2026 年 8 月 · 开源数据笔记做分割几乎都从 Cityscapes 下起下完才发现BDD 名字带 100K有分割标签的只有 10K*_color.png不能当监督SYNTHIA 的 13/16 类 mIoU 和 Cityscapes 19 类不能写在同一格。下面按任务和场景整理我核对过官网的集合只收带像素级或点级分割标注的。命令以 2026-08 仍能打开的入口为准404 时回到项目主页不要死磕旧直链。目录任务、指标、标签怎么选、有多大2D 语义分割CityscapesBDD100KMapillary VistasApolloScapeA2D2KITTI / CamVid / KITTI-360 / comma10k实例、全景、视频点云和多模态恶劣天气和域偏移合成数据车道、鱼眼、非结构化、越野、开集下载、许可、接到训练代码参考文献附录Cityscapes 19 类1. 任务、指标、标签语义、实例、全景不是三种画法是三种监督。标注格式和 Loss 对不上后面全白做。任务每个像素 / 点输出常用指标典型用途语义分割类别所有车都是carmIoU路面、天空、植被实例分割类别 实例 IDAP跟踪、避障全景分割stuff 用语义thing 用实例PQ完整场景视频全景 / MOTS再加跨帧跨相机IDSTQ、VPQ时序、跟踪分割LiDAR 语义 / 全景三维点类别mIoU、PQ夜间、测距、BEV车道 / 可行驶区域线或区域 maskF1、IoU横向控制Cityscapes 的 19 个评测类是默认协议。BDD100K、ACDC、GTA5、Foggy Cityscapes 都按它对齐换协议要在论文里写清楚。mIoU忽略255/ void式 (1) 语义分割 mIoU计算时忽略 void / 255PQIoU 0.5 才算匹配[17]式 (2) 全景分割 PQ匹配要求 IoU 0.5 [17]视频全景还要算时序关联单帧 PQ 代替不了 STQ。异常分割看 AuPRC / FPR95和 mIoU 不是一回事。文件是什么训练时*_gtFine_labelIds.pngCityscapes 0–33 的官方 ID不要直接当 19 类目标*_labelTrainIds.png0–18255 ignoreMMSeg 默认吃这个*_color.png伪彩可视化不能算 CrossEntropy*_instanceIds.pngCityscapeslabelId * 1000 instIdstuff 常为 labelId16-bit存 JPEG 就坏了BDD bitmask通道里塞类别和实例格式见 BDD 文档COCO panoptic JSON PNGDetectron2 / Mask2Former和单通道 ID 图不是一种东西SemanticKITTI.label低 16 位语义高 16 位实例和.bin逐点对齐Cityscapes 19 类颜色trainId数值见文末附录2. 怎么选、有多大先定任务和域再看谁更大。你要做的事先下这个不够再加复现论文、对榜Cityscapes 精标KITTI SemSeg 只有 200 张只够冒烟天气、昼夜BDD100K 10kACDC、WildDash全球细类、杂设备Mapillary Vistas v2—中国城市、大分辨率ApolloScape—非结构化混合交通IDD—雨雾雪夜ACDCFoggy Cityscapes、Dark Zurich合成预训 / UDAGTA5 或 SYNTHIASHIFT、VIPER点云语义SemanticKITTISemanticPOSS相机 激光 雷达nuScenes 或 A2D2Waymo跨帧跨相机实例Waymo PVPSKITTI-STEP鱼眼 / 泊车WoodScapeA2D2 环视越野RELLIS-3D、RUGDORFD开集障碍Fishyscapes、LostAndFoundRoadAnomaly21磁盘紧、先跑通代码CamVid、nuScenes mini—分割常用子集的体量CamVid / KITTI 语义 / comma10k 小于 5 GBCityscapes 精标、BDD 10k、ACDC、IDD、GTA5 大约 5–30 GBMapillary、SemanticKITTI、KITTI-360 的 2D 部分到 150 GBnuScenes / A2D2 / Waymo / Apollo 全套是几百 GB 到数 TB。不要为了训 SemSeg 去下 BDD 视频或 nuScenes 的全部 sweep。下面这张表只列带分割监督、引用多的集合。测试集真值大多不公开分数要交官方服务器。数据集年任务规模类域入口CamVid2008语义70132 / 常用 11剑桥主页KITTI SemSeg2018语义实例20020019卡尔斯鲁厄评测页Cityscapes2016语义实例全景5k 精 20k 粗评测 19欧陆 50 城cityscapes-dataset.comMapillary Vistas2017语义实例25k66 / v2 为 124六大洲VistasBDD100K2018语义实例全景车道分割 10k19纽约、湾区天气昼夜下载文档ApolloScape2018场景解析车道约 14.7 万帧25中国多城apolloscape.autoIDD2019语义实例10k34四级印度IDDA2D22020语义实例3D 框4.1 万标帧38德国6 相机 5 激光GitHub PagesACDC2021语义实例全景5509 精标19雾/夜/雨/雪acdc.vision.ee.ethz.chWildDash 22020语义4k兼容 CS长尾、脏镜头wilddash.ccKITTI-36020222D/3D 语义实例32 万图 / 10 万扫描标注 37 / 评测 1973.7 kmKITTI-360SemanticKITTI2019点云语义全景4.3 万扫描标注 28 / 单帧评测 19KITTI 里程计semantic-kitti.orgnuScenes-lidarseg2020点云语义全景4 万关键帧32波士顿、新加坡nuscenes.orgnuImages20202D 语义实例9.3 万23同 nuScenesnuImagesWaymo PVPS2022环视视频全景10 万图 / 2860 段28美三城5 相机waymo.com/openGTA52016合成语义2496619GTA VvisinfSYNTHIA2016合成语义RAND-CS 约 9.4k13 或 16Unitysynthia-dataset.netSHIFT2022多任务合成连续域偏移多任务CARLASHIFTVIPER2017语义光流位姿25 万帧32GTA V 视频playing-for-benchmarks.orgWoodScape2019鱼眼语义实例每任务约 8k–10k40Valeo 四鱼眼GitHubcomma10k2020实用语义10k控制向少数类通勤前视comma10kRELLIS-3D2020越野图点云6235 图 / 13556 扫描20德州越野GitHubRUGD2019越野语义7k24非结构化地面RUGDFishyscapes2019异常分割基于 CS / LostAndFound开集OODfishyscapes.com3. 2D 语义分割CityscapesCordts 等CVPR 2016 [1]。到现在还是默认对照集。立体相机左图leftImg8bit2048×1024精标 train/val/test 2975/500/1525另有约 2 万张粗标。30 类定义评测用 19 类。白天、春夏秋几乎没有夜晚和暴雨。须注册默认非商用。语义最低只要两个包文件大约packageIDmd5gtFine_trainvaltest.zip241 MB14237c19de34c8a376e9ba46b495d6f66leftImg8bit_trainvaltest.zip11 GB30a6e97e94b616a514066c9e2adb0c97f常用扩展gtCoarseID2、leftImg8bit_trainextraID4约 44 GB、序列帧leftImg8bit_sequence标注帧是 30 帧片段里的第 20 帧前面 19、后面 10。注册后在 Downloads 拉或wget --keep-session-cookies --save-cookiescookies.txt \ --post-data [email protected]passwordYOUR_PASSWORDsubmitLogin \ --delete-after [https://www.cityscapes-dataset.com/login/](https://www.cityscapes-dataset.com/login/) wget -c -t 0 --load-cookies cookies.txt --content-disposition \ [https://www.cityscapes-dataset.com/file-handling/?packageID1](https://www.cityscapes-dataset.com/file-handling/?packageID1) wget -c -t 0 --load-cookies cookies.txt --content-disposition \ [https://www.cityscapes-dataset.com/file-handling/?packageID3](https://www.cityscapes-dataset.com/file-handling/?packageID3)账号密码不要写进仓库。