下载地址：2020-AiProducts-Challenge-dataset 数据介绍：Large-scale Product Recognition赛题与数据-天池大赛-阿里云天池 该数据集包含近 300 万张图片，涵盖 5 万个 SKU 级商品类别。 1st-plan：1st__Winner Solution for AliProducts Challenge Large-scale Product Recognition.pdf 6st-plan：GitHub -AiProducts-Challenge

下载地址：Retail Product Checkout Dataset 数据介绍：RPC-PDF ​

下载地址：Large scale product recognition challenge 数据介绍：Products-10K 京东在线客户经常购买的10,000种产品，涵盖时尚、3C、食品等全品类，医疗保健，家居用品等。

1st-plan:冠军方案分享：ICPR 2020大规模商品图像识别挑战赛冠军解读

数据集介绍： 该数据集共有 2,019 个产品类别，它们被组织成一个具有四个层次的层次结构。此类别树可以在product_tree.json中找到，并使用product_tree.pdf进行可视化。每个叶节点对应一个类别 id，类别共享同一个祖先属于同一个超类。树结构不参与评估，但可能在模型训练期间使用。 train.json包含id,class,url每个训练图像，您可以在其中使用和类标签url下载相应的图像。训练数据包含来自 2,019 个类别的 1,011,532 张图像（每个类别的范围从 158 到 1050 张图像）。 val.json包含id,class,url验证集中的图像。验证数据有 10,095 张图像（每个类别大约 5 张）。 test.json包含id,url测试集中的图像。测试数据有 90,834 张图像（每个类别大约 45 张）。 数据下载：比赛数据可在Google Drive或百度盘下载（密码：qecd） 1st-plan:iMaterialist Challenge on Product Recognition

数据集介绍：SmartUVM_Datasets（全球新零售环境提供标准数据集）.pdf 数据下载：SmartUVM_Datasets_down(8G).tar

数据介绍(paper.pdf)：该存储库包含杂货商品的自然图像数据集。所有自然图像都是用智能手机相机在不同的杂货店拍摄的。最终得到了来自 81 种不同类别的水果、蔬菜和纸箱物品（例如果汁、牛奶、酸奶）的 5125 张自然图像。81个类分为42个粗粒度类，例如细粒度类“Royal Gala”和“Granny Smith”属于同一个粗粒度类“Apple”。 数据下载：https://github.com/marcusklasson/GroceryStoreDataset

数据介绍(paper.pdf)：Densely Segmented Supermarket (D2S) 数据集是工业领域中实例感知语义分割的基准。它包含 21,000 张高分辨率图像，带有所有对象实例的像素标签。这些物品包括来自 60 个类别的杂货和日常用品。该基准的设计使其类似于自动结账、库存或仓库系统的真实设置。训练图像仅包含同质背景上的单个类别的对象，而验证集和测试集则更加复杂和多样化。为了进一步衡量实例分割方法的鲁棒性，使用不同的光照、旋转和背景获取场景。

数据下载：MVTec Densely Segmented Supermarket Dataset (MVTec D2S)

数据介绍(paper.pdf):该数据集由一组高质量的训练图像和一组近13.5万张智能手机拍摄的30种食品的测试图像组成。包括零食，化妆品，药品，饮料，罐头食品，乳制品.训练集是高质量的，从产品手册、广告、3D产品视图中收集。测试集的质量并不稳定，因为图像是从手持手机上采集的，视角不同，清晰度不同，背景杂波不同，遮挡不同，光照不同，镜面反射不同。 数据下载：待定

数据介绍（paper.pdf）：在 28 个不同的商店和公寓中收集了一个大规模的对象定位和计数数据集，该数据集由 50,394 张图像组成，JPEG 图像分辨率为 1920x1080 像素。注释了 140 个类别（包括Jacket、Shoes、Oven等）中的超过 190 万个对象实例。 为了方便数据的使用，我们将数据集划分为两个子集，即训练集和测试集，包括 34,022 幅训练图像和 16,372 幅测试图像。该数据集包括9大子类，即婴儿用品（例如，婴儿尿布和婴儿拖鞋）、饮料（例如，果汁和姜茶）、食品（例如，干鱼和蛋糕）、日化用品（例如，肥皂和洗发水） )、服装（如夹克和成人帽）、电器（如微波炉和插座）)、存储设备（例如，垃圾和凳子）、厨房用具（例如，叉子和食品盒）以及文具和体育用品（例如，滑板和笔记本）。

数据下载：IntelligentTEAM / AAAI2021 Locount Dataset