企业官网建设流程全解析

BDD100K（Berkeley DeepDrive 100K），由加州大学伯克利 BAIR 实验室2018 年发布，是自动驾驶领域最经典的大规模多任务驾驶数据集，以场景、天气、昼夜光照多样性强著称，广泛用于目标检测、车道线、可行驶区域分割、多任务感知网络（YOLOP、HybridNets 等）训练与评测。

论文：BDD100K: A Diverse Driving Dataset for Heterogeneous Multitask Learning

数据集下载地址：http://bdd-data.berkeley.edu/download.html

一般科研使用只下载100k图片+标注JSON，不需要完整视频。

标注可视化：

一、基础信息

1. 原始视频：100000 段驾驶视频，每段40s，720P(1280×720)，30fps，附带 GPS/IMU 轨迹信息，总时长约 1100 小时，采集自美国旧金山、纽约等城市，众包司机行车记录仪采集。
2. 标注帧：取每段视频第 10 秒帧，得到 10 万张标注图片；视频完整序列用于多目标跟踪任务。
3. 数据集划分
   • 训练集 train：70000 张
   • 验证集 val：10000 张
   • 测试集 test：20000 张
4. 文件格式：图片 jpg；标注主流为JSON 格式，需要脚本转换为 YOLO、COCO 格式用于训练。

二、核心优势：极强数据多样性

BDD100K 最大特点：白天 / 夜间样本数量接近，覆盖多种天气、道路场景，适合做域适应、恶劣光照下模型鲁棒性研究。

1. 场景 scene（6 类）：城市街道、居民区、高速、隧道、停车场、乡村道路
2. 天气 weather（6 类）：晴天、阴天、雨天、雪天、雾天、大风
3. 昼夜 timeofday（3 类）：白天、黄昏 / 黎明、夜晚

三、五大标注任务

1. 图像级标签（Image tagging）

每张图打全局标签：天气、场景、昼夜，用于图像分类、域迁移。

2. 2D 目标检测（Bounding box）

• 10 大类：汽车、卡车、公交车、行人、骑行者、摩托车、自行车、交通灯、交通标志、火车等
• 总标注框约 184 万；属性包含：是否遮挡、是否截断、交通灯颜色（红 / 黄 / 绿）。

3. 可行驶区域分割（Drivable area）

像素级多边形掩码，两类：

• 🟥红色：直接可行驶区域，本车正常行驶路面，拥有路权
• 🔵蓝色：备选可行驶区域，可临时变道，需要避让其他车辆

作用：自动驾驶规划模块，判断哪些路面可以开，YOLOP 等网络输出的分割分支就是该任务。

4. 车道线标注（Lane marking）

用多段折线 polyline 标注车道线，区分属性：实线、虚线、双线、斑马线；

• 红色：垂直车道线（沿着车辆行驶方向）
• 蓝色：平行车道线（横向停止线、斑马线）

不是简单二分割，带有车道类型属性，适合车道线检测、车道感知定位任务。

5. 实例分割（Instance segmentation）

仅1 万张图片提供实例分割标注，每个物体像素掩码，用于实例分割算法训练。

四、目录结构

D:\dataset ├─📁 bdd100k_images_100k │ └─📁 100k │ ├─📁 train # 训练集图片 │ ├─📁 val # 验证集图片 │ └─📁 test # 测试集图片 └─📁 bdd100k_labels └─📁 100k ├─📁 train # 训练集标注(json/分割掩码等) ├─📁 val # 验证集标注 └─📁 test # 测试集标注

JSON 内部包含每张图片的名称、场景天气标签、所有物体 bbox、可行驶区域多边形点、车道线折线点集合。

五、和同类数据集对比