一文读懂TACO全球首个野外垃圾上下文标注数据集介绍【免费下载链接】TACO Trash Annotations in Context Dataset Toolkit项目地址: https://gitcode.com/gh_mirrors/tac/TACOTACOTrash Annotations in Context是面向野外垃圾检测的图像标注数据集收录了森林、道路、海滩等真实场景下的垃圾照片并提供像素级分割标注是训练和评估垃圾检测算法如目标检测、实例分割模型的理想入门数据集。本文带你快速了解 TACO 数据集的价值、数据规模、目录结构与快速上手方法。一、TACO 数据集是什么解决什么问题在真实世界里垃圾出现在各种复杂背景下沙滩上的塑料瓶、路边的易拉罐、草地里的塑料袋……要让 AI 自动识别这些垃圾就需要大量带上下文的标注图片。TACO 正是为此而生真实场景图片采集自森林、道路、海滩等多种野外环境✂️人工精细标注每张垃圾都有手工绘制的分割掩码️层级分类体系60 个细分类别归入 19 个大类如 Bottle、Can、Plastic bag️场景上下文标签每张图片还标注了背景场景如植被、沙地、水面、人造室内等COCO 格式标注文件采用主流 COCO 格式可直接被 PyTorch、TensorFlow 等主流工具链读取 论文《TACO: Trash Annotations in Context for Litter Detection》2020对数据集做了完整介绍。二、核心数据一览5 组数字看懂 TACO维度数值说明图像数量1500 张官方已标注图片托管于 Flickr垃圾标注4784 个实例含分割掩码平均每张图 3 个以上垃圾类别数量60 类 / 19 大类从铝箔、电池到塑料瓶、香烟头场景标签7 类植被、沙土、水面、人行道、垃圾堆等标注格式COCO JSON兼容主流检测/分割框架几个典型细分类别举例Bottle瓶子玻璃瓶、透明塑料瓶、其他塑料瓶Can罐子饮料罐、气雾罐、食物罐头Plastic bag塑料袋购物袋、垃圾袋、薯片包装袋Paper纸张纸巾、普通纸张、包装纸、杂志Cigarette烟头野外垃圾中最常见却被最容易忽视的类别三、目录结构速览文件都在哪里克隆仓库后核心文件如下data/annotations.json—官方核心标注文件COCO 格式含 1500 张图的实例标注 场景标签data/annotations_unofficial.json— 社区通过官网提交的非官方标注未经人工审核质量参差可用于扩充数据data/all_image_urls.csv— 约 4600 张已标注 未标注图片的 URL 清单原图 VGA 缩略图两列download.py— 一键批量下载图片脚本demo.ipynb— 数据集浏览与标注可视化示例Jupyter Notebookdetector/— 基于 Mask R-CNN 的垃圾检测器完整实现detector/detector.py— 训练 / 测试 / COCO 评估主入口detector/split_dataset.py— 随机划分 train/val/test 数据集detector/taco_config/— 多种类别映射表map_1.csv 等用于把 60 个小类别合并为主流类别requirements.txt— Python 依赖清单四、快速上手5 分钟跑通垃圾检测第 1 步克隆仓库git clone https://gitcode.com/gh_mirrors/tac/TACO cd TACO第 2 步安装依赖pip3 install -r requirements.txt第 3 步一键下载图片运行download.py脚本会读取data/annotations.json中的 Flickr 链接自动把 1500 张图片下载到data/目录支持断点续传中断后重新运行即可。想下载非官方标注对应的图片可加参数python3 download.py --dataset_path ./data/annotations_unofficial.json第 4 步划分数据集并训练在detector/目录下先用split_dataset.py生成 10 组随机的 train/val/test 划分python3 split_dataset.py --dataset_dir ../data然后启动训练以 10 类目标为例python3 -W ignore detector.py train --modelcoco --dataset../data --class_map./taco_config/map_10.csv --round 0训练完成后可用test命令逐张可视化预测结果用evaluate命令运行标准 COCO 评估输出 mAP 等指标。⚠️ 提示60 个细分类别中很多样本极少建议像示例那样通过taco_config/中的类别映射表合并为 Can、Bottle、Plastic bag 等主流类别效果更好。五、TACO 能用来做什么环保科研研究野外垃圾分布与污染监测智能巡检应用结合无人机/手机拍照自动统计海滩、景区垃圾算法教学COCO 格式 完整 Mask R-CNN 实现是学习实例分割的优质练手项目数据增强实验detector/dataset.py还支持垃圾移植transplant数据增强适合做对比实验六、常见问题 FAQQ1数据集大吗能训练出好模型吗目前规模较小1500 张但项目仍在持续扩充。建议结合类别合并策略 数据增强或用非官方标注数据扩大训练集。Q2标注质量如何保证官方标注annotations.json经过人工审核社区提交标注annotations_unofficial.json按周更新但未审核使用前建议自行抽检。Q3没有 GPU 能体验吗可以先跑demo.ipynb浏览数据、可视化标注无需训练模型。七、总结TACO 是目前少有的专注野外垃圾、带场景上下文、像素级标注的公开数据集。1500 张真实照片、4784 个分割实例、60 类层级分类体系加上开箱即用的 Mask R-CNN 检测器和 COCO 格式标注让新手也能快速搭建自己的垃圾检测模型。无论你是做环保算法研究还是想练手实例分割项目TACO 都值得收藏。【免费下载链接】TACO Trash Annotations in Context Dataset Toolkit项目地址: https://gitcode.com/gh_mirrors/tac/TACO创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 一文读懂TACO：全球首个野外垃圾上下文标注数据集介绍
