常用CV数据集（持续更新中）
图像数据集：
1.MNIST
MNIST数据集官网
入门级的数据集，相信很多学习AI的人使用的第一个数据集就是MNIST。
NIST的全称是National Institute of Standards and Technology Special Database 19(美国标准与数据研究院)，即 NIST Handprinted Forms and Characters Database, MNIST是其子集，即 miniNIST，其仅仅包含10个阿拉伯数字（即十类对象），每类对象含6000张训练图片，1000张测试图片，因此训练集共有60000张图片，测试集10000张图片。图片的大小为28x28的灰度图片（官网上说原始的图片是20x20的，但是图片中心化后放到了28x28的方格里）。
网站详细介绍了MNIST数据集的来源和数据格式，直接下载使用时需要根据官网给出的数据格式来进行预处理。
如果觉得MNIST的数据过于简单，想尝试更复杂的模型，可以使用NIST数据集，NIST的数据集有5中数据组织方式
hsf_page:包含了未经处理的整页的手写笔记
By write: 根据手写人来组织数据（可以用于笔迹辨认）
By field: 根据图片大类类组织，大类有：数字（digits），upper(大写)，lower（小写），const（包括upper和lower)
By class:根据图片小类来组织，包括‘0-9’,‘a-z’,'A-Z’共62类。
By merge:由于一些数字大小写很难分辨，包括：C I J K L M O P S X Y Z U V W，因此将这些数字的大小写合并，最后得到47个类
NIST下载链接
2.CIFAR
CIFAR下载链接
分为CIFAR-10和CIFAR-100 是Alex Krizhevsky（就是AlexNet的发明者）等人创建的80 Million Tiny Images数据集的子集，=分别包含10类和100类对象。
CIFAR-10中每类对象都有6000张32x32的彩色图片组成，其中5000张作为训练集，1000张作为测试集。
CIFAR-10的对象包括: airplane, automobile, bird, cat, deer, dog, flog, horse, ship, truck
而CIFAR-100每类对象仅有600张图片，训练集和测试集总量同样是50000和10000.与CIFAR-10不同的是，CIFAR-100的对象被分为20种超类，因此每张图片都有两个标签，“粗糙”标签对应其超类，“精细”标签对应其精确类型，例如一张鲸鱼的图片有“水生哺乳动物”和“鲸鱼”两个标签。官网中给出了3种类型的数据集，分别适用于Python， Matlab和C（二进制文件）。
3.Caltech
Caltech-101下载链接
Caltech-256下载链接
Caltech-101和Caltech-256是加州理工大学的图像数据集，官网中给的描述不是很详细，总的来说，前者有101类目标，后者有256类目标，每类目标的样本数从40-800不等。官网没有明确地划分出训练集和测试集，只给出了建议用于训练/测试地图片标号。官网还给出了一些基于该数据集的论文和结果，有兴趣可以自行查看。
数据集比较老，用的人也比较少。
4.PASCAL
PASCAL 数据集下载地址
PASCAL 是 Pattern Analysis, Statistic Modeling and Computational Learning的缩写，因PASCAL VOC(Visual Cbject Classes Challenge)出名，该竞赛从2005年开始举办，每年一届，直到2012年结束。任务包括分类，检测和分割。
以PASCAL VOC2012为例，其训练集包括11530张图片，其中含有27450个ROI和6929个分割区域，包含20种物体。
5.ImageNet
ImageNet官网地址
ImageNet是目前世界上最大的标注图片数据库。收录了20000多类目标超过1400万的彩色图片。这些图片都经过人工标注并进行了质量管控，其目标是为每一类目标提供1000张以上的标注图片。
看过深度学习论文的人应该都知道，大名鼎鼎的ILSVRC（ImageNet Large Scale Visual Recognition Challenge）采用的数据集就是ImageNet的子集。ImageNet上给出了历届ILSVRC（2010-2017）所用的数据集供人下载（不过好像已经失效了）。
ImageNet是一个用于大规模多分类（1000+类）任务的数据集。往年主流的网络如AlexNet， VGGNet， ResNet，GoogLeNet等都在ILSVRC上以其卓越的性能进入人们的眼球。SENet已经将ImageNet子集的top-5分类错误率降低至了2.25%以下，但top-1错误率一直在20%附近徘徊。
ILSVRC竞赛包括图片分类/目标定位，目标检测，视频目标检测，场景分类。