剛在網上看到，感謝作者分享，這樣方便了很多，詳情請看原博文
OpenImageV4 (佔硬盤大小571G)
本文鏈接：https://blog.csdn.net/jkkj1630/article/details/89322482
鏈接: https://pan.baidu.com/s/1FTk3G8pvqRKYgVVB3n2XFQ
提取碼: 5r2j
老版本的入口在這裏，
https://github.com/openimages/dataset
新版本的在這裏，
https://storage.googleapis.com/openimages/web/index.html
其中給出了2個新下載鏈接，不過我試了下，都下不了，不知道是否是“強”的原因
一個是googleapi transfer
https://storage.googleapis.com/openimages/web/download.html
https://github.com/cvdfoundation/open-images-dataset#download-images-with-bounding-boxes-annotations
另一個是figure eight
https://www.figure-eight.com/dataset/open-images-annotated-with-bounding-boxes/
2019谷歌公開最大分割掩碼數據集Open Images V5，同時開啓挑戰賽
谷歌公開了Open Images V5，它將分割掩碼添加到註釋中，同時宣佈了第二個Open Images挑戰賽，將基於該數據提供一個新的實例分割賽道。
2016年，谷歌推出了Open Images，約900萬張圖像的協作版本，註釋了數千個對象類別的標籤。到了2018年，已更新到了Open Images V4，該版本總共包含了1540萬個用於600個對象類別的邊界框，使其成爲擁有對象位置註釋和30萬多個可視關係註釋的最大數據集。
Open Images V5
新的V5版本涵蓋350個類別，具有280萬個對象實例的分割掩碼。
與僅識別對象所在區域的邊界框不同，分割掩模標記對象的輪廓，將其空間範圍表徵爲更高級別的細節。
谷歌確保不同物體之間的一致性註釋，例如，所有貓的掩碼都包括尾巴，由駱駝攜帶的袋子也都會包含在掩碼中。重要的是，這些掩碼涵蓋了更廣泛的對象類別和比以前任何數據集更大的實例總數。
以下是Open Images V5訓練集上的一些示例掩碼。這些是由交互式細分過程產生的。第一個示例還顯示了一個邊界框，用於比較：
該訓練集的分割掩碼由最先進的生產交互式分割過程產生，其中專業人工註釋反覆糾正分割神經網絡的輸出。這比單獨的手動繪圖更有效，同時提供準確的掩碼，準確度可達84%。
此外，團隊在驗證和測試集上發佈約10萬掩碼，都是手動註釋，重點關注質量。這些掩碼近乎完美，捕捉到了複雜物體邊界的精細細節，例如，花朵的尖刺和人造物體中的薄結構。訓練集和驗證+測試註釋集比大多數現有數據集的多邊形註釋提供了更準確的對象輪廓。
完全手動繪製的Open Images V5的驗證和測試集上的示例掩碼：
除了掩碼外，還增加了640萬個新的經人工驗證的圖像級標籤，近20000個類別，達到了3650萬。
最後，團隊在驗證和測試集上改進了600個對象類別的註釋密度，添加了超過40萬個邊界框以匹配訓練集中的密度，這確保了對物體檢測模型的更精確評估。
2019 Open Images挑戰賽
與此數據集版本一起，谷歌將在2019年計算機視覺國際會議（ICCV 2019）上推出第二屆Open Images挑戰賽。此挑戰賽將基於上述數據創建新的實例分割賽道。
而且，與2018年版一樣，它還將具有大規模物體探測軌跡（500個類別，1220萬個訓練邊界框），以及視覺關係檢測軌跡，用於檢測特定關係中的物體對（329個關係三元組，37.5萬個訓練樣本，例如，女性彈吉他或桌子上的啤酒）。
現在帶有所有註釋的訓練集已公開。該測試集具有與2018年挑戰相同的10萬張圖像，並將於2019年6月3日在Kaggle上發佈。評估服務器將於6月3日打開對象檢測和視覺關係賽道，7月1日打開實例分段賽道。提交結果的截止日期是2019年10月1日。
谷歌希望這個異常龐大且多樣化的訓練集能夠激發對更高級實例分割模型的研究。使用具有統一註釋的單個數據集進行圖像分類，對象檢測，視覺關係檢測和實例分割將使研究人員能夠共同研究這些任務並促進真正的場景理解。
數據集：
storage.googleapis.com/openimages/web/challenge2019_downloads.html
挑戰賽：
storage.googleapis.com/openimages/web/challenge2019.html