DATASETS ANALYSIS - Tha-Alpha-Project/Dataset-Benchmark GitHub Wiki
Benchmark de Datasets
En esta tabla se resumen las principales características de los datasets utilizados en el benchmark para tareas de Computer Vision en deportes, específicamente baloncesto y fútbol. Los criterios cubren desde dimensiones técnicas hasta detalles de anotaciones y objetivos del dataset.
| Atributo | SportsMOT | DeepSportRadar-ReID | DeepSportRadar-Segmentation |
|---|---|---|---|
| 🧾 Nombre completo | SportsMOT Benchmark | Player Re-identification Challenge Dataset | Instance Segmentation Challenge Dataset |
| 🧩 Tarea principal | Tracking (MOT) | Re-identificación de jugadores | Segmentación de instancias |
| 📦 Tipo de anotación | Bounding boxes por ID en cada frame | Crops de jugadores con ID global | Máscaras binarias por jugador |
| 🎞️ Número de secuencias | 150 vídeos (train/val/test) | ~100,000 imágenes (crops de jugadores) | ~500 secuencias de vídeo |
| 🎥 Resolución promedio | 1920x1080 (HD) | 128x256 (crops normalizados) | 1280x720 (HD) |
| ⏱️ FPS promedio | 30 fps | N/A | 25 fps |
| 🧍 Número de identidades | ~100 jugadores | 1,000+ identidades únicas | Variable por frame |
| 🕹️ Modalidad | Multi-jugador, multi-objeto, real-world | Imágenes individuales de jugadores | Escenas con múltiples jugadores |
| 🏀 Deporte(s) cubierto(s) | Baloncesto, fútbol | Baloncesto, fútbol | Baloncesto |
| 🗂️ Split | Train / Val / Test | Train / Test | Train / Val / Test |
| 🔁 Datos sintéticos | No | No | No |
| 🔤 Formato de etiquetas | JSON (tipo MOT format) | CSV + directorios de imágenes | COCO JSON + PNG masks |
| 📁 Peso total del dataset | ~90 GB | ~60 GB | ~70 GB |
| 📅 Última actualización | 2023 | 2022 | 2022 |
| 🌐 Fuente | https://github.com/MCG-NJU/SportsMOT | https://github.com/DeepSportradar/player-reidentification-challenge | https://github.com/DeepSportradar/instance-segmentation-challenge |
| 📌 Licencia | CC BY-NC 4.0 | CC BY-NC 4.0 | CC BY-NC 4.0 |
| 🧪 Usos típicos | Evaluación de trackers, MOT benchmarks | Entrenamiento de modelos de ReID | Segmentación supervisada, Fine-tuning |
| 🛠️ Herramientas compatibles | MMTracking, MOTChallenge, YOLO + DeepSORT | FastReID, TorchReID, OSNet | Detectron2, MMDetection, Segment Anything |
| 📝 Paper asociado | SportsMOT Benchmark (CVPR 2023) | DeepSportRadar Re-ID Challenge | DeepSportRadar SEG Challenge |
🧠 Nota: Todos los datasets tienen licencia no comercial (CC BY-NC 4.0). Se recomienda verificar las restricciones antes de cualquier uso comercial o redistribución.