解压后应是cityscapes/ ├── leftImg8bit/{train,val,test}/city/*_leftImg8bit.png └── gtFine/{train,val,test}/city/ *_gtFine_labelIds.png *_gtFine_instanceIds.png *_gtFine_color.png *_gtFine_polygons.jsonpip install cityscapesscripts export CITYSCAPES_DATASET/data/cityscapes csCreateTrainIdLabelImgs国内镜像可查 OpenDataLab许可证不因镜像而改变。BDD100KYu 等CVPR 2020 [2]。100k 视频里抽帧做检测和车道语义 / 实例 / 全景只标了 10k7k/1k/2k约 1280×72019 类。天气和昼夜比 Cityscapes 全得多。# 文件名以 [https://doc.bdd100k.com/download.html](https://doc.bdd100k.com/download.html) 为准 # ETH 目录[https://dl.cv.ethz.ch/bdd100k/data/](https://dl.cv.ethz.ch/bdd100k/data/) wget -c [https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_images_10k.zip](https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_images_10k.zip) wget -c [https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_sem_seg_labels_trainval.zip](https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_sem_seg_labels_trainval.zip) # 需要实例 / 全景再下这两个 wget -c [https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_ins_seg_labels_trainval.zip](https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_ins_seg_labels_trainval.zip) wget -c [https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_pan_seg_labels_trainval.zip](https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_pan_seg_labels_trainval.zip)10k 图像文档里写过 md508f26aecceda982568063d3d5873378e。目录bdd100k/images/10k/{train,val,test}/ bdd100k/labels/sem_seg/masks/{train,val}/车道和可行驶区域用的是100k 图像不是这 10k。Mapillary VistasNeuhold 等ICCV 2017 [3]。众包街景手机到车载都有。v1.2 为 66 类 / 37 个实例类v2.0 扩到 124 / 70。划分 18k/2k/5k大约 20–30 GB。申请页现由 Meta 维护条款以页面为准长期是非商用。包里的config.json有类别和颜色。网上的 HF 镜像代替不了官方授权。ApolloScape百度 Apollo [4]。场景解析大约 14.7 万帧分辨率到 3384×2710 量级约 25 类另有车道和三维语义。国内车流和标线比 Cityscapes 密。入口 apolloscape.autoCDN 按路段打包aria2c -x 16 -s 16 -c [https://ad-apolloscape.cdn.bcebos.com/road01_ins.tar.gz](https://ad-apolloscape.cdn.bcebos.com/road01_ins.tar.gz)文件名以官网当前列表为准。社区有一份 aria2 清单下载前对照一遍。A2D2AudiarXiv:2004.06320 [5]。6×2.3MP 相机 5 个 16 线激光已对好时间和外参。41,277 张非连续帧有语义和实例38 类其中 12,497 张带前视范围内的 3D 框另有 392,556 帧连续序列无语义标注含配准深度。总线里有方向盘、油门、IMU。许可证是 CC BY-ND 4.0可商用不能把改过的数据再分发。官网现在推荐无需 AWS 账号aws s3 ls --no-sign-request s3://audi-autonomous-driving-dataset/ # 旧版整包 tar 仍在 s3://aev-autonomous-driving-dataset/文件列表以 a2d2-dataset.github.io 为准体积很大先列目录再下子集。KITTI SemSeg、CamVid、KITTI-360、comma10kKITTI 语义 [8] 只有约 200/200类别往 Cityscapes 靠只够测流水线评测页CamVid 701 张原 32 类论文里常用 11 类wget -c [https://s3.amazonaws.com/fast-ai-imagelocal/camvid.tgz](https://s3.amazonaws.com/fast-ai-imagelocal/camvid.tgz)KITTI-360 [9] 是 73.7 km 连续跑约 32 万图、10 万扫描三维图元投影到图像2D/3D 标签一致。标注 37 类24 个 instance 13 个 stuff评测与 Cityscapes 对齐为 19 类。透视训练图大约 128 GB注册后用官网脚本分块下下载页pip install git[https://github.com/autonomousvision/kitti360Scripts.git](https://github.com/autonomousvision/kitti360Scripts.git) export KITTI360_DATASET/data/KITTI-360comma10k 把类压到路、线、不可行驶、可移动物、自车这种控制向标签不追求 19 类 mIoUGitHub4. 实例、全景、视频同一批图往往三种标签都有缺哪个补哪个包。语义实例全景Cityscapes✓✓csCreatePanopticImgsBDD 10k✓✓✓Mapillary / ACDC / IDD✓✓可转nuImages✓✓可转约 9.3 万张csCreatePanopticImgs --dataset-folder /data/cityscapes \ --output-folder /data/cityscapes/gtFine_panopticnuImages 是 nuScenes 的二维分割/检测集不是 lidarseg。[https://www.nuscenes.org/nuimages](https://www.nuscenes.org/nuimages)单帧 mIoU 高连续帧照样会闪。视频全景要 ID 跨帧稳定环视还要跨相机。Cityscapes 序列包leftImg8bit_sequence每段 30 帧第 20 帧有精标视频全景另需 Cityscapes-VPS 标注。KITTI-STEP评测页Waymo PVPS [12]5 相机、28 类、约 10 万图、2860 段ID 跨相机且跨时间。下载走 waymo.com/open 当前文档需同意许可路径以官网为准。BDD MOTS 2020 看下载页的seg_track_20。DriveSegMIT-IBM是连续视频逐帧语义适合看闪不闪。5. 点云和多模态图像夜里和强光会挂点云补测距。不少工作把点云投成球面/柱面后面仍是 2D 分割网络。SemanticKITTI [10]给 KITTI 里程计全序列打了点级标签共 28 类含移动/静止区分单帧语义评测合并后为 19 类。划分 23,201 / 20,351。激光是 Velodyne HDL-64E。# 点云和标定[https://www.cvlibs.net/datasets/kitti/eval_odometry.php](https://www.cvlibs.net/datasets/kitti/eval_odometry.php) # data_odometry_velodyne.zip约 80 GB data_odometry_calib.zip wget -c [http://www.semantic-kitti.org/assets/data_odometry_labels.zip](http://www.semantic-kitti.org/assets/data_odometry_labels.zip)必须拼成sequences/00/velodyne/*.bin与labels/*.label对齐外加calib.txt、poses.txt。