De fleste datasynsprosjekter stopper ikke opp ved modellen. De stopper opp ved dataene. Teamene har arkitekturen, databehandlingen og ingeniørene, og bruker deretter måneder på å prøve å finne bilder og videoer som faktisk samsvarer med betingelsene modellen deres vil møte i produksjon. Dette kildeproblemet er det vår datasynskatalog eksisterer for å løse, og vi har nettopp gjort den betydelig større. Nye bilde- og videodatasett er lagt til på tvers av alle kategorier i katalogen, fra ansiktsbiometri og anti-forfalskning til OCR, mote, industriell inspeksjon og langformatvideo.
Hvorfor team lisensierer visuelle data i stedet for å samle dem inn
Å bygge et datasett internt er sjelden en toukers jobb. Det kan ta et helt kvartal å rekruttere deltakere fra de riktige demografiske gruppene, kjøre innsamlingen, håndtere samtykke og deretter annotere til en brukbar standard før en enkelt treningskjøring skjer. Lisensiering av et eksisterende datasett komprimerer det til en samtale og en kontrakt. Det gjør det også billigere å teste en hypotese. Hvis en modell trenger en bestemt type data for å fungere, er det mye bedre å finne det ut med lisensierte data i uke én enn etter seks måneder med din egen innsamling.
Hva er nytt, kategori for kategori
Oppdateringen berører alle åtte datasettkategorier i katalogen. Her er hva som skiller seg ut i hver av dem.
Anti-spoofing
Dette er nå den største kategorien i katalogen, med 25 datasett tilordnet iBeta-sertifiseringsnivåer. Nivå 1-dekningen inkluderer 35 800 videoer, 22 000 videoer av papirmaskeangrep og IR + RGB-papirangrep for onboarding av webkamera. Nivå 2 legger til et sett med 45 522 videoer, 25 000 3D-maskeangrepsvideoer, mer enn 11 000 videoer av tøymasker og 12 500 angrep av silikonmasker på tvers av 18 hyperrealistiske masker. For nivå 3 er det mer enn 10 000 premium angrepsvideoer av harpiksmasker. Replay-dekningen inkluderer over 5,000 replay-videoer av skjermen og 3,000 replay-angrep av mobile enheter på tvers av 15 enheter.
Vite mer
Ansikts- og kroppsdelsgjenkjenning
Dette er den dypeste delen av oppdateringen. Nye tillegg inkluderer et datasett for ansiktsgjenkjenning med 10 millioner bilder, en samling av asiatiske ansiktsbilder med 44 000 bilder, et datasett for selfier og offisiell ID med 70 000 bilder som dekker mer enn 6,000 identiteter, og et datasett for ansiktsbilder fra smarttelefoner over flere avstander fra India med 10 000 deltakere. To historiske datasett fanger opp ekte aldring over seks måneder til mer enn ti år ved hjelp av ekte fotografier i stedet for syntetisk aldring, noe som er viktig for aldersinvariant gjenkjenning og KYC. Et datasett for aldersprogresjon for barn og et datasett for syntetiske barneansikter adresserer et veldokumentert gap: barn er i stor grad fraværende fra data for aldersdeteksjon og forebygging av dypfalsk, og det syntetiske settet utvider demografisk dekning uten å bruke noen data fra virkelige personer.
Vite mer
Språk og tekst (OCR)
De nyeste tilleggene heller mot arabisk og kinesisk. De inkluderer 25 000 arabiske kalligrafibilder samlet fra offentlige arkiver og arbeidende kalligrafer, 15 000 håndskrevne og skannede arabiske dokumenter, 10 000 gate- og butikkskilt som inneholder arabisk tekst, og et kinesisk publikasjonsbibliotek som spenner over bøker, tidsskrifter og offentlig politikkmateriell. Nyttig for scenetekstgjenkjenning, håndskriftgjenkjenning og dokumentdigitalisering i skrifttyper som de fleste åpne datasett ikke dekker tilstrekkelig.
Vite mer
Klær og mote
Detaljhandels- og motemodeller kan benytte seg av et RAW-fotograferingsdatasett med 50 000 bilder som spenner over kjendis- og studioportretter, mote- og studioserier, sport- og treningsklær, samt produkt- og livsstilsfotograferinger.
Vite mer
Gest, positur og aktivitet
To datasett leder an i denne kategorien: 500 timer med video fra arabisk tegnspråk på tvers av flere dialekter for tegnspråkgjenkjenning og oversettelse, og et håndflategjenkjenningssett med 24 000 bilder for smarttelefoner, innhentet fra 2,000 deltakere over hele verden.
Vite mer
Maskin og industri
Bruksområder for forsikring, trafikk og mobilitet er godt dekket: 69 983 bilder av skadede kjøretøy fra Storbritannia, bilder av registreringsskilt og skadede biler fra Europa, bilvideoer av biler fra Europa og en CCTV-samling fra Sør-Afrika som dekker kjøretøyopptak, registreringsskiltbilder og 56 timer med ulykkesopptak for hendelses- og avviksdeteksjon.
Vite mer
Objekt- og kontursegmentering
Fire datasett skiller seg ut: et datasett med 15 000 bilder om mat, oppskrifter og matlaging laget av kokker for multimodal og LLM-opplæring, en samling av dagligvarer for hylleovervåking, SKU-gjenkjenning og automatisert kasse, 200 000 bilder av interiør og eksteriør fra hus fra USA, og en samling av virkelige objekter og eiendommer på mer enn 500 millioner bilder som spenner over eiendom, kjøretøy, forbrukerelektronikk og samleobjekter.
Vite mer
Video i stor skala
For team som trener video og multimodale modeller, har kategorien «andre datasett» nå et betydelig volum: 80 000 timer med YouTube-video, 10 000 timer med AI-intervjuvideoer, 3,000 timer fra en samling av dokumentarfilmskapere som spenner over åtte land, 1,000 timer med AAA-spillopptak, 1,000 timer med kampsportkamper, et lisensiert nyhets-, vær-, sport- og arrangementsbibliotek på 1.2 millioner minutter, og over 40 000 arkivklipp som dekker menneskelig aktivitet, nødsituasjoner og dyreliv.
Vite merHvordan disse datasettene for datavisjon er bygget
Hvert datasett i katalogen er etisk innhentet med samtykke fra bidragsytere og håndteres i tråd med GDPR og andre globale personvernstandarder, med avidentifikasjon tilgjengelig der et brukstilfelle krever det. Datasett leveres i standardformater som JSON, CSV eller XML med vedlagte metadata, slik at de havner i eksisterende opplæringsprosesser uten et konverteringstrinn. Der et datasett sendes uten annotering, kan våre annoteringsteam merke det i henhold til dine spesifikasjoner. Og der katalogen ikke inneholder akkurat det du trenger, kan vi samle det inn.
Hvor skal jeg starte
Bla gjennom katalogen etter kategori og be om et utvalg av alt som ser relevant ut. Hvis kravet ditt er spesifikt, enten det er en demografisk fordeling, lysforhold eller en bestemt objektklasse, fortell oss det, så vil vi enten henvise deg til det som passer best eller beregne omfanget av en tilpasset samling. Nye datasett legges til kontinuerlig, så det er verdt å sjekke tilbake.