Stanford Cars Dataset — это один из самых известных и широко используемых наборов данных в области компьютерного зрения, ориентированный на задачу детальной классификации изображений автомобилей. Он был представлен исследователями из Стэнфордского университета и быстро завоевал популярность среди специалистов по машинному обучению, став стандартом для оценки моделей распознавания объектов с тонкими различиями. Набор данных содержит 16 185 изображений автомобилей, разделённых на 196 классов. Каждый класс соответствует конкретной марке, модели и году выпуска, например Audi A5 Coupe 2012 или BMW M3 Sedan 2012. Изображения разделены примерно поровну на обучающую и тестовую выборки: около 8 144 снимка предназначены для обучения и 8 041 — для тестирования. Такое распределение делает датасет удобным для честного сравнения различных архитектур и подходов. Особенность Stanford Cars заключается в том, что он относится к категории задач так называемой детальной, или fine-grained, классификации. В отличие от обычного распознавания, где модель должна отличить кошку от собаки, здесь система обязана улавливать едва заметные различия между внешне похожими автомобилями. Две модели одной марки могут отличаться лишь формой фар, очертанием бампера или мелкими деталями кузова, что значительно усложняет задачу и делает датасет особенно ценным для проверки качества алгоритмов. Изображения в наборе сопровождаются аннотациями, включающими ограничивающие рамки, которые указывают точное расположение автомобиля в кадре. Это позволяет использовать датасет не только для классификации, но и для задач локализации объектов. Снимки сделаны в самых разных условиях: при различном освещении, под разными углами и на фоне разнообразных пейзажей, что приближает данные к реальным сценариям эксплуатации. За годы существования Stanford Cars Dataset стал отправной точкой для множества научных работ. На нём тестировались такие подходы, как свёрточные нейронные сети, механизмы внимания и трансформеры. Многие современные модели достигают точности выше девяноста процентов, что демонстрирует значительный прогресс в области детальной классификации изображений. Помимо академической ценности, датасет находит применение в практических сферах. Технологии, отработанные на нём, используются в системах автоматического распознавания транспортных средств, в страховой оценке повреждений автомобилей, а также в приложениях для онлайн-торговли подержанными машинами.