nuScenes-lidarseg[11]1000 个 20 秒场景波士顿 新加坡6 相机 32 线 5 雷达32 类约 4 万关键帧。先下 mini 看目录wget -c [https://www.nuscenes.org/data/v1.0-mini.tgz](https://www.nuscenes.org/data/v1.0-mini.tgz) wget -c [https://www.nuscenes.org/data/nuScenes-lidarseg-mini-v1.0.tar.bz2](https://www.nuscenes.org/data/nuScenes-lidarseg-mini-v1.0.tar.bz2) mkdir -p /data/sets/nuscenes tar -xf v1.0-mini.tgz -C /data/sets/nuscenes tar -xf nuScenes-lidarseg-mini-v1.0.tar.bz2 -C /data/sets/nuscenes pip install nuscenes-devkit全量把samples/、sweeps/、maps/、v1.0-trainval/、lidarseg/、panoptic/解到同一根目录别互相覆盖。只有关键帧有 lidarsegsweep 不能套关键帧标签。其余PandaSetHesai 64 线、SemanticPOSS校园、人多、ScribbleKITTI涂鸦弱监督。A2D2 和 KITTI-360 的图像标签可以投到已配准的激光上。6. 恶劣天气和域偏移只在 Cityscapes 上拟合等于只认德国晴天。ACDC [6] 按 Cityscapes 19 类精标可直接做 normal→adverse。雾 / 夜 / 雨 / 雪大约各 1000 张另有对应晴天参考图合计 5509 张有全景级标注恶劣图还带不确定区域 mask。每条件大致 400/100/500夜间 val 106。[https://acdc.vision.ee.ethz.ch](https://acdc.vision.ee.ethz.ch)更小、更偏的Dark Zurich夜间精标 201 张 大量无标、Nighttime Driving50 张、Foggy Cityscapes在 CS 上渲染三级雾标签复用 gtFine下载、Foggy Zurich / Foggy Driving、Raincouver。WildDash 专门收过曝、脏镜头、畸变、罕见物适合当压力测试不宜当唯一训练集。[https://wilddash.cc/](https://wilddash.cc/)7. 合成数据标签不要钱域差在纹理和光学。常见协议是 GTA5 / SYNTHIA → Cityscapes / BDD / ACDC。GTA5Playing for Data[13]24,966 张约 1914×1052映射到 19 类。研究用途还要遵守游戏发行条款。图像和标签各 10 个 part[https://download.visinf.tu-darmstadt.de/data/from_games/](https://download.visinf.tu-darmstadt.de/data/from_games/)SYNTHIA [14]UDA 里最常用 RAND-CITYSCAPES约 9,400 张。和 Cityscapes 重叠 13 或 16 类混报 19 类 mIoU 会对不上。标签经常是 16-bit PNG。wget --no-check-certificate [http://synthia-dataset.cvc.uab.cat/SYNTHIA_RAND_CITYSCAPES.rar](http://synthia-dataset.cvc.uab.cat/SYNTHIA_RAND_CITYSCAPES.rar) unrar x SYNTHIA_RAND_CITYSCAPES.rarVIPER 是 GTA V 视频语义光流位姿约 25 万帧。SHIFT 用 CARLA 做连续域偏移天气、时刻、密度见 SHIFT。自己刷数据可以直接上 CARLA。8. 车道、鱼眼、非结构化、越野、开集车道论文多用关键点或多项式要按分割训用 BDD / Apollo / Mapillary 的像素标签。# 图像用 BDD 100k不是 10k wget -c [https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_drivable_labels_trainval.zip](https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_drivable_labels_trainval.zip) wget -c [https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_lane_labels_trainval.zip](https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_lane_labels_trainval.zip)可行驶三类本车道 / 其他可行驶 / 背景。Apollo 车道包名类似road02_ins_lane.tar.gz。CULane、TuSimple、OpenLane 是检测/3D 车道不是稠密 SemSeg 榜。WoodScape [15] 是 Valeo 四路鱼眼还有深度和镜头脏污。针孔 Cityscapes 权重直接上环视边缘会很难看。申请[https://github.com/valeoai/WoodScape](https://github.com/valeoai/WoodScape)IDD [7]10,004 张、182 段、34 类四级层级可塌成 7/16/26有三轮车、动物、drivable fallback。目录仿 Cityscapes。[https://idd.insaan.iiit.ac.in/dataset/download/](https://idd.insaan.iiit.ac.in/dataset/download/)Kaggle 上别人转好的 mask 只能练手正式实验用官方 JSON。中国公开的稠密分割仍然主要是 ApolloScape。D²-City 以检测/跟踪为主有没有分割看当年条款。模态规模入口RELLIS-3D [16]RGB LiDAR6235 / 1355620 类GitHubRUGDRGB7k24 类主页ORFD越野可行驶—GitHub 搜 ORFD城里训的模型零样本到越野基本不能用。开集看的是没见过的掉落物、隔离桶指标是异常像素的 TPR/FPR不是 mIoU。LostAndFound路上小障碍成像接近 CS、Fishyscapes、RoadAnomaly21、StreetHazardsCARLA。LostAndFound主页9. 下载、许可、接到训练代码注册 → 只下要用的子集 →wget -c/aria2/gsutil→ md5 → 按官方目录解压 → 转trainIds或 COCO panoptic。aria2c -x 16 -s 16 -c -o data.zip URL md5sum data.zip官方源用于写论文和交榜。OpenDataLab 国内带宽好一些原协议仍在。Hugging Face 上要先确认是不是官方授权。Cityscapes / KITTI / Waymo / nuScenes不要把需登录的包传到网盘群里。常见限制以官网 TOS 为准Cityscapes、KITTI、SemanticKITTI非商用禁止再分发Mapillary Vistas非商用、署名、相同方式共享BDD100K自有许可研究可用A2D2CC BY-ND 4.0可商用不能改编后再分发数据Waymo、nuScenes注册禁止用于监视等商用另议GTA5、VIPER游戏素材仅研究ApolloScapeApollo 开放数据条款2D 集接到 MMSeg最后都是leftImg8bitgtFine或imagesannotations见 数据准备文档。Detectron2 走 COCO panoptic。from torchvision.datasets import Cityscapes from torchvision.transforms import ToTensor ds Cityscapes(/data/cityscapes, splitval, modefine, target_typesemantic, transformToTensor()) img, mask ds[0] # mask 是 labelIds先转 trainIds 再进 LosslabelId → trainId不要手抄一半用cityscapesscripts.helpers.labels或直接读生成好的*_labelTrainIds.png。磁盘紧的话先 Cityscapes 精标再 BDD 10k再在 ACDC 和 GTA5 里按课题二选一点云用 SemanticKITTI 或 nuScenes mini。刷 CS 榜精标 ImageNet/Mapillary 预训练UDA 再加 GTA5 或 SYNTHIA。想覆盖真实驾驶CS BDD 10k ACDC目标地区再加 IDD 或 Apollo。环视泊车不要只训针孔。越野用 RELLIS RUGD。