---
title: LVIS_v1_dot_0
canonical_url: "https://www.modelscope.cn/datasets/OmniData/LVIS_v1_dot_0"
md_url: "https://www.modelscope.cn/datasets/OmniData/LVIS_v1_dot_0.md"
repository: OmniData/LVIS_v1_dot_0
last_updated: 2024-07-14
license: "[CC BY 4.0]"
storage_size: "27 GB"
domain:
  - publishDate
  - taskTypes
  - labelTypes
  - publisher
  - paperUrl
  - publishUrl
  - mediaTypes
  - displayName
tasks:
  - 2019
  - 2D-ObjectDetection
  - Box2d
  - "Facebook AI Research"
  - "https://arxiv.org/pdf/1908.03195.pdf"
  - "https://www.lvisdataset.org/"
  - Image
  - "LVIS v1.0"
downloads: 180
stars: 0
---

# LVIS_v1_dot_0

> LVIS_v1_dot_0 - OmniData 在 ModelScope 开源的数据集。displayName: LVIS v1.0 labelTypes: Box2d license: CC BY 4.0 mediaTypes: Image paperUrl: https://arxiv.org/pdf/1908.03195.pdf publishDate: "2019" publishUrl: https://www.lvisdataset.org/ publisher: Facebook AI…

OmniData/LVIS_v1_dot_0 是 ModelScope 魔搭社区上的2019、2D-ObjectDetection、Box2d数据集，涉及 publishDate、taskTypes、labelTypes 领域，存储大小 27 GB，采用 [CC BY 4.0] 许可。

- **Repository**: OmniData/LVIS_v1_dot_0
- **License**: [CC BY 4.0]
- **Tasks**: 2019, 2D-ObjectDetection, Box2d, Facebook AI Research, https://arxiv.org/pdf/1908.03195.pdf, https://www.lvisdataset.org/, Image, LVIS v1.0
- **Domain**: publishDate, taskTypes, labelTypes, publisher, paperUrl, publishUrl, mediaTypes, displayName
- **Storage size**: 27 GB
- **Downloads**: 180
- **Stars**: 0
- **Last updated**: 2024-07-14

Source: https://www.modelscope.cn/datasets/OmniData/LVIS_v1_dot_0

---

displayName: LVIS v1.0
labelTypes:
- Box2d
license:
- CC BY 4.0
mediaTypes:
- Image
paperUrl: https://arxiv.org/pdf/1908.03195.pdf
publishDate: "2019"
publishUrl: https://www.lvisdataset.org/
publisher:
- Facebook AI Research
tags:
- Image
taskTypes:
- Instance Segmentation
- 2D-ObjectDetection

---
# 数据集介绍
  ## 简介
  将研究社区的注意力集中在开放挑战上的数据集推动了对象检测的进展。这个过程使我们从简单的图像到复杂的场景，从边界框到分割掩码。在这项工作中，我们介绍了 LVIS（发音为 'el-vis'）：一个用于大型词汇实例分割的新数据集。我们计划为 164k 图像中的 1000 多个入门级对象类别收集约 200 万个高质量实例分割掩码。由于自然图像中类别的 Zipfian 分布，LVIS 自然有一个长尾类别，训练样本很少。鉴于用于对象检测的最先进的深度学习方法在低样本情况下表现不佳，我们相信我们的数据集提出了一个重要且令人兴奋的新科学挑战。所有LVIS数据集图像均来自COCO数据集，图像使用条款可参考COCO条款
  
## Download dataset
:modelscope-code[]{type="git"}