YOLO('yolo11n.pt')
model.train(data='unified_obstacles/data.yaml', epochs=50, imgsz=640, batch=32)

---

Downloads last month: 35