目标检测中用到的数据集

以下是一些常用的目标检测数据集：

1. COCO (Common Objects in Context)：包含超过330K张图像，包含80种常见的物体类别。

2. Pascal VOC (Visual Object Classes)：包含20种不同的物体类别，共有20K张图片。

3. ImageNet：包含超过1400万张图像，共有1000个类别，其中包含多个与目标检测相关的类别。

4. KITTI：包含用于自动驾驶应用的室外场景下的汽车，行人和自行车等物体的图像和视频。

5. Open Images：Google发布的大规模图像数据集，包含超过90万张图像和6000多个类别。

6. Microsoft COCO-Text：包含了超过63K张图像，其中包含了各种各样的文字。

7. WIDER FACE：包含超过32K张图像，标注了人脸的位置和尺寸。

8. SUNRGBD：包含超过10K张室内场景图像，其中包含了物体的位置，大小和3D信息。

9. Cityscapes：用于自动驾驶应用的城市街景图像数据集，包含25K张图像和8个类别。

10. VisDrone：包含用于无人机检测和跟踪的航拍图像和视频。

相关问题

在FineBI 中用Redis 数据集 控制报表权限

在 FineBI 中，可以使用 Redis 数据集来控制报表权限。通过在 Redis 中存储用户和角色信息以及其对应的权限信息，可以实现对报表的访问控制。

具体实现方式如下：

1. 在 Redis 中创建一个键值对，用于存储用户和角色信息以及其对应的权限信息，例如：

   {
       "user1": {
           "roles": ["role1", "role2"],
           "permissions": ["report1", "report2"]
       },
       "user2": {
           "roles": ["role2"],
           "permissions": ["report2", "report3"]
       },
       "role1": {
           "permissions": ["report1"]
       },
       "role2": {
           "permissions": ["report2", "report3"]
       }
   }

2. 在 FineBI 中创建一个 Redis 数据集，将上述键值对作为数据集的数据源，并指定数据集的 Key 前缀。

3. 在 FineBI 的报表中，使用数据集关联功能将 Redis 数据集与报表数据集进行关联，关联条件为当前用户或用户所属角色在 Redis 数据集中对应的权限数据。

4. 在报表中使用数据集过滤器，根据关联条件过滤数据，实现对报表的访问控制。

通过以上方式，可以实现基于 Redis 数据集的报表访问控制，可以有效保障报表的安全性和隐私性。

python中用pandas保存数据到本地

在Python中，可以使用pandas库来保存数据到本地。pandas提供了多种方法来保存数据，其中最常用的方法是使用DataFrame对象的to_csv()方法将数据保存为CSV文件。以下是保存数据到本地的步骤：

1. 首先，导入pandas库：

import pandas as pd

2. 创建一个DataFrame对象，将数据存储在其中。例如，创建一个包含学生信息的DataFrame：

data = {'姓名': ['张三', '李四', '王五'],
        '年龄': [20, 21, 22],
        '性别': ['男', '女', '男']}
df = pd.DataFrame(data)

3. 使用to_csv()方法将DataFrame保存为CSV文件。指定文件路径和文件名，将DataFrame中的数据保存到指定的文件中：

df.to_csv('student_info.csv', index=False)

在这个例子中，index=False表示不保存索引列。

以上就是使用pandas保存数据到本地的简单介绍。