人工智能是每个部门使用最多的技术，因为它可以方便地出色地完成工作。其中，数据集在任何推荐系统中都起着至关重要的作用。因此，我提出了基于人体姿势的、经过验证的、可信的数据集的简要总结。人体姿势估计，这是每个计算机视觉研究员都愿意做出贡献的领域。希望你喜欢我的文章！

MPII是马克斯·普朗克信息研究所(Max Planck Institute Informatik)的缩写。Mykhaylo、Leonid、Peter和Bernt表示MPII人体姿势数据集。它是用于评估相干人体姿势估计的最先进的基准。它由多人二维位姿估计组成，灌输约25K张图像，其中约有40K人的身体关节被标注在上面。它包含410项有相应标签的定期执行的人类活动。所有图像都是从YouTube视频中提取的，没有注释的帧。该算法在三维位姿测试集上取得了很好的效果，特别是头部和躯干的方向，以及遮挡图像部分，实现了正确的关键点标注。

COCO是Context中Common Objects的缩写。这个二维位姿估计数据集是由宗伊琳等人合作准备的。来自Google Brain、MSR、加州理工、TTI-Chicago、WAVEONE、康奈尔科技、Facebook AI Research、佐治亚理工学院和CMU研究员的数据从Flickr收集数据。它高度集中在基于对象检测、字幕和分割的数据特征上。它具有上下文识别、超像素填充和目标分割等诱人的特性。它由300K的图像组成，其中超过200K的图像被标记为图像。它有80个对象类别和91个物品类别。更令人兴奋的功能是，在每一张图片上，它都有5个标题，25万人的图片都有关键点注释。该算法在密集姿态、语义分割、全景分割、检测、关键点标注和图像字幕任务等方面都取得了较好的效果。

这个数据集是由马克斯·普朗克智能系统感知系统研究所准备的。它由两个数据集组成，这两个数据集分别是

人类伊娃-I

该数据集使用软件进行同步，一次保留七个摄像机。摄像机分为两种类型：3台彩色摄像机和4台灰度摄像机，其中6台摄像机为运动捕捉摄像机。它有训练、验证和测试数据集。

人类EVA-II

通过一次保留四个摄像机，使用硬件同步该数据集。共有4台彩色摄像机，其中8台为运动捕捉摄像机。它只有测试数据集。

它是由视频序列组成的单人三维姿态估计，如在两种类型的数据集中讨论的那样。基于标记的运动捕捉相机用于准备3D姿势地面真实图像。它由4个受试者组成，分别执行6个共同的动作。提供了2D和3D姿势的误差度量。

Human3.6M

根据数据集的名称，它拥有360万张3D人体姿势图像，其中11名职业演员，其中6名男性和5名女性参加了17个不同的活动。使用高度校准和基于飞行时间的4个摄像机捕获了频率为50 Hz和高分辨率的视频帧。测量每个配置和像素级的24个身体部位标签。利用了演员的3D激光扫描。它具有适当的背景差分和人物边界框。

超现实主义

超现实是合成人的缩写，意为真正的任务。它灌输照片级真实感渲染，这些渲染在纹理、形状、视点和姿势上都有巨大的变化。在提供RGB视频输入的情况下，对生成人体部位、光流、二维和三维姿态、曲面法线和深度都有很好的效果。有600万个人造人类的框架。合成体是使用SMPL(A Skin Multi-Person Line Model，蒙皮多人线性模型)身体模型生成的，其参数与原始3D MOCAP标记数据提供的MOSH方法相关。

FLIC是在Cinema中标注的帧的缩写。它由5003张取自好莱坞电影场景的图片组成。它是在30部电影中每连续10帧使用正规人检测器收集的。总体而言，考虑了20000人的置信度地图，这些地图被送到人口稠密的亚马逊土耳其人手中，以获得地面事实标签。利用Turkers图像进行上半身关节标注，并考虑5个标记点的中位数进行离群点标注。测试数据由1016个数据图像组成。不能将FLIC用作培训和测试，这是强制性的。因此，如果我们使用它在不同的数据集上测试和训练机器，因为它是训练数据的超集，这可能会导致过度拟合。它也有FLIC-FULL数据集，其中有大量的帧集合，这些帧来自大量的电影，这些电影的手关节注释是由机械土耳其人制作的。

LSP是Leads运动姿势数据集的缩写。它由2000张带注释的姿势图像组成，仅与8项不同的体育活动有关。他们是从Flickr收集的。所有图像都缩小到大约150像素长度。所有的运动图像都能够检测到14个关键点关节位置。训练和测试数据按50%的比例划分。

最后，我试图总结几个数据集的细节。我希望它可能会被证明是有用的。在评论区分享你的观点，以便在下一篇文章中我可以改进它。