开集在主模型外加 Fishyscapes / LostAndFound。实际栽过的labelIds或*_color.png直接算 19 类 CESYNTHIA 13/16 类和 CS 19 类写在同一张表分割下成 BDD 100k用非官方 test 真值CS / ACDC / KITTI2048×1024 和 1280×720 随便 resize细杆和灯没了鱼眼不处理畸变套针孔预训练16-bit instance 图存成 JPEGnuScenes 非关键帧点云套了 lidarseg参考文献[1] Cordts M, Omran M, Ramos S, et al. The Cityscapes Dataset for Semantic Urban Scene Understanding[C]//CVPR, 2016. Cityscapes Dataset – Semantic Understanding of Urban Street Scenes[2] Yu F, Chen H, Wang X, et al. BDD100K: A Diverse Driving Dataset for Heterogeneous Multitask Learning[C]//CVPR, 2020. https://doc.bdd100k.com/[3] Neuhold G, Ollmann T, Rota Bulò S, et al. The Mapillary Vistas Dataset for Semantic Understanding of Street Scenes[C]//ICCV, 2017. https://www.mapillary.com/dataset/vistas[4] Huang X, Cheng X, Geng Q, et al. The ApolloScape Dataset for Autonomous Driving[J]. arXiv:1803.06184, 2018. http://apolloscape.auto/[5] Geyer J, Kassahun Y, Mahmudi M, et al. A2D2: Audi Autonomous Driving Dataset[J]. arXiv:2004.06320, 2020. A2D2: Audi Autonomous Driving Dataset[6] Sakaridis C, Dai D, Van Gool L. ACDC: The Adverse Conditions Dataset with Correspondences for Robust Semantic Driving Scene Perception[J]. arXiv:2104.13395. ACDC Dataset[7] Varma G, Subramanian A, Namboodiri A, et al. IDD: A Dataset for Exploring Problems of Autonomous Navigation in Unstructured Environments[C]//WACV, 2019. IDD[8] Geiger A, Lenz P, Urtasun R. Are we ready for Autonomous Driving? The KITTI Vision Benchmark Suite[C]//CVPR, 2012. The KITTI Vision Benchmark Suite[9] Liao Y, Xie J, Geiger A. KITTI-360: A Novel Dataset and Benchmarks for Urban Scene Understanding in 2D and 3D[J]. IEEE TPAMI, 2022. KITTI-360[10] Behley J, Garbade M, Milioto A, et al. SemanticKITTI: A Dataset for Semantic Scene Understanding of LiDAR Sequences[C]//ICCV, 2019. SemanticKITTI - A Dataset for LiDAR-based Semantic Scene Understanding[11] Caesar H, Bankiti V, Lang A H, et al. nuScenes: A Multimodal Dataset for Autonomous Driving[C]//CVPR, 2020. https://www.nuscenes.org/[12] Mei J, Zhu A Z, Yan X, et al. Waymo Open Dataset: Panoramic Video Panoptic Segmentation[C]//ECCV, 2022. https://waymo.com/open[13] Richter S R, Vineet V, Roth S, et al. Playing for Data: Ground Truth from Computer Games[C]//ECCV, 2016. Playing for Data: Ground Truth from Computer Games[14] Ros G, Sellart L, Materzynska J, et al. The SYNTHIA Dataset: A Large Collection of Synthetic Images for Semantic Segmentation of Urban Scenes[C]//CVPR, 2016. The SYNTHIA dataset[15] Yogamani S, Hughes C, Horgan J, et al. WoodScape: A Multi-Task, Multi-Camera Fisheye Dataset for Autonomous Driving[C]//ICCV, 2019. GitHub - valeoai/WoodScape: The repository containing tools and information about the WoodScape dataset. · GitHub[16] Jiang P, Osteen P, Wigness M, et al. RELLIS-3D Dataset: Data, Benchmarks and Analysis[J]. arXiv:2011.12954, 2020. GitHub - unmannedlab/RELLIS-3D: RELLIS-3D: A Multi-modal Dataset for Off-Road Robotics · GitHub[17] Kirillov A, He K, Girshick R, et al. Panoptic Segmentation[C]//CVPR, 2019.[18] Sun T, Segu M, Postels J, et al. SHIFT: A Synthetic Driving Dataset for Continuous Multi-Task Domain Adaptation[C]//CVPR, 2022. https://www.vis.xyz/shift/[19] Blum H, Sarlin P E, Nieto J, et al. The Fishyscapes Benchmark: Measuring Blind Spots in Semantic Segmentation[J]. IJCV, 2021. The Fishyscapes Benchmark - The Fishyscapes Benchmark[20] Zendel O, Honauer K, Murschitz M, et al. WildDash — Creating Hazard-Aware Benchmarks[C]//ECCV, 2018. WildDash 2 BenchmarkMMSeg 数据准备Tutorial 2: Prepare datasets — MMSegmentation 1.2.2 documentationnuScenes lidarseg 教程nuscenes_lidarseg_panoptic_tutorial附录 Cityscapes 19 类 trainIdtrainId类R,G,B0road128, 64, 1281sidewalk244, 35, 2322building70, 70, 703wall102, 102, 1564fence190, 153, 1535pole153, 153, 1536traffic light250, 170, 307traffic sign220, 220, 08vegetation107, 142, 359terrain152, 251, 15210sky70, 130, 18011person220, 20, 6012rider255, 0, 013car0, 0, 14214truck0, 0, 7015bus0, 60, 10016train0, 80, 10017motorcycle0, 0, 23018bicycle119, 11, 32255ignore0, 0, 0配图为示意。数据许可以各数据集官方条款为准。 自动驾驶图像分割开源数据集指南（2026）
