图像理解。为了使计算机理解图像，数据集中的图片被划分成一个个区域，每个区域都有与其对应的一句自然语言描述。共108,077张图。
检测图内中文。
场景图片。包含10个场景类别，例如卧室、固房、客厅、教室等场景图像。每类场景大约有120,000至3,000,000张图片。
第一视角视频数据集。Facebook和NUS、MIT等高校联合推出3000小时的第一视角视频数据集Ego4D
最大自动驾驶数据集。包括了1000万张无标注图片以及2万张带标注图片。SODA10M数据集收集了不同城市在不同天气条件、时间段以及位置的场景。 晴天雨天、白天夜晚、城市高速园区…… 更重要的是，覆盖面很广。 1000万张无标注图片来自32个城市，囊括了国内大部分地区。
32像素图片。CIFAR-10包含了10个种类的图片，包括飞机，汽车，鸟.....图片是彩色的。总共60,000个样本。CIFAR-100包含了100个种类，但是总共也只有60,000个样本。
目标分割数据。DAVIS(Densely-Annotated VIdeo Segmentation)数据集是视频目标分割(VOS)任务中最重要的数据集之一。
