视频与音频数据集-动作识别

包含多人行为片段、80+原子动作、Bounding Box及时间序列标注，适用于动作识别、行为预测与VLA训练。

0 条数据更新时间 2026-06-08

数据集简介

主要数据内容包括：大规模时空动作定位（Spatio-temporal Action Localization）视频数据包含电影与公开视频中的多人行为视频片段数据覆盖 80+ 原子级人体动作（Atomic Visual Actions）标注提供人体 Bounding Box、动作类别与时间序列标注数据支持多人物、多动作同时发生的复杂场景数据提供动作、说话状态与音视频联合标注数据资源支持的能力方向包括：视频动作识别（Action Recognition）训练时空动作检测与行为定位多人物行为分析与场景理解视频时序推理与长视频理解Audio-Visual 多模态行为识别Active Speaker Detection（说话人检测）Vision-Language-Action（VLA）模型训练视频异常行为与复杂交互分析适用于：视频理解 AI 模型研发智能监控与行为分析系统多模态视频模型训练人机交互与行为识别研究视频 Benchmark 评测与算法验证多模态时序数据训练与研究场景

数据质量

记录时效性

按需更新

记录结构化

NDJSON、JSON、CSV、XLSX、Parquet，支持定制化

记录云交付

Amazon S3、Snowflake、Alibaba Cloud OSS、Google Cloud Storage、Google Drive

记录标准化

为保证数据的一致性与可用性，数据集在构建过程中对原始记录进行了标准化处理，包括：（1）单位标准化：统一价格、重量、尺寸等字段的计量单位；（2）格式标准化：统一日期、时间、数值字段的表示格式；（3）文本清洗：去除 HTML 标签、多余空格及异常字符；（4）字段规范化：统一字段命名、数据类型与缺失值表示方式。该过程确保数据在不同来源和不同采集批次之间保持结构一致性，便于后续分析与建模。

记录代表性

数据覆盖全量业务场景，样本均衡，具备行业代表性

需要定制更适合业务场景的数据集？

我们支持公开数据浏览、关键词筛选与企业级定制交付，帮助你更快完成模型训练与数据分析落地。