一文读懂TACO全球首个野外垃圾上下文标注数据集介绍【免费下载链接】TACO Trash Annotations in Context Dataset Toolkit项目地址: https://gitcode.com/gh_mirrors/tac/TACOTACOTrash Annotations in Context是面向野外垃圾检测的图像标注数据集收录了森林、道路、海滩等真实场景下的垃圾照片并提供像素级分割标注是训练和评估垃圾检测算法如目标检测、实例分割模型的理想入门数据集。本文带你快速了解 TACO 数据集的价值、数据规模、目录结构与快速上手方法。一、TACO 数据集是什么解决什么问题在真实世界里垃圾出现在各种复杂背景下沙滩上的塑料瓶、路边的易拉罐、草地里的塑料袋……要让 AI 自动识别这些垃圾就需要大量带上下文的标注图片。TACO 正是为此而生真实场景图片采集自森林、道路、海滩等多种野外环境✂️人工精细标注每张垃圾都有手工绘制的分割掩码️层级分类体系60 个细分类别归入 19 个大类如 Bottle、Can、Plastic bag️场景上下文标签每张图片还标注了背景场景如植被、沙地、水面、人造室内等COCO 格式标注文件采用主流 COCO 格式可直接被 PyTorch、TensorFlow 等主流工具链读取 论文《TACO: Trash Annotations in Context for Litter Detection》2020对数据集做了完整介绍。二、核心数据一览5 组数字看懂 TACO维度数值说明图像数量1500 张官方已标注图片托管于 Flickr垃圾标注4784 个实例含分割掩码平均每张图 3 个以上垃圾类别数量60 类 / 19 大类从铝箔、电池到塑料瓶、香烟头场景标签7 类植被、沙土、水面、人行道、垃圾堆等标注格式COCO JSON兼容主流检测/分割框架几个典型细分类别举例Bottle瓶子玻璃瓶、透明塑料瓶、其他塑料瓶Can罐子饮料罐、气雾罐、食物罐头Plastic bag塑料袋购物袋、垃圾袋、薯片包装袋Paper纸张纸巾、普通纸张、包装纸、杂志Cigarette烟头野外垃圾中最常见却被最容易忽视的类别三、目录结构速览文件都在哪里克隆仓库后核心文件如下data/annotations.json—官方核心标注文件COCO 格式含 1500 张图的实例标注 场景标签data/annotations_unofficial.json— 社区通过官网提交的非官方标注未经人工审核质量参差可用于扩充数据data/all_image_urls.csv— 约 4600 张已标注 未标注图片的 URL 清单原图 VGA 缩略图两列download.py— 一键批量下载图片脚本demo.ipynb— 数据集浏览与标注可视化示例Jupyter Notebookdetector/— 基于 Mask R-CNN 的垃圾检测器完整实现detector/detector.py— 训练 / 测试 / COCO 评估主入口detector/split_dataset.py— 随机划分 train/val/test 数据集detector/taco_config/— 多种类别映射表map_1.csv 等用于把 60 个小类别合并为主流类别requirements.txt— Python 依赖清单四、快速上手5 分钟跑通垃圾检测第 1 步克隆仓库git clone https://gitcode.com/gh_mirrors/tac/TACO cd TACO第 2 步安装依赖pip3 install -r requirements.txt第 3 步一键下载图片运行download.py脚本会读取data/annotations.json中的 Flickr 链接自动把 1500 张图片下载到data/目录支持断点续传中断后重新运行即可。想下载非官方标注对应的图片可加参数python3 download.py --dataset_path ./data/annotations_unofficial.json第 4 步划分数据集并训练在detector/目录下先用split_dataset.py生成 10 组随机的 train/val/test 划分python3 split_dataset.py --dataset_dir ../data然后启动训练以 10 类目标为例python3 -W ignore detector.py train --modelcoco --dataset../data --class_map./taco_config/map_10.csv --round 0训练完成后可用test命令逐张可视化预测结果用evaluate命令运行标准 COCO 评估输出 mAP 等指标。⚠️ 提示60 个细分类别中很多样本极少建议像示例那样通过taco_config/中的类别映射表合并为 Can、Bottle、Plastic bag 等主流类别效果更好。五、TACO 能用来做什么环保科研研究野外垃圾分布与污染监测智能巡检应用结合无人机/手机拍照自动统计海滩、景区垃圾算法教学COCO 格式 完整 Mask R-CNN 实现是学习实例分割的优质练手项目数据增强实验detector/dataset.py还支持垃圾移植transplant数据增强适合做对比实验六、常见问题 FAQQ1数据集大吗能训练出好模型吗目前规模较小1500 张但项目仍在持续扩充。建议结合类别合并策略 数据增强或用非官方标注数据扩大训练集。Q2标注质量如何保证官方标注annotations.json经过人工审核社区提交标注annotations_unofficial.json按周更新但未审核使用前建议自行抽检。Q3没有 GPU 能体验吗可以先跑demo.ipynb浏览数据、可视化标注无需训练模型。七、总结TACO 是目前少有的专注野外垃圾、带场景上下文、像素级标注的公开数据集。1500 张真实照片、4784 个分割实例、60 类层级分类体系加上开箱即用的 Mask R-CNN 检测器和 COCO 格式标注让新手也能快速搭建自己的垃圾检测模型。无论你是做环保算法研究还是想练手实例分割项目TACO 都值得收藏。【免费下载链接】TACO Trash Annotations in Context Dataset Toolkit项目地址: https://gitcode.com/gh_mirrors/tac/TACO创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考