2026 年 8 月 · 开源数据笔记做分割几乎都从 Cityscapes 下起下完才发现BDD 名字带 100K有分割标签的只有 10K*_color.png不能当监督SYNTHIA 的 13/16 类 mIoU 和 Cityscapes 19 类不能写在同一格。下面按任务和场景整理我核对过官网的集合只收带像素级或点级分割标注的。命令以 2026-08 仍能打开的入口为准404 时回到项目主页不要死磕旧直链。目录任务、指标、标签怎么选、有多大2D 语义分割CityscapesBDD100KMapillary VistasApolloScapeA2D2KITTI / CamVid / KITTI-360 / comma10k实例、全景、视频点云和多模态恶劣天气和域偏移合成数据车道、鱼眼、非结构化、越野、开集下载、许可、接到训练代码参考文献附录Cityscapes 19 类1. 任务、指标、标签语义、实例、全景不是三种画法是三种监督。标注格式和 Loss 对不上后面全白做。任务每个像素 / 点输出常用指标典型用途语义分割类别所有车都是carmIoU路面、天空、植被实例分割类别 实例 IDAP跟踪、避障全景分割stuff 用语义thing 用实例PQ完整场景视频全景 / MOTS再加跨帧跨相机IDSTQ、VPQ时序、跟踪分割LiDAR 语义 / 全景三维点类别mIoU、PQ夜间、测距、BEV车道 / 可行驶区域线或区域 maskF1、IoU横向控制Cityscapes 的 19 个评测类是默认协议。BDD100K、ACDC、GTA5、Foggy Cityscapes 都按它对齐换协议要在论文里写清楚。mIoU忽略255/ void式 (1) 语义分割 mIoU计算时忽略 void / 255PQIoU 0.5 才算匹配[17]式 (2) 全景分割 PQ匹配要求 IoU 0.5 [17]视频全景还要算时序关联单帧 PQ 代替不了 STQ。异常分割看 AuPRC / FPR95和 mIoU 不是一回事。文件是什么训练时*_gtFine_labelIds.pngCityscapes 0–33 的官方 ID不要直接当 19 类目标*_labelTrainIds.png0–18255 ignoreMMSeg 默认吃这个*_color.png伪彩可视化不能算 CrossEntropy*_instanceIds.pngCityscapeslabelId * 1000 instIdstuff 常为 labelId16-bit存 JPEG 就坏了BDD bitmask通道里塞类别和实例格式见 BDD 文档COCO panoptic JSON PNGDetectron2 / Mask2Former和单通道 ID 图不是一种东西SemanticKITTI.label低 16 位语义高 16 位实例和.bin逐点对齐Cityscapes 19 类颜色trainId数值见文末附录2. 怎么选、有多大先定任务和域再看谁更大。你要做的事先下这个不够再加复现论文、对榜Cityscapes 精标KITTI SemSeg 只有 200 张只够冒烟天气、昼夜BDD100K 10kACDC、WildDash全球细类、杂设备Mapillary Vistas v2—中国城市、大分辨率ApolloScape—非结构化混合交通IDD—雨雾雪夜ACDCFoggy Cityscapes、Dark Zurich合成预训 / UDAGTA5 或 SYNTHIASHIFT、VIPER点云语义SemanticKITTISemanticPOSS相机 激光 雷达nuScenes 或 A2D2Waymo跨帧跨相机实例Waymo PVPSKITTI-STEP鱼眼 / 泊车WoodScapeA2D2 环视越野RELLIS-3D、RUGDORFD开集障碍Fishyscapes、LostAndFoundRoadAnomaly21磁盘紧、先跑通代码CamVid、nuScenes mini—分割常用子集的体量CamVid / KITTI 语义 / comma10k 小于 5 GBCityscapes 精标、BDD 10k、ACDC、IDD、GTA5 大约 5–30 GBMapillary、SemanticKITTI、KITTI-360 的 2D 部分到 150 GBnuScenes / A2D2 / Waymo / Apollo 全套是几百 GB 到数 TB。不要为了训 SemSeg 去下 BDD 视频或 nuScenes 的全部 sweep。下面这张表只列带分割监督、引用多的集合。测试集真值大多不公开分数要交官方服务器。数据集年任务规模类域入口CamVid2008语义70132 / 常用 11剑桥主页KITTI SemSeg2018语义实例20020019卡尔斯鲁厄评测页Cityscapes2016语义实例全景5k 精 20k 粗评测 19欧陆 50 城cityscapes-dataset.comMapillary Vistas2017语义实例25k66 / v2 为 124六大洲VistasBDD100K2018语义实例全景车道分割 10k19纽约、湾区天气昼夜下载文档ApolloScape2018场景解析车道约 14.7 万帧25中国多城apolloscape.autoIDD2019语义实例10k34四级印度IDDA2D22020语义实例3D 框4.1 万标帧38德国6 相机 5 激光GitHub PagesACDC2021语义实例全景5509 精标19雾/夜/雨/雪acdc.vision.ee.ethz.chWildDash 22020语义4k兼容 CS长尾、脏镜头wilddash.ccKITTI-36020222D/3D 语义实例32 万图 / 10 万扫描标注 37 / 评测 1973.7 kmKITTI-360SemanticKITTI2019点云语义全景4.3 万扫描标注 28 / 单帧评测 19KITTI 里程计semantic-kitti.orgnuScenes-lidarseg2020点云语义全景4 万关键帧32波士顿、新加坡nuscenes.orgnuImages20202D 语义实例9.3 万23同 nuScenesnuImagesWaymo PVPS2022环视视频全景10 万图 / 2860 段28美三城5 相机waymo.com/openGTA52016合成语义2496619GTA VvisinfSYNTHIA2016合成语义RAND-CS 约 9.4k13 或 16Unitysynthia-dataset.netSHIFT2022多任务合成连续域偏移多任务CARLASHIFTVIPER2017语义光流位姿25 万帧32GTA V 视频playing-for-benchmarks.orgWoodScape2019鱼眼语义实例每任务约 8k–10k40Valeo 四鱼眼GitHubcomma10k2020实用语义10k控制向少数类通勤前视comma10kRELLIS-3D2020越野图点云6235 图 / 13556 扫描20德州越野GitHubRUGD2019越野语义7k24非结构化地面RUGDFishyscapes2019异常分割基于 CS / LostAndFound开集OODfishyscapes.com3. 2D 语义分割CityscapesCordts 等CVPR 2016 [1]。到现在还是默认对照集。立体相机左图leftImg8bit2048×1024精标 train/val/test 2975/500/1525另有约 2 万张粗标。30 类定义评测用 19 类。白天、春夏秋几乎没有夜晚和暴雨。须注册默认非商用。语义最低只要两个包文件大约packageIDmd5gtFine_trainvaltest.zip241 MB14237c19de34c8a376e9ba46b495d6f66leftImg8bit_trainvaltest.zip11 GB30a6e97e94b616a514066c9e2adb0c97f常用扩展gtCoarseID2、leftImg8bit_trainextraID4约 44 GB、序列帧leftImg8bit_sequence标注帧是 30 帧片段里的第 20 帧前面 19、后面 10。注册后在 Downloads 拉或wget --keep-session-cookies --save-cookiescookies.txt \ --post-data [email protected]passwordYOUR_PASSWORDsubmitLogin \ --delete-after [https://www.cityscapes-dataset.com/login/](https://www.cityscapes-dataset.com/login/) wget -c -t 0 --load-cookies cookies.txt --content-disposition \ [https://www.cityscapes-dataset.com/file-handling/?packageID1](https://www.cityscapes-dataset.com/file-handling/?packageID1) wget -c -t 0 --load-cookies cookies.txt --content-disposition \ [https://www.cityscapes-dataset.com/file-handling/?packageID3](https://www.cityscapes-dataset.com/file-handling/?packageID3)账号密码不要写进仓库。