一文读懂JoyAI-Image-OpenSpatial数据格式轻松解析多模态空间数据【免费下载链接】JoyAI-Image-OpenSpatial项目地址: https://ai.gitcode.com/jd-opensource/JoyAI-Image-OpenSpatialJoyAI-Image-OpenSpatial是基于OpenSpatial构建的空间理解数据集用于JoyAI-Image项目。该数据集包含约300万条多轮视觉空间问答样本涵盖7个开源数据集和网络数据目前已开放约230万条来自开源数据集的问答样本可助力3D目标定位、深度排序、空间关系推理等多种空间理解能力的研究。 数据格式全解析核心文件结构数据集以Parquet文件格式存储所有数据文件位于项目的data/目录下采用000001.parquet至000798.parquet的命名规则整体数据量超过2TB包含2335335个训练样本。关键数据字段每个Parquet文件包含以下核心列列名类型描述conversationslist[{from, value}]多轮对话对human/gpt。人类轮次提供相机参数和空间推理问题AI轮次提供结构化空间标注如3D边界框、深度排序、空间关系idstring样本唯一标识符data_sourcestring源数据集如arkitscenes、scannet、matterport3d等imageslist[{bytes, path}]嵌入式图像数据PNG字节typestring数据类型标签meta_infostring包含图像尺寸width、height、resized_width、resized_height的JSON字符串⚡ 快速上手指南安装与加载通过Python轻松加载数据集from datasets import load_dataset ds load_dataset(jdopensource/JoyAI-Image-OpenSpatial, splittrain, streamingTrue) for sample in ds: print(sample[conversations]) break数据应用场景3D目标定位利用conversations中的3D边界框标注实现物体空间定位深度估计通过多视图图像和相机参数进行场景深度推理空间关系推理分析问答对中的空间描述如在...前面、距离...米 未来规划项目团队计划在后续版本中发布3D提升数据进一步丰富空间理解能力的训练资源。更多技术细节可参考项目根目录下的README.md文件。通过这套结构化的数据格式研究人员和开发者可以高效利用多模态空间数据推动计算机视觉与空间智能领域的创新应用。无论是学术研究还是工业项目JoyAI-Image-OpenSpatial都能提供高质量的训练数据支持。【免费下载链接】JoyAI-Image-OpenSpatial项目地址: https://ai.gitcode.com/jd-opensource/JoyAI-Image-OpenSpatial创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考