马与斑马图像转换数据集包含testA_120张马和testB_140张斑马共260张256x256分辨率JPG格式原始图片适用于CycleGAN非配对图像翻译风格迁移与生成对抗网络研究

# horse2zebra 马与斑马图像转换数据集

## 引言与背景

图像到图像翻译（Image-to-Image Translation）是计算机视觉领域的核心研究方向之一，其目标是在不同视觉域之间建立映射关系，实现图像风格的跨域转换。horse2zebra 数据集是该领域最为经典的基准数据集之一，广泛应用于以 CycleGAN 为代表的非配对图像翻译模型的训练与评估。该数据集由 Berkeley AI Research（BAIR）团队整理发布，源自 ImageNet 数据集的两个动物类别子集，通过 WordNet ID 进行精确标注和检索，确保了数据来源的权威性和标注的准确性。

horse2zebra 数据集的完整内容由两个类别的原始图像文件构成：testA 目录包含马（horse）类别的图像，testB 目录包含斑马（zebra）类别的图像。所有图像均为 JPG 格式的完整原始文件，分辨率为统一的 256x256 像素，无需额外的预处理即可直接用于模型训练。数据集不包含独立的标注文件或元数据文件，图像本身即为完整的数据载体，文件名中的 WordNet ID（n02381460 对应马，n02391049 对应斑马）承担了类别标识的功能。

该数据集对科研和算法训练具有显著价值。在学术研究层面，它是 CycleGAN、DualGAN、DiscoGAN 等非配对图像翻译模型的标配训练数据，研究者通过该数据集验证模型在跨域图像生成任务中的表现。在产业应用层面，马与斑马之间的风格迁移是典型的图像增强和创意生成场景，相关技术可延伸至艺术风格迁移、数据增强、虚拟试衣、场景渲染等多个商业领域。此外，该数据集的统一分辨率和纯图像构成特点，使其非常适合用于生成对抗网络（GAN）的训练、评估和对比实验，为模型的定量分析提供了标准化基础。

## 数据基本信息

horse2zebra 数据集共包含 260 张 JPG 格式的原始图像文件，分为两个类别目录。testA 目录包含 120 张马类图像，文件名前缀为 n02381460（ImageNet WordNet ID，对应"马"类别）；testB 目录包含 140 张斑马类图像，文件名前缀为 n02391049（ImageNet WordNet ID，对应"斑马"类别）。所有图像均为 RGB 彩色图像，分辨率为统一的 256x256 像素，采用 JPEG 压缩格式存储。testA 目录总大小约 5.1MB，testB 目录总大小约 6.4MB，数据集整体大小约 11.5MB。每张图像的文件大小在 8KB 至 88KB 之间，平均约 44KB，反映了不同图像场景复杂度和压缩率的差异。数据集不含独立的标注文件、元数据文件或配置文件，文件名中的 WordNet ID 和序号即为唯一的数据标识。

### 数据字段说明

| 字段名称 | 字段类型 | 字段含义 | 数据示例 | 完整性 |
|---------|---------|---------|---------|--------|
| 文件名 | 字符串 | 图像文件的唯一标识，包含类别ID和序号 | n02381460_1000.jpg | 100%（260/260） |
| 类别ID | 字符串 | ImageNet WordNet ID，标识图像所属类别 | n02381460（马）/ n02391049（斑马） | 100%（260/260） |
| 序号 | 整数 | 同类别内的唯一编号，从文件名提取 | 1000, 1010, 20 | 100%（260/260） |
| 文件格式 | 字符串 | 图像的编码格式 | jpg（JPEG） | 100%（260/260） |
| 图像宽度 | 整数 | 图像的像素宽度 | 256 | 100%（260/260） |
| 图像高度 | 整数 | 图像的像素高度 | 256 | 100%（260/260） |
| 色彩通道 | 整数 | 图像的色彩通道数 | 3（RGB） | 100%（260/260） |
| 文件大小 | 整数 | 图像文件的字节大小 | 49608 bytes | 100%（260/260） |
| 所属目录 | 字符串 | 图像所在的类别目录 | testA / testB | 100%（260/260） |

