rmcv/armor

RoboMaster 装甲板数据集

多支队伍共同维护的装甲板数据集。每块装甲板给出四个角点或检测框，以及颜色、大小和贴纸图案，有哪项给哪项。

1. 文件

data/<source>/<split>/<source>-<split>-00000.tar   图像和标签
data/<source>/cameras.json                         相机内参（可选）
sources.csv                                        来源登记
stickers.json                                      贴纸图案登记
tools/pack.py                                      检查标签并打包
tools/export.py                                    导出为训练格式

• <source>：来源编号，小写字母、数字和下划线，如 qdu_infantry_2026。
• <split>：train 或 test。同一段视频或同一个采集序列只放在一个 split 中。
• tar 分片每个 0.5–2 GB，内部成对存放 <key>.jpg 和 <key>.json（WebDataset 格式）。

2. 标签

每张图一个 JSON：

{
  "image": {"width": 1440, "height": 1080, "source": "qdu_infantry_2026", "sequence": "match03", "camera": "cam0"},
  "objects": [
    {
      "corners": [[612.3, 401.8], [610.9, 452.6], [741.2, 455.0], [742.8, 404.1]],
      "color": "blue",
      "size": "small",
      "sticker": "3"
    }
  ]
}

corners 和 bbox 至少有一个，其余字段有就填，没有就省略或写 null。缺失的字段在训练时只是该项不计损失，不影响其他字段。tools/pack.py 打包时会把每个对象补全为同一组字段，缺失的写成 null。

字段	取值
corners	四个角点的像素坐标，顺序见第 3 节
bbox	[x, y, w, h]，只有框没有角点时填
color	blue、red、gray（灭灯）、purple
size	small、large
sticker	贴纸图案：sentry、1–5、outpost、base
visibility	每个角点 0 不可见、1 被遮挡但可推断、2 可见；省略为全部可见
flags	truncated、occluded、motion_blur、overexposed、unlit
corner_def	sjtu4（上交格式，默认）或 unspecified（不确定）
label_type	human 人工标注、human_checked 模型标注后人工检查、model 模型标注
role	positive（默认）、ignore（不确定，训练时不计损失）、negative（确认不是装甲板）
image.sequence	视频或采集序列编号
image.camera	对应 cameras.json 中的相机

没有装甲板的图也可以上传，objects 留空，作为负样本。

sticker 记录贴纸上印的图案，不记录是哪台机器人。新赛季出现新图案时在 stickers.json 末尾追加一行。stickers.json 同时给出各图案对应的官方机器人 ID（《RMU 2026 通信协议》，红方 1–5、哨兵 7、基地 10、前哨站 11，蓝方加 100），只作对照。

3. 角点

角点采用上交 LabelRoboMaster 的定义，顺序为 LT, LB, RB, RT：

• 正对贴纸、图案正立时，左手边的灯条为左灯条。LT、LB 是左灯条的上端、下端，RB、RT 是右灯条的下端、上端。
• 上下左右按装甲板本身判定，不按图像坐标排序；装甲板倾斜很大时也一样。
• 在图像中四点依次为逆时针。顺序反了（或是镜像）的标注在导出时会被当作无效。
• 被图像边缘截断的角点，按装甲板形状推出图外的位置，visibility 记 0。

4. 相机内参

有标定的来源在 data/<source>/cameras.json 中给出内参，可用于 PnP 测距评测：

{"cam0": {"width": 1440, "height": 1080, "fx": 1800.0, "fy": 1800.0, "cx": 720.0, "cy": 540.0, "dist": [0, 0, 0, 0, 0]}}

dist 为 OpenCV 畸变系数 [k1, k2, p1, p2, k3]。内参对应图像的实际分辨率，缩放、裁剪、binning 后要相应换算。

5. 导出

python tools/export.py <armor/data> <输出目录>                    # YOLO pose
python tools/export.py <armor/data> <输出目录> --format coco      # COCO 关键点
python tools/export.py <armor/data> <输出目录> --format sjtu      # 上交 txt

• --classes：sjtu（默认，与上交 36 类编号一致）、color（只分红蓝）、plate（单类）。
• --order tongji：关键点按 TL, TR, BR, BL 输出。
• ignore 区域和无法归类的装甲板：YOLO pose 和上交 txt 中涂灰，COCO 中写成 iscrowd: 1；negative 作为背景。
• 训练时不要开水平翻转，翻转后数字是镜像的。

依赖 numpy 和 Pillow。

6. 贡献

1. 只上传自己队拍摄、自己标注的数据；转载需写明出处并确认原授权允许再分发。

2. 把 <key>.jpg 和 <key>.json 放在同一个文件夹，用 tools/pack.py 检查并打包（有任何一条标签不合格都不会写出），再在 sources.csv 中登记一行：

   python tools/pack.py <文件夹> <仓库根目录> --source qdu_damo --split train
   

   列	内容
   source	来源编号
   team	队伍
   year	采集年份
   camera	相机、分辨率、帧率
   scene	场地或赛事
   images、objects	图像数、装甲板数
   label_tool	标注工具
   license	授权，如 CC-BY-4.0
   origin	自采，或原始链接

3. 有 write 权限的维护者直接上传，其他人发 Pull Request。

4. 每次合并新来源后打版本标签（v1、v2 …），训练时固定版本：

   from datasets import load_dataset
   ds = load_dataset("rmcv/armor", revision="v1", split="train", streaming=True)
   

7. 授权

数据按来源分别授权，以 sources.csv 为准；工具和文档采用 MIT，见 LICENSE.md。