---
license: apache-2.0
task_categories:
- image-segmentation
language:
- en
- ru
tags:
- uav
- airsim
- autonomous-landing
- computer-vision
- synthetic
- images
pretty_name: UAV Landing Surface Segmentation (AirSim)
size_categories:
- 10K<n<100K
---

# UAV Landing Surface Semantic Segmentation Dataset
[![GitHub Репозиторий](https://img.shields.io/badge/GitHub-Repo-blue?logo=github)](https://github.com/AsterPhys/Diploma)

Этот датасет предназначен для обучения и валидации моделей семантической сегментации, обеспечивающих безопасную посадку БПЛА. Данные сгенерированы в фотореалистичной синтетической среде (Unreal Engine + AirSim).
Датасет является частью проекта по разработке системы автономной посадки БПЛА. 
**Исходный код модулей генерации и обучения доступен в репозитории на GitHub:**  
👉 [**UAV-Landing-System-Project**](https://github.com/AsterPhys/Diploma/blob/master/README.md)

## Dataset Summary

Датасет содержит синхронизированные RGB-изображения, карты глубины и маски сегментации, полученные с нижней камеры дрона. Особенностью набора является высокая вариативность условий: случайное время суток, погодные эффекты и плотная выборка сцен съемки.

- **Источник:** AirSim Simulation (камера `bottom_center`).
- **Разрешение:** 640x480.
- **FOV:** 90°.
- **Объем:** 10,000 сэмплов в train и 1,324 сэмпла в test.

## Dataset Structure

Каждый сэмпл включает следующие файлы (где `NNNNN` — ID кадра):

| Путь | Формат | Описание |
| --- | --- | --- |
| `rgb/NNNNN.png` | PNG | Цветное изображение (8-bit) |
| `depth/NNNNN.npy` | NPY | Метрическая карта глубины (`float16`, в метрах) |
| `mask/NNNNN.png` | PNG | Целочисленная маска классов (uint8) |
| `depth_vis/NNNNN.png` | PNG | Визуализация глубины для контроля качества |
| `mask_vis/NNNNN.png` | PNG | Визуальная сегментация AirSim |

## Semantic Classes

Датасет использует специфическую систему маппинга. Выделяется 5 классов:

### Raw Classes (Collection Stage)
1. **Static_Obstacle**: Постоянные препятствия.
2. **Dynamic_Obstacle**: Движущиеся объекты.
3. **Hazard**: Опасные зоны для посадки.
4. **Vegetation**: Растительность.
5. **Safe_Ground**: Безопасная поверхность для посадки.

### Training Classes
В силу специфики сборки на конкретной карте и задачи, под которую генерировался датасет, в процессе обучения сегментационной модели рекомендуется использовать следующий маппинг:
| ID | Название | Исходные классы |
| --- | --- | --- |
| **0** | **Safe_Ground** | Safe_Ground (5) |
| **1** | **Obstacles** | Static_Obstacle (1) + Hazard (3) |
| **2** | **Vegetation** | Vegetation (4) |
| **3** | **Dynamic_Obstacle** | Dynamic_Obstacle (2) |

## Generation & Environment

Данные генерировались методом автоматического спавна дрона с рандомизацией параметров:
- **Геометрия:** Равномерная сетка внутри огороженного полигона на карте с повышенной вероятностью в городском ландшафте.
- **Окружение:** Случайное время суток и погодные пресеты (туман, пыль).
- **Ориентация:** Рандомизация углов Yaw, Pitch, Roll и высоты в заданных диапазонах.

## Quality Control

Все данные прошли автоматическую фильтрацию:
- Исключены кадры в момент коллизий.
- Удалены слишком темные изображения (недоэкспонированные).
- Удалены дубликаты и кадры с аномалиями глубины.
- Исключены кадры с неразмеченными пикселями.
- Вручную удалены кадры, сделанные внутри зданий.

## How to Use

### Loading with Python
```python
from datasets import load_dataset

dataset = load_dataset("asterphys/airsim-drone-dataset")

# Пример доступа к данным
example = dataset['train'][0]
image = example['rgb']
mask = example['mask']
```

## Citation

Если вы используете этот датасет в своих исследованиях, пожалуйста, укажите ссылку на данный репозиторий.
```bibtex
@misc{uav-landing-segmentation,
  author = {asterphys},
  title = {UAV Landing Surface Semantic Segmentation Dataset (AirSim)},
  year = {2026},
  url = {https://github.com/AsterPhys/Diploma/blob/master/README.md}
  publisher = {Hugging Face},
  journal = {Hugging Face Repository},
  howpublished = {\url{https://huggingface.co/datasets/asterphys/airsim-drone-dataset}}
}
```