--- license: cc-by-nc-4.0 language: - ru - en task_categories: - image-segmentation - object-detection - image-classification tags: - computer-vision - image-segmentation - object-detection - free-space - obstacle-detection - passability - monocular-vision - mobile-navigation - coco - cvat pretty_name: Mobile Path Passability Dataset size_categories: - n<1K --- # Mobile Path Passability Dataset ## Описание Датасет предназначен для экспериментов по сегментации свободного пространства и препятствий на кадрах, снятых с монокулярной RGB-камеры смартфона. Практический сценарий связан с предварительной оценкой проходимости локального пути по изображению от первого лица для мобильной платформы, ассистивного устройства или навигационной системы. Кадры получены из собственных видеозаписей, снятых в помещениях и на улице. В набор вошли коридоры, проходы, дворовые дорожки, зоны у ворот, участки с бытовыми препятствиями и статическими границами. Разметка выполнена вручную в CVAT и сохранена в COCO-формате. Датасет содержит только извлеченные изображения и аннотации. Исходные видеофайлы не публикуются. Имена исходных видео сохранены только как идентификаторы сцен, чтобы было понятно, из каких съемок получены кадры и как выполнено разбиение train/val/test. ## Состав - 994 изображения. - 30 исходных видеосцен, представленных идентификаторами исходных видео. - Разрешение кадров составляет 1280 x 2276. - 1684 COCO-аннотации. - 994 маски класса `free_space`. - 690 аннотаций класса `obstacle`. Геометрические классы COCO: - `free_space` обозначает область пола, земли, плитки или дорожки, потенциально доступную для движения. - `obstacle` обозначает отдельные препятствия, например коробки, чемодан, стул, мебель или низкие предметы. Дополнительно для каждого кадра задан бинарный кадровый статус: - `clear` означает, что видимый путь доступен для движения без выраженного ближайшего ограничения. - `constrained` означает, что путь ограничен препятствием, статической границей, ограниченным проходом или другой причиной, из-за которой требуется коррекция траектории или прямое движение затруднено. Стены, бордюры, ограждения и другие статические границы не всегда размечаются как отдельный объект `obstacle`. В таких случаях ограничение прохода отражается формой маски `free_space` и полем `main_obstacle`, например `static_boundary`. Поле `scene` описывает тип съемочной ситуации и не является целевым классом модели. Целевые кадровые статусы находятся только в поле `status`. ## Разбиение Разбиение выполнено по исходным видеосценам, а не случайно по отдельным кадрам. Это уменьшает риск завышенных метрик из-за похожих соседних кадров из одного видео. | split | images | source videos | clear | constrained | |---|---:|---:|---:|---:| | train | 696 | 21 | 132 | 564 | | val | 155 | 5 | 28 | 127 | | test | 143 | 4 | 29 | 114 | Все изображения лежат в одной папке `images/`. Они не разнесены физически по папкам `train/`, `val/` и `test`, чтобы сохранить единые пути в COCO-аннотациях и не дублировать файлы. Принадлежность изображения к split задана в `metadata.csv`, `splits/split.csv` и текстовых списках в папке `splits/`. ## Структура файлов ```text dataset_hf_upload/ images/ *.jpg annotations/ instances_all.json instances_train.json instances_val.json instances_test.json frame_labels.csv dataset_summary.json splits/ split.csv split_summary.json train.txt val.txt test.txt train_videos.txt val_videos.txt test_videos.txt metadata.csv README.md ``` ## Назначение файлов - `images/*.jpg` содержит все опубликованные кадры. - `annotations/instances_all.json` содержит полную COCO-разметку для всех изображений. - `annotations/instances_train.json`, `annotations/instances_val.json`, `annotations/instances_test.json` содержат COCO-разметку для отдельных split. - `annotations/frame_labels.csv` содержит кадровые метаданные, включая `status`, `main_obstacle`, `scene` и `source_video`. - `annotations/dataset_summary.json` содержит общую статистику датасета. - `metadata.csv` содержит одну строку на изображение и удобен для просмотра датасета как таблицы на Hugging Face. - `splits/split.csv` является основной таблицей разбиения изображений на train, val и test. - `splits/train.txt`, `splits/val.txt`, `splits/test.txt` содержат списки изображений для каждого split. - `splits/train_videos.txt`, `splits/val_videos.txt`, `splits/test_videos.txt` содержат идентификаторы исходных видеосцен, попавших в каждый split. Сами видеофайлы в датасет не включены. - `splits/split_summary.json` содержит краткую статистику по split. ## Использование Для обучения сегментационных моделей можно использовать COCO-файлы из папки `annotations/`. Если нужен полный набор, используйте `instances_all.json`. Если нужно воспроизвести экспериментальное разбиение, используйте `instances_train.json`, `instances_val.json` и `instances_test.json`. Для быстрого анализа состава датасета удобно использовать `metadata.csv` или `annotations/frame_labels.csv`. Основные поля: - `file_name` содержит относительный путь к изображению. - `split` принимает значения `train`, `val` или `test`. - `source_video` содержит идентификатор исходной видеосцены. - `scene` описывает тип сцены. - `status` содержит бинарную метку `clear` или `constrained`. - `main_obstacle` описывает основной тип препятствия или причину ограничения. - `num_free_space_annotations` и `num_obstacle_annotations` содержат число COCO-аннотаций на кадре. ## English Summary This dataset contains 994 RGB frames extracted from smartphone videos for navigable free-space segmentation, obstacle detection, and binary frame-level path passability analysis. The annotations were created manually in CVAT and exported in COCO format. The frame-level status labels are `clear` and `constrained`. Train, validation, and test subsets are split by source video identifiers to reduce leakage between visually similar neighboring frames. Raw source videos are not included. ## License This dataset is released under the Creative Commons Attribution-NonCommercial 4.0 International license (CC BY-NC 4.0). The dataset is intended for educational and research use. If you use it in academic work, please cite the dataset repository.