Indoor Scenes CVPR 2019
Este conjunto de datos de imágenes contiene más de 15 000 fotos que representan escenas interiores, divididas en 67 categorías distintas. Está diseñado para entrenar modelos de reconocimiento de escenas en entornos complejos.
Aproximadamente 15.620 imágenes JPG divididas en 67 categorías
Licencia de base de datos abierta (ODbl)
Descripción
El conjunto de datos Indoor Scenes CVPR 2019 incluye 15.620 imágenes divididas en 67 categorías de escenas interiores, como bibliotecas, pasillos, cocinas o habitaciones de hotel. Cada imagen está anotada por categoría, lo que permite entrenar modelos de reconocimiento contextual en ambientes interiores.
¿Para qué sirve este conjunto de datos?
- Entrene modelos de clasificación de imágenes para aplicaciones interiores
- Probando la solidez de las redes neuronales convolucionales (CNN) en escenas complejas
- Desarrolle herramientas de navegación o detección para robots o sistemas integrados
¿Se puede enriquecer o mejorar?
Sí. Puedes añadir metadatos adicionales (como el brillo, la orientación o los objetos detectados) o combinar este conjunto de datos con otros conjuntos de escenas domésticas. También es posible mejorar el equilibrio de las clases o aumentar los datos para enriquecer el aprendizaje.
🔎 En resumen
🧠 Recomendado para
- Estudiantes de visión artificial
- Proyectos de robótica
- Entrenamiento de CNN
🔧 Herramientas compatibles
- PyTorch
- TensorFlow
- Keras
- OpenCV
💡 Consejo
Usa el desglose por categorías para crear un punto de referencia personalizado o probar algoritmos de aprendizaje de pocos pasos.
Preguntas frecuentes
¿Se puede usar este conjunto de datos en proyectos comerciales?
Sí, siempre que se cumplan las condiciones de la licencia ODbL, incluida la atribución y el intercambio de derivados.
¿Hay anotaciones adicionales, como los objetos detectados?
No, las imágenes solo se clasifican por tipo de escena. Los datos se pueden enriquecer con anotaciones adicionales.
¿Es adecuado para el aprendizaje supervisado tradicional?
Sí, cada imagen está claramente asociada a una categoría, lo que facilita el entrenamiento de modelos de clasificación supervisados.
