iisc-aim/BMD-45
BMD-45: Bengaluru Mobility Dataset A large-scale CCTV vehicle detection benchmark for Indian urban traffic Dataset Summary BMD-45 is a large-scale, India-specific vehicle detection dataset captured from 3,679 operational CCTV cameras across Bengaluru — one of the world's most traffic-congested megacities. Statistic Value Total images 45,986 (1920×1080 RGB) Total annotations ≈ 481,947 bounding boxes Vehicle classes 14 fine-grained categories… See the full description on the dataset page: https://huggingface.co/datasets/iisc-aim/BMD-45.
Thành tựu nổi bật
Những danh hiệu mới nhất của dự án
#1 Repository Của Ngày
#1 Repository Của Ngày
#1 Repository Của Ngày
🚗 BMD-45: Bộ dữ liệu phát hiện xe từ CCTV đô thị ở Ấn Độ
Bộ dữ liệu lớn nhất về phát hiện xe từ CCTV tại Bengaluru, nắm bắt giao thông đông đúc và đa dạng.
BMD-45 (Bengaluru Mobility Dataset) là một bộ dữ liệu phát hiện xe quy mô lớn, chuyên cho giao thông đô thị ẉ Ấn Độ, được thu thập từ 3.679 camera CCTV hoạt động tại Bengaluru — một trong những thành phố tắc nghẽn giao thông nhất thế giới. Tập trung vào sự đa dạng góc nhìn camera và phân loại xe ẹt chi tiết theo tiêu chuẩn Ấn Độ, BMD-45 khác biệt so với các bộ dữ liệu trước đây như UA-DETRAC, TrafficCAM hay IDD.
✨ Điểm nổi bật
- Quy mô lớn: 45.986 ảnh RGB độ phân giải 1920×1080, chia thành tập train (35.792 ảnh) và val (10.194 ảnh).
- Số lượng annotation: khoảng 481.947 hộp giới hạn (bbox), với 375.003 ở tập train và 106.944 ở tập val.
- Phân loại chi tiết: 14 lớp xe bao gồm Hatchback, Sedan, SUV, MUV, Bus, Truck, Three-wheeler, Two-wheeler, LCV, Mini-bus, Tempo-traveller, Bicycle, Van, Other.
- Nguồn dữ liệu đa dạng: thu thập từ 3.679 camera an ninh thành phố tại Bengaluru.
- Định dạng COCO JSON: hỗ trợ tiêu chuẩn annotation rộng rãi sử dụng trong thị trường.
- Quy trình chú thích phức tạp: kết hợp pre-annotation bằng mô hình RT-DETR v2-X và kiểm chứng bởi hơn 550 tình nguyện viên thông qua giao diện gamified.
- Tính khó khăn cao: lọc khung hình bằng tiêu chí đa dạng không gian thời gian và điểm số khó khăn để tập trung vào những trường hợp thử thách.
💡 Vì sao đáng chú ý
BMD-45 khắc phục những hạn chế về quy mô, đa dạng góc nhìn camera và phân loại xe cụ thể theo tiêu chuẩn Ấn Độ — những yếu tố thiếu hụt trong các bộ dữ liệu cố định trước đây. Dữ liệu được thu thập từ giao thông đông đúc, phức tạp và không có cấu trúc đặc trưng của môi trường đô thị ẉ Ấn Độ, giúp cải thiện hiệu suất mô hình trong các tình huống thực tế.
#ObjectDetection #VehicleDetection #CCTV #India #UrbanMobility #TiniX
Dự án tương tự
Khám phá các dự án và mô hình AI khác có sự tương đồng.
ArXiv | Models Models trained on UVH-26 deliver up to 31.5% higher mAP than COCO-pretrained baselines, demonstrating significant gains in real-world performance for Indian traffic scenarios. Dataset Card for UVH-26 (Urban Vision Hackathon Dataset) Dataset Summary UVH-26 is a large-scale, India-specific traffic-camera image dataset released by AIM @ IISc for research in intelligent transportation systems and… See the full description on the dataset page: https://huggingface.co/datasets/iisc-aim/UVH-26.
BMD-45: Bengaluru Mobility Dataset A large-scale CCTV vehicle detection benchmark for Indian urban traffic Dataset Summary BMD-45 is a large-scale, India-specific vehicle detection dataset captured from 3,679 operational CCTV cameras across Bengaluru — one of the world's most traffic-congested megacities. Statistic Value Total images 45,986 (1920×1080 RGB) Total annotations ≈ 481,947 bounding boxes Vehicle classes 14 fine-grained categories… See the full description on the dataset page: https://huggingface.co/datasets/weizhiweide1/BMD-45.
Dataset Card for Car Images Dataset Dataset Description This dataset contains a collection of car images designed to support tasks such as image classification, car detection, and autonomous driving research. The images feature cars in various settings, including streets and other environments, captured to provide diverse training data for computer vision models. The dataset aims to enable the development and benchmarking of models that can: Identify… See the full description on the dataset page: https://huggingface.co/datasets/HumynLabs/car-images.
a.k.a. Awesome ChatGPT Prompts This is a Dataset Repository mirror of prompts.chat — a social platform for AI prompts. 📢 Notice This Hugging Face dataset is a mirror. For the latest prompts, features, and community contributions, please visit: 🌐 Website: prompts.chat 📦 GitHub: github.com/f/awesome-chatgpt-prompts About prompts.chat is an open-source platform where users can share, discover, and collect AI prompts from the community. The project can… See the full description on the dataset page: https://huggingface.co/datasets/fka/prompts.chat.
This dataset contains images used in the documentation of HuggingFace's libraries. HF Team: Please make sure you optimize the assets before uploading them. My favorite tool for this is https://tinypng.com/.
Negative Embedding This is a Negative Embedding trained with Counterfeit. Please use it in the "\stable-diffusion-webui\embeddings" folder.It can be used with other models, but the effectiveness is not certain. Counterfeit-V2.0.safetensors AbyssOrangeMix2_sfw.safetensors anything-v4.0-pruned.safetensors
[!NOTE] IMPORTANT: Please help us protect the integrity of this benchmark by not publicly sharing, re-uploading, or distributing the dataset. Humanity's Last Exam 🌐 Website | 📄 Paper | GitHub Center for AI Safety & Scale AI Humanity's Last Exam (HLE) is a multi-modal benchmark at the frontier of human knowledge, designed to be the final closed-ended academic benchmark of its kind with broad subject coverage. Humanity's Last Exam consists of 2,500 questions across dozens… See the full description on the dataset page: https://huggingface.co/datasets/cais/hle.
Agentic RL Environments RL training environments for LLM agents. Domain Task Family Verifier Code Software engineering Executable tests Cyber Vulnerability reproduction Rule checks General Knowledge work Rubric-based judging Visual Web development Visual grading Music Symbolic music composition Rule checks Docker images: https://hub.docker.com/r/xiaomimimo/mimo-v2.6-rl-oss Training code: https://github.com/XiaomiMiMo/verl
Negative Embedding / Textual Inversion Idea The idea behind this embedding was to somehow train the negative prompt as an embedding, thus unifying the basis of the negative prompt into one word or embedding. Side note: Embedding has proven to be very helpful for the generation of hands! :) Usage To use this embedding you have to download the file aswell as drop it into the "\stable-diffusion-webui\embeddings" folder. Please put the embedding in… See the full description on the dataset page: https://huggingface.co/datasets/Nerfgun3/bad_prompt.