Dataset Computer Vision miễn phí để luyện tập và nghiên cứu
MVTec AD, VisA, COCO, Open Images, ImageNet và nhiều bộ khác theo từng bài toán, kèm lưu ý giấy phép khi dùng thương mại.
Nội dung bài viết
Không có dữ liệu thì không có AI Vision. Tin tốt là có rất nhiều bộ dữ liệu chất lượng được công bố miễn phí để học và nghiên cứu. Bài này tổng hợp các dataset nên biết, chia theo bài toán, kèm lưu ý về giấy phép: phần nhiều người bỏ qua nhưng rất quan trọng khi làm sản phẩm thương mại.
Dataset kiểm tra lỗi công nghiệp
| Dataset | Nội dung | Giấy phép |
|---|---|---|
| MVTec AD | 15 loại vật thể và bề mặt (ốc vít, cáp, gỗ, da…), ảnh tốt để huấn luyện, ảnh lỗi kèm mặt nạ để đánh giá. Chuẩn đánh giá phổ biến nhất cho anomaly detection. | CC BY-NC-SA 4.0 (phi thương mại) |
| MVTec AD 2 | Công bố 2025, thêm 8 kịch bản mới, hơn 8.000 ảnh độ phân giải cao, khó hơn bản đầu (vật trong suốt, phản quang, điều kiện ánh sáng thay đổi). Một phần nhãn tập test được giữ kín, chấm điểm qua máy chủ đánh giá. | CC BY-NC-SA 4.0 (theo các nguồn tổng hợp) |
| VisA (Amazon) | 10.821 ảnh, 12 loại vật thể trong 3 nhóm, có nhãn cấp ảnh và cấp điểm ảnh. | Các nguồn ghi khác nhau (CC BY 4.0 và CC BY-NC-SA 4.0), kiểm tra bản gốc trước khi dùng thương mại |
| NEU Surface Defect | Ảnh xám bề mặt thép cán nóng với 6 loại lỗi; phù hợp tập phân loại và phát hiện lỗi. | Dùng cho nghiên cứu, kiểm tra điều khoản |
| KolektorSDD2 | Ảnh bề mặt sản phẩm công nghiệp thật với các vết lỗi nhỏ, có mặt nạ. | Phi thương mại, kiểm tra điều khoản |
Dataset phát hiện và phân đoạn đối tượng
| Dataset | Nội dung | Ghi chú |
|---|---|---|
| COCO | Khoảng 330 nghìn ảnh, 80 lớp đối tượng thường gặp, có khung bao, phân đoạn, keypoint tư thế người. | Chuẩn đánh giá của YOLO và hầu hết mô hình phát hiện. Nhãn theo CC BY 4.0; ảnh gốc từ Flickr có giấy phép riêng từng ảnh. |
| Pascal VOC | 20 lớp, nhỏ gọn, phù hợp để học và thử nghiệm nhanh. | Định dạng nhãn XML vẫn được nhiều công cụ hỗ trợ. |
| Open Images | Hàng triệu ảnh, hàng trăm lớp có khung bao, kèm phân đoạn và quan hệ. | Nhãn CC BY 4.0, ảnh có giấy phép riêng. |
| Cityscapes | Ảnh đường phố đô thị với nhãn phân đoạn chi tiết từng điểm ảnh. | Phi thương mại, cần đăng ký. |
Dataset phân loại ảnh
- MNIST / Fashion-MNIST: ảnh 28×28 chữ số viết tay / quần áo, "Hello world" của Deep Learning.
- CIFAR-10 / CIFAR-100: ảnh màu 32×32, 10 hoặc 100 lớp, đủ nhỏ để huấn luyện trên laptop.
- ImageNet (ILSVRC): 1.000 lớp, hơn 1 triệu ảnh huấn luyện; nền tảng của các mô hình pretrained. Chỉ cho phép dùng phi thương mại, cần đăng ký.
Tìm thêm dataset ở đâu?
- Hugging Face Datasets: tìm theo tác vụ, tải bằng một dòng code.
- Kaggle Datasets: nhiều bộ dữ liệu nhỏ, có notebook mẫu.
- Roboflow Universe: rất nhiều dataset phát hiện đối tượng đã ở sẵn định dạng YOLO.
- Papers with Code (mục Datasets): danh sách dataset theo bài toán nghiên cứu.
Lưu ý giấy phép
- NC (NonCommercial): không được dùng cho mục đích thương mại, kể cả huấn luyện mô hình bán cho khách hàng.
- SA (ShareAlike): sản phẩm phái sinh phải dùng cùng giấy phép.
- Nhãn và ảnh có thể khác giấy phép (như COCO, Open Images).
- Với dự án thương mại trong nhà máy, cách an toàn nhất vẫn là tự thu thập dữ liệu từ dây chuyền của khách hàng, có thỏa thuận rõ ràng về quyền sử dụng.
Thông tin trên là để tham khảo, không phải tư vấn pháp lý. Luôn đọc điều khoản trên trang gốc của từng dataset. Có dữ liệu rồi, bước tiếp theo là gán nhãn: xem các công cụ gán nhãn ảnh miễn phí.
Nguồn: MVTec AD 2, MVTec AD 2 paper (arXiv), VisA trên AWS Open Data.