### 数据分布情况

| 类别 | 目录 | WordNet ID | 记录数量 | 占比 |
|------|------|-----------|---------|------|
| 马（horse） | testA | n02381460 | 120 | 46.2% |
| 斑马（zebra） | testB | n02391049 | 140 | 53.8% |
| 合计 | - | - | 260 | 100% |

| 文件格式 | 记录数量 | 占比 |
|---------|---------|------|
| JPG（JPEG） | 260 | 100% |

| 分辨率 | 记录数量 | 占比 |
|--------|---------|------|
| 256x256 | 260 | 100% |

| 大小区间 | 记录数量 | 占比 |
|---------|---------|------|
| 8KB - 20KB | 约35 | 13.5% |
| 20KB - 40KB | 约75 | 28.8% |
| 40KB - 60KB | 约90 | 34.6% |
| 60KB - 88KB | 约60 | 23.1% |

## 数据优势

| 优势特征 | 具体表现 | 应用价值 |
|---------|---------|---------|
| 完整原始图像文件 | 260张完整的JPG格式原始图片，非裁剪或降质版本 | 可直接用于模型训练，无需额外获取原始数据，保障实验可复现性 |
| 统一分辨率 | 所有图像均为256x256像素，无需额外缩放处理 | 降低预处理成本，确保模型输入一致性，便于公平对比实验 |
| 经典基准数据集 | horse2zebra是CycleGAN论文官方使用的标准数据集 | 研究结果可直接与学术界已有工作进行对比，提升论文可信度 |
| 双类别对称结构 | testA（马）与testB（斑马）构成对称的跨域翻译对 | 完美适配CycleGAN的双向翻译训练范式，支持前向和反向风格迁移 |
| WordNet ID标注 | 文件名包含ImageNet标准WordNet ID，来源可追溯 | 确保数据来源的权威性和可验证性，便于学术引用和数据溯源 |
| 轻量级数据规模 | 总大小约11.5MB，适合快速迭代实验 | 支持在普通GPU上进行快速训练和调试，降低研究门槛 |
| 多样化场景内容 | 涵盖不同姿态、背景、光照条件下的动物图像 | 增强模型对多样化场景的泛化能力，提升生成质量 |

## 数据样例

以下为数据集中的文件列表样例，展示了 testA（马）和 testB（斑马）两个类别各10条样例。实际数据集中包含完整的原始JPG图像文件可供使用，由于图像为二进制格式无法在文本中直接展示，以下以文件列表样例形式呈现。

| 序号 | 文件名 | WordNet ID | 类别 |
|------|--------|-----------|------|
| 1 | n02381460_1000.jpg | n02381460 | 马 |
| 2 | n02381460_1010.jpg | n02381460 | 马 |
| 3 | n02381460_1030.jpg | n02381460 | 马 |
| 4 | n02381460_1090.jpg | n02381460 | 马 |
| 5 | n02381460_1100.jpg | n02381460 | 马 |
| 6 | n02381460_120.jpg | n02381460 | 马 |
| 7 | n02381460_140.jpg | n02381460 | 马 |
| 8 | n02381460_20.jpg | n02381460 | 马 |
| 9 | n02381460_40.jpg | n02381460 | 马 |
| 10 | n02381460_50.jpg | n02381460 | 马 |

| 序号 | 文件名 | WordNet ID | 类别 |
|------|--------|-----------|------|
| 1 | n02391049_100.jpg | n02391049 | 斑马 |
| 2 | n02391049_1000.jpg | n02391049 | 斑马 |
| 3 | n02391049_1020.jpg | n02391049 | 斑马 |
| 4 | n02391049_1060.jpg | n02391049 | 斑马 |
| 5 | n02391049_1100.jpg | n02391049 | 斑马 |
| 6 | n02391049_120.jpg | n02391049 | 斑马 |
| 7 | n02391049_130.jpg | n02391049 | 斑马 |
| 8 | n02391049_200.jpg | n02391049 | 斑马 |
| 9 | n02391049_400.jpg | n02391049 | 斑马 |
| 10 | n02391049_80.jpg | n02391049 | 斑马 |