解压后应是cityscapes/ ├── leftImg8bit/{train,val,test}/city/*_leftImg8bit.png └── gtFine/{train,val,test}/city/ *_gtFine_labelIds.png *_gtFine_instanceIds.png *_gtFine_color.png *_gtFine_polygons.jsonpip install cityscapesscripts export CITYSCAPES_DATASET/data/cityscapes csCreateTrainIdLabelImgs国内镜像可查 OpenDataLab许可证不因镜像而改变。BDD100KYu 等CVPR 2020 [2]。100k 视频里抽帧做检测和车道语义 / 实例 / 全景只标了 10k7k/1k/2k约 1280×72019 类。天气和昼夜比 Cityscapes 全得多。# 文件名以 [https://doc.bdd100k.com/download.html](https://doc.bdd100k.com/download.html) 为准 # ETH 目录[https://dl.cv.ethz.ch/bdd100k/data/](https://dl.cv.ethz.ch/bdd100k/data/) wget -c [https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_images_10k.zip](https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_images_10k.zip) wget -c [https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_sem_seg_labels_trainval.zip](https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_sem_seg_labels_trainval.zip) # 需要实例 / 全景再下这两个 wget -c [https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_ins_seg_labels_trainval.zip](https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_ins_seg_labels_trainval.zip) wget -c [https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_pan_seg_labels_trainval.zip](https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_pan_seg_labels_trainval.zip)10k 图像文档里写过 md508f26aecceda982568063d3d5873378e。目录bdd100k/images/10k/{train,val,test}/ bdd100k/labels/sem_seg/masks/{train,val}/车道和可行驶区域用的是100k 图像不是这 10k。Mapillary VistasNeuhold 等ICCV 2017 [3]。众包街景手机到车载都有。v1.2 为 66 类 / 37 个实例类v2.0 扩到 124 / 70。划分 18k/2k/5k大约 20–30 GB。申请页现由 Meta 维护条款以页面为准长期是非商用。包里的config.json有类别和颜色。网上的 HF 镜像代替不了官方授权。ApolloScape百度 Apollo [4]。场景解析大约 14.7 万帧分辨率到 3384×2710 量级约 25 类另有车道和三维语义。国内车流和标线比 Cityscapes 密。入口 apolloscape.autoCDN 按路段打包aria2c -x 16 -s 16 -c [https://ad-apolloscape.cdn.bcebos.com/road01_ins.tar.gz](https://ad-apolloscape.cdn.bcebos.com/road01_ins.tar.gz)文件名以官网当前列表为准。社区有一份 aria2 清单下载前对照一遍。A2D2AudiarXiv:2004.06320 [5]。6×2.3MP 相机 5 个 16 线激光已对好时间和外参。41,277 张非连续帧有语义和实例38 类其中 12,497 张带前视范围内的 3D 框另有 392,556 帧连续序列无语义标注含配准深度。总线里有方向盘、油门、IMU。许可证是 CC BY-ND 4.0可商用不能把改过的数据再分发。官网现在推荐无需 AWS 账号aws s3 ls --no-sign-request s3://audi-autonomous-driving-dataset/ # 旧版整包 tar 仍在 s3://aev-autonomous-driving-dataset/文件列表以 a2d2-dataset.github.io 为准体积很大先列目录再下子集。KITTI SemSeg、CamVid、KITTI-360、comma10kKITTI 语义 [8] 只有约 200/200类别往 Cityscapes 靠只够测流水线评测页CamVid 701 张原 32 类论文里常用 11 类wget -c [https://s3.amazonaws.com/fast-ai-imagelocal/camvid.tgz](https://s3.amazonaws.com/fast-ai-imagelocal/camvid.tgz)KITTI-360 [9] 是 73.7 km 连续跑约 32 万图、10 万扫描三维图元投影到图像2D/3D 标签一致。标注 37 类24 个 instance 13 个 stuff评测与 Cityscapes 对齐为 19 类。透视训练图大约 128 GB注册后用官网脚本分块下下载页pip install git[https://github.com/autonomousvision/kitti360Scripts.git](https://github.com/autonomousvision/kitti360Scripts.git) export KITTI360_DATASET/data/KITTI-360comma10k 把类压到路、线、不可行驶、可移动物、自车这种控制向标签不追求 19 类 mIoUGitHub4. 实例、全景、视频同一批图往往三种标签都有缺哪个补哪个包。语义实例全景Cityscapes✓✓csCreatePanopticImgsBDD 10k✓✓✓Mapillary / ACDC / IDD✓✓可转nuImages✓✓可转约 9.3 万张csCreatePanopticImgs --dataset-folder /data/cityscapes \ --output-folder /data/cityscapes/gtFine_panopticnuImages 是 nuScenes 的二维分割/检测集不是 lidarseg。[https://www.nuscenes.org/nuimages](https://www.nuscenes.org/nuimages)单帧 mIoU 高连续帧照样会闪。视频全景要 ID 跨帧稳定环视还要跨相机。Cityscapes 序列包leftImg8bit_sequence每段 30 帧第 20 帧有精标视频全景另需 Cityscapes-VPS 标注。KITTI-STEP评测页Waymo PVPS [12]5 相机、28 类、约 10 万图、2860 段ID 跨相机且跨时间。下载走 waymo.com/open 当前文档需同意许可路径以官网为准。BDD MOTS 2020 看下载页的seg_track_20。DriveSegMIT-IBM是连续视频逐帧语义适合看闪不闪。5. 点云和多模态图像夜里和强光会挂点云补测距。不少工作把点云投成球面/柱面后面仍是 2D 分割网络。SemanticKITTI [10]给 KITTI 里程计全序列打了点级标签共 28 类含移动/静止区分单帧语义评测合并后为 19 类。划分 23,201 / 20,351。激光是 Velodyne HDL-64E。# 点云和标定[https://www.cvlibs.net/datasets/kitti/eval_odometry.php](https://www.cvlibs.net/datasets/kitti/eval_odometry.php) # data_odometry_velodyne.zip约 80 GB data_odometry_calib.zip wget -c [http://www.semantic-kitti.org/assets/data_odometry_labels.zip](http://www.semantic-kitti.org/assets/data_odometry_labels.zip)必须拼成sequences/00/velodyne/*.bin与labels/*.label对齐外加calib.txt、poses.txt。