当前的基于CNN的目标检测深度学习模型，比较主流的是基本都是基于监督学习，如当前相当成熟的YOLO系列、RCNN系列、centernet系列目标检测算法模型。这种监督学习的方法，很依赖于数据集。模型检测性能的好坏，很大程度上取决于数据集的数量和质量，即，数据量越多越全面，越接近真实应用场景，那么训练出来的模型，在实际应用中表现越出色。在算法研究过程中，也需要合适的数据集，来验证算法设计的性能。所以，在深度学习领域中，数据的意义重大。很多厉害的公司，不但在算法设计方面有独到之处，在数据保有方面，更是绝无仅有。
这里分享一批数据集，姑且命名为SATH数据集吧，这是目标分类英文的首字母拼凑的名称。是本人用两年时间，一点一点从地图上找的，然后一张一张地人工打标签。寻思着自个儿留着，也就那么一点用，不如公开了吧，如果有人肯赏杯奶茶，也算抚慰一下熬夜掉的头发。这些数据集都是可见光成像图片，可用于人工智能目标检测模型训练，供各位算法研究者以算法研究为目的进行下载。数据集一共包含了四个类别，类别的名称，如下图所示。后续发布的数据集，还不止这四个种类。数据集一直在更新，最后数据量，每个种类的图片可能会有10000张。一点点人工打标签，每打够1000张就发布一下。数据集特点，均为RGB彩图，尺寸为1024x1024，标签格式为xml格式。
数据集连接：