## 应用场景

horse2zebra 数据集是 CycleGAN 模型训练的标准基准数据集。CycleGAN 的核心创新在于无需配对的训练数据即可实现跨域图像翻译，而 horse2zebra 正是为这一范式量身打造的经典测试场景。研究者使用 testA 中的马图像作为源域，testB 中的斑马图像作为目标域，通过两个生成器和两个判别器构建双向翻译网络。训练过程中，模型学习将马的图像转换为斑马外观，同时将斑马的图像转换为马的外观，并通过循环一致性损失确保转换的可逆性。该数据集的 260 张图像提供了适度的训练规模，既能支撑模型的有效学习，又能在单张 GPU 上完成训练，非常适合算法的快速验证和迭代优化。由于所有图像分辨率统一为 256x256，无需额外的缩放处理，研究者可以直接将其加载至训练管道中。

基于 horse2zebra 数据集训练的风格迁移模型在艺术创作和创意设计领域具有显著应用价值。马到斑马的颜色和纹理转换是典型的动物风格迁移场景，其技术原理可直接迁移至其他图像增强任务。例如，在数字艺术创作中，艺术家可以利用训练好的模型将普通照片中的物体外观转换为特定的艺术风格；在商业设计领域，该技术可用于产品外观的虚拟变换、场景风格的快速预览等。此外，斑马独特的条纹图案生成对于纹理合成研究具有重要参考意义，研究者可以通过分析模型如何生成规则的条纹纹理来改进纹理生成算法。该数据集包含的完整原始图像文件为风格迁移模型的训练提供了高质量的视觉内容，模型能够从图像中学习到丰富的纹理、颜色和结构信息。

horse2zebra 数据集在生成对抗网络的研究和评估中扮演着重要角色。作为图像到图像翻译 GAN 的标准评测数据集，它被广泛用于衡量不同 GAN 架构的生成质量、训练稳定性和模式多样性。研究者可以使用该数据集对 FID（Fréchet Inception Distance）、IS（Inception Score）、KID（Kernel Inception Distance）等标准指标进行计算，定量评估生成图像的质量。此外，该数据集的双类别对称结构使得双向翻译实验成为可能，研究者可以同时评估前向（马到斑马）和反向（斑马到马）的翻译质量，全面衡量模型的跨域映射能力。在实际应用中，该数据集还可用于研究 GAN 训练中的模式坍塌问题、训练不稳定问题以及不同损失函数组合的效果，为 GAN 理论的改进提供实验支撑。数据集中完整的原始图像使得评估过程可以基于真实图像与生成图像的直接对比，确保评估结果的客观性和准确性。

## 结尾

horse2zebra 数据集作为非配对图像翻译领域的经典基准数据集，其核心价值在于提供了高质量、标准化的跨域图像对，支撑了 CycleGAN 及众多图像翻译模型的研发与评估。数据集包含 260 张完整的原始 JPG 图像文件，统一为 256x256 像素分辨率，覆盖了马和斑马两个视觉差异显著的类别，为跨域风格迁移研究提供了理想的数据基础。该数据集的最大优势在于其包含完整的原始图像文件，无需额外获取或处理即可直接用于模型训练和评估，保障了实验的可复现性和结果的可比性。对于从事生成对抗网络、图像翻译、风格迁移等领域的研究者和工程师而言，horse2zebra 数据集是不可或缺的基础数据资源。有需要可私信获取更多信息。