nuScenes-lidarseg[11]1000 个 20 秒场景波士顿 新加坡6 相机 32 线 5 雷达32 类约 4 万关键帧。先下 mini 看目录wget -c [https://www.nuscenes.org/data/v1.0-mini.tgz](https://www.nuscenes.org/data/v1.0-mini.tgz) wget -c [https://www.nuscenes.org/data/nuScenes-lidarseg-mini-v1.0.tar.bz2](https://www.nuscenes.org/data/nuScenes-lidarseg-mini-v1.0.tar.bz2) mkdir -p /data/sets/nuscenes tar -xf v1.0-mini.tgz -C /data/sets/nuscenes tar -xf nuScenes-lidarseg-mini-v1.0.tar.bz2 -C /data/sets/nuscenes pip install nuscenes-devkit全量把samples/、sweeps/、maps/、v1.0-trainval/、lidarseg/、panoptic/解到同一根目录别互相覆盖。只有关键帧有 lidarsegsweep 不能套关键帧标签。其余PandaSetHesai 64 线、SemanticPOSS校园、人多、ScribbleKITTI涂鸦弱监督。A2D2 和 KITTI-360 的图像标签可以投到已配准的激光上。6. 恶劣天气和域偏移只在 Cityscapes 上拟合等于只认德国晴天。ACDC [6] 按 Cityscapes 19 类精标可直接做 normal→adverse。雾 / 夜 / 雨 / 雪大约各 1000 张另有对应晴天参考图合计 5509 张有全景级标注恶劣图还带不确定区域 mask。每条件大致 400/100/500夜间 val 106。[https://acdc.vision.ee.ethz.ch](https://acdc.vision.ee.ethz.ch)更小、更偏的Dark Zurich夜间精标 201 张 大量无标、Nighttime Driving50 张、Foggy Cityscapes在 CS 上渲染三级雾标签复用 gtFine下载、Foggy Zurich / Foggy Driving、Raincouver。WildDash 专门收过曝、脏镜头、畸变、罕见物适合当压力测试不宜当唯一训练集。[https://wilddash.cc/](https://wilddash.cc/)7. 合成数据标签不要钱域差在纹理和光学。常见协议是 GTA5 / SYNTHIA → Cityscapes / BDD / ACDC。GTA5Playing for Data[13]24,966 张约 1914×1052映射到 19 类。研究用途还要遵守游戏发行条款。图像和标签各 10 个 part[https://download.visinf.tu-darmstadt.de/data/from_games/](https://download.visinf.tu-darmstadt.de/data/from_games/)SYNTHIA [14]UDA 里最常用 RAND-CITYSCAPES约 9,400 张。和 Cityscapes 重叠 13 或 16 类混报 19 类 mIoU 会对不上。标签经常是 16-bit PNG。wget --no-check-certificate [http://synthia-dataset.cvc.uab.cat/SYNTHIA_RAND_CITYSCAPES.rar](http://synthia-dataset.cvc.uab.cat/SYNTHIA_RAND_CITYSCAPES.rar) unrar x SYNTHIA_RAND_CITYSCAPES.rarVIPER 是 GTA V 视频语义光流位姿约 25 万帧。SHIFT 用 CARLA 做连续域偏移天气、时刻、密度见 SHIFT。自己刷数据可以直接上 CARLA。8. 车道、鱼眼、非结构化、越野、开集车道论文多用关键点或多项式要按分割训用 BDD / Apollo / Mapillary 的像素标签。# 图像用 BDD 100k不是 10k wget -c [https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_drivable_labels_trainval.zip](https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_drivable_labels_trainval.zip) wget -c [https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_lane_labels_trainval.zip](https://bdd-data-storage-release.s3.us-west-2.amazonaws.com/bdd100k/2021/bdd100k_lane_labels_trainval.zip)可行驶三类本车道 / 其他可行驶 / 背景。Apollo 车道包名类似road02_ins_lane.tar.gz。CULane、TuSimple、OpenLane 是检测/3D 车道不是稠密 SemSeg 榜。WoodScape [15] 是 Valeo 四路鱼眼还有深度和镜头脏污。针孔 Cityscapes 权重直接上环视边缘会很难看。申请[https://github.com/valeoai/WoodScape](https://github.com/valeoai/WoodScape)IDD [7]10,004 张、182 段、34 类四级层级可塌成 7/16/26有三轮车、动物、drivable fallback。目录仿 Cityscapes。[https://idd.insaan.iiit.ac.in/dataset/download/](https://idd.insaan.iiit.ac.in/dataset/download/)Kaggle 上别人转好的 mask 只能练手正式实验用官方 JSON。中国公开的稠密分割仍然主要是 ApolloScape。D²-City 以检测/跟踪为主有没有分割看当年条款。模态规模入口RELLIS-3D [16]RGB LiDAR6235 / 1355620 类GitHubRUGDRGB7k24 类主页ORFD越野可行驶—GitHub 搜 ORFD城里训的模型零样本到越野基本不能用。开集看的是没见过的掉落物、隔离桶指标是异常像素的 TPR/FPR不是 mIoU。LostAndFound路上小障碍成像接近 CS、Fishyscapes、RoadAnomaly21、StreetHazardsCARLA。LostAndFound主页9. 下载、许可、接到训练代码注册 → 只下要用的子集 →wget -c/aria2/gsutil→ md5 → 按官方目录解压 → 转trainIds或 COCO panoptic。aria2c -x 16 -s 16 -c -o data.zip URL md5sum data.zip官方源用于写论文和交榜。OpenDataLab 国内带宽好一些原协议仍在。Hugging Face 上要先确认是不是官方授权。Cityscapes / KITTI / Waymo / nuScenes不要把需登录的包传到网盘群里。常见限制以官网 TOS 为准Cityscapes、KITTI、SemanticKITTI非商用禁止再分发Mapillary Vistas非商用、署名、相同方式共享BDD100K自有许可研究可用A2D2CC BY-ND 4.0可商用不能改编后再分发数据Waymo、nuScenes注册禁止用于监视等商用另议GTA5、VIPER游戏素材仅研究ApolloScapeApollo 开放数据条款2D 集接到 MMSeg最后都是leftImg8bitgtFine或imagesannotations见 数据准备文档。Detectron2 走 COCO panoptic。from torchvision.datasets import Cityscapes from torchvision.transforms import ToTensor ds Cityscapes(/data/cityscapes, splitval, modefine, target_typesemantic, transformToTensor()) img, mask ds[0] # mask 是 labelIds先转 trainIds 再进 LosslabelId → trainId不要手抄一半用cityscapesscripts.helpers.labels或直接读生成好的*_labelTrainIds.png。磁盘紧的话先 Cityscapes 精标再 BDD 10k再在 ACDC 和 GTA5 里按课题二选一点云用 SemanticKITTI 或 nuScenes mini。刷 CS 榜精标 ImageNet/Mapillary 预训练UDA 再加 GTA5 或 SYNTHIA。想覆盖真实驾驶CS BDD 10k ACDC目标地区再加 IDD 或 Apollo。