---
pretty_name: RoboMaster Armor Plates
license: other
license_name: per-source
license_link: LICENSE.md
task_categories:
  - object-detection
  - keypoint-detection
tags:
  - robomaster
  - armor-plate
  - webdataset
configs:
  - config_name: default
    data_files:
      - split: train
        path: "data/*/train/*.tar"
  - config_name: qdu_damo
    data_files:
      - split: train
        path: "data/qdu_damo/train/*.tar"
  - config_name: qdu_gimbal_0507
    data_files:
      - split: train
        path: "data/qdu_gimbal_0507/train/*.tar"
  - config_name: qdu_gimbal_0509
    data_files:
      - split: train
        path: "data/qdu_gimbal_0509/train/*.tar"
  - config_name: mixed_armor
    data_files:
      - split: train
        path: "data/mixed_armor/train/*.tar"
---

# 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：

```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：

```json
{"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

```bash
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：

   ```bash
   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：

   ```python
   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`。

## 8. mixed_armor 来源说明

`mixed_armor`（5635 图 / 7634 目标，2021–2025，19 种分辨率）是**多来源混合数据**，原始出处已不可考，
因此无法逐一署名，也无法逐一确认上游授权。我们完成的工作是标注整理：

- 用 4 个独立模型的角点共识替换了偏差 > 5px 的标注，随后**逐张人工复核**（288 帧，改动 402 个标签文件）；
  复核后与 4 模型共识的角点偏差 p50 从 7.15px 降到 1.79px。
- 去除了字节级重复与近重复画面（RMSE ≤ 3），并排除了复核者标记为不可用的 2 帧。

**授权范围说明**：`sources.csv` 中本来源的 `CC-BY-4.0` **仅覆盖我们完成的标注部分**；
图像原始版权归属无法考证，若权利人认为此处使用不当，请联系我们删除该来源。
使用本来源时请一并注明 `origin` 一列的说明。