VehicleMex_DATASET

Published: 18 June 2026| Version 1 | DOI: 10.17632/gbk6gnv245.1
Contributors:
,
,
,
,

Description

- VehicleMex es un dataset de imágenes para la clasificación visual de vehículos, organizado jerárquicamente en grupos principales y subclases (carpetas) según una taxonomía orientada a los tipos de vehículos de interés en el contexto mexicano. - Estructura principal (raíz): AUTOBÚS (B) , CAMIÓN UNITARIO (C) , TRACTOCAMIÓN ARTICULADO (T-S) . Usos Potenciales y Aplicaciones Prácticas: - Visión por computadora / ML : entrenamiento y evaluación de modelos de clasificación multiclase (por subclase), aprendizaje supervisado, transferencia de aprendizaje y fine-tuning de CNN. - Sistemas ITS y movilidad : conteo y categorización de flota por tipo (autobús, camión unitario, tractocamión articulado) a partir de cámaras fijas o móviles. - Academia : benchmarking reproducible para tareas de clasificación, manejo de datasets jerárquicos, validación de técnicas de data augmentation y balanceo por clase. Características Técnicas y Funcionales: - Formato de almacenamiento : sistema de archivos (carpetas + archivos de imagen). No requiere motor de base de datos. - Compatibilidad con sistemas operativos: multiplataforma (Windows/Linux/macOS), siempre que exista acceso al sistema de archivos y soporte para formatos de imagen comunes. - Formatos de imagen presentes (conteo exacto) : - .jpg : 15,005 - .png : 2,856 - .jpeg : 126 - .webp : 46 - .gif : 4 Rendimiento general : - Tamaño total: 5.158 GiB (5,538,311,169 bytes). - Total de imágenes: 18,037 . - Tamaño promedio por imagen: ~0.293 MiB . Cantidad Total de Imágenes y Especificaciones Técnicas Totales exactos - Imágenes totales: 18,037 - Tamaño total: 5.158 GiB Desglose por grupo - AUTOBUS(B) : 11,542 imágenes, 3.1586 GiB - CAMION UNITARIO (C) : 4,162 imágenes, 1.2419 GiB - TRACTOCAMON ARTICULADO (T-S) : 2,333 imágenes, 0.7574 GiB Desglose por clase (imágenes / tamaño / resolución promedio) - B2 : 10,514 / 3.0013 GiB / 844.89×616.80 (min 192×136, max 5184×3888) - B3 : 892 / 0.1433 GiB / 660.47×485.86 (min 192×123, max 3264×2448) - B4 : 136 / 0.0141 GiB / 609.66×385.03 (min 192×131, max 2048×1364) - C2 : 2,927 / 0.8683 GiB / 917.67×669.39 (min 100×100, max 6016×4000) - C2-R2 : 27 / 0.0090 GiB / 940.30×663.56 (min 300×168, max 1024×768) - C2-R3 : 6 / 0.0006 GiB / 1024.00×724.00 (min 1024×683, max 1024×770) - C3 : 1,144 / 0.3532 GiB / 911.50×658.99 (min 100×100, max 2688×2196) - C3-R2 : 42 / 0.0085 GiB / 863.48×619.19 (min 192×190, max 1024×903) - C3-R3 : 16 / 0.0023 GiB / 1024.00×711.75 (min 1024×575, max 1024×813) - T2-S1 : 104 / 0.0148 GiB / 730.63×506.23 (min 192×154, max 1280×1024) - T2-S2 : 194 / 0.0480 GiB / 881.21×632.74 (min 192×149, max 3648×2736) - T2-S3 : 751 / 0.2299 GiB / 1014.37×717.68 (min 192×123, max 5623×3749) - T3-S1 : 38 / 0.0085 GiB / 738.37×516.26 (min 100×100, max 1200×1024) - T3-S2 : 566 / 0.1566 GiB / 789.73×525.90 (min 100×100, max 7200×5100) - T3-S3 : 680 / 0.2997 GiB / 976.42×693.59 (min 100×100, max 4288×3216)

Files

Institutions

Categories

Civil Engineering, Machine Learning, Transport Highway, Deep Learning, Infrastructure

Licence