环视泊车不要只训针孔。越野用 RELLIS RUGD。开集在主模型外加 Fishyscapes / LostAndFound。实际栽过的labelIds或*_color.png直接算 19 类 CESYNTHIA 13/16 类和 CS 19 类写在同一张表分割下成 BDD 100k用非官方 test 真值CS / ACDC / KITTI2048×1024 和 1280×720 随便 resize细杆和灯没了鱼眼不处理畸变套针孔预训练16-bit instance 图存成 JPEGnuScenes 非关键帧点云套了 lidarseg参考文献[1] Cordts M, Omran M, Ramos S, et al. The Cityscapes Dataset for Semantic Urban Scene Understanding[C]//CVPR, 2016. Cityscapes Dataset – Semantic Understanding of Urban Street Scenes[2] Yu F, Chen H, Wang X, et al. BDD100K: A Diverse Driving Dataset for Heterogeneous Multitask Learning[C]//CVPR, 2020. https://doc.bdd100k.com/[3] Neuhold G, Ollmann T, Rota Bulò S, et al. The Mapillary Vistas Dataset for Semantic Understanding of Street Scenes[C]//ICCV, 2017. https://www.mapillary.com/dataset/vistas[4] Huang X, Cheng X, Geng Q, et al. The ApolloScape Dataset for Autonomous Driving[J]. arXiv:1803.06184, 2018. http://apolloscape.auto/[5] Geyer J, Kassahun Y, Mahmudi M, et al. A2D2: Audi Autonomous Driving Dataset[J]. arXiv:2004.06320, 2020. A2D2: Audi Autonomous Driving Dataset[6] Sakaridis C, Dai D, Van Gool L. ACDC: The Adverse Conditions Dataset with Correspondences for Robust Semantic Driving Scene Perception[J]. arXiv:2104.13395. ACDC Dataset[7] Varma G, Subramanian A, Namboodiri A, et al. IDD: A Dataset for Exploring Problems of Autonomous Navigation in Unstructured Environments[C]//WACV, 2019. IDD[8] Geiger A, Lenz P, Urtasun R. Are we ready for Autonomous Driving? The KITTI Vision Benchmark Suite[C]//CVPR, 2012. The KITTI Vision Benchmark Suite[9] Liao Y, Xie J, Geiger A. KITTI-360: A Novel Dataset and Benchmarks for Urban Scene Understanding in 2D and 3D[J]. IEEE TPAMI, 2022. KITTI-360[10] Behley J, Garbade M, Milioto A, et al. SemanticKITTI: A Dataset for Semantic Scene Understanding of LiDAR Sequences[C]//ICCV, 2019. SemanticKITTI - A Dataset for LiDAR-based Semantic Scene Understanding[11] Caesar H, Bankiti V, Lang A H, et al. nuScenes: A Multimodal Dataset for Autonomous Driving[C]//CVPR, 2020. https://www.nuscenes.org/[12] Mei J, Zhu A Z, Yan X, et al. Waymo Open Dataset: Panoramic Video Panoptic Segmentation[C]//ECCV, 2022. https://waymo.com/open[13] Richter S R, Vineet V, Roth S, et al. Playing for Data: Ground Truth from Computer Games[C]//ECCV, 2016. Playing for Data: Ground Truth from Computer Games[14] Ros G, Sellart L, Materzynska J, et al. The SYNTHIA Dataset: A Large Collection of Synthetic Images for Semantic Segmentation of Urban Scenes[C]//CVPR, 2016. The SYNTHIA dataset[15] Yogamani S, Hughes C, Horgan J, et al. WoodScape: A Multi-Task, Multi-Camera Fisheye Dataset for Autonomous Driving[C]//ICCV, 2019. GitHub - valeoai/WoodScape: The repository containing tools and information about the WoodScape dataset. · GitHub[16] Jiang P, Osteen P, Wigness M, et al. RELLIS-3D Dataset: Data, Benchmarks and Analysis[J]. arXiv:2011.12954, 2020. GitHub - unmannedlab/RELLIS-3D: RELLIS-3D: A Multi-modal Dataset for Off-Road Robotics · GitHub[17] Kirillov A, He K, Girshick R, et al. Panoptic Segmentation[C]//CVPR, 2019.[18] Sun T, Segu M, Postels J, et al. SHIFT: A Synthetic Driving Dataset for Continuous Multi-Task Domain Adaptation[C]//CVPR, 2022. https://www.vis.xyz/shift/[19] Blum H, Sarlin P E, Nieto J, et al. The Fishyscapes Benchmark: Measuring Blind Spots in Semantic Segmentation[J]. IJCV, 2021. The Fishyscapes Benchmark - The Fishyscapes Benchmark[20] Zendel O, Honauer K, Murschitz M, et al. WildDash — Creating Hazard-Aware Benchmarks[C]//ECCV, 2018. WildDash 2 BenchmarkMMSeg 数据准备Tutorial 2: Prepare datasets — MMSegmentation 1.2.2 documentationnuScenes lidarseg 教程nuscenes_lidarseg_panoptic_tutorial附录 Cityscapes 19 类 trainIdtrainId类R,G,B0road128, 64, 1281sidewalk244, 35, 2322building70, 70, 703wall102, 102, 1564fence190, 153, 1535pole153, 153, 1536traffic light250, 170, 307traffic sign220, 220, 08vegetation107, 142, 359terrain152, 251, 15210sky70, 130, 18011person220, 20, 6012rider255, 0, 013car0, 0, 14214truck0, 0, 7015bus0, 60, 10016train0, 80, 10017motorcycle0, 0, 23018bicycle119, 11, 32255ignore0, 0, 0配图为示意。数据许可以各数据集官方条款为准。