视频分割数据集基准
DAVIS（Densely Annotated VIdeo Segmentation）是面向视频目标分割的学术数据集与评测基准。网站正文明确说明其目标是对视频目标分割领域的先进方法进行深入分析，并提供 DAVIS 2016、DAVIS 2017 以及历年 Challenge 入口。需要注意的是，独立 DAVIS 项目已进入维护模式：不再举办新的 DAVIS 挑战，也不再更新本站 benchmark leaderboard，已有结果已整合到 Papers with Code。
DAVIS 2016 每段视频标注单个实例；DAVIS 2017 则包含多实例标注，并区分 Semi-supervised 与 Unsupervised 设置。这里的半监督/无监督指测试阶段的人类交互程度：半监督提供首帧目标 mask，无监督不提供人工输入。网站还提供 State-of-the-Art 结果展示、浏览器内结果可视化、图像与标注下载、预计算结果以及复现评测的代码。评测服务器仍在 Codalab 运行，最新论文结果可提交到 Papers with Code 对应任务页。
正文没有提到收费、订阅、商业授权或支付方式，因此更应视为免费开放的研究基准资源，而非商业 SaaS。它不是典型意义上的开发者工具平台：没有说明 API、SDK、CLI、云服务或自托管部署能力；支持的编程语言和深度学习框架也未在正文中给出。不过，提供评测复现代码和公开数据下载，对研究型开发流程仍有实用价值。
优点是数据集定义清晰、引用体系完善，历年 CVPR/arXiv 论文和 BibTex 齐全，并有社区扩展标注，如指代表达、眼动注视和阴影标注，适合视频目标分割、视觉注意力和多模态分割研究。缺点是项目维护化后更新活跃度有限，官网 leaderboard 停止更新，支持服务、授权细节和工程化文档不足。它最适合计算机视觉研究者、论文作者和需要标准化 VOS 评测的算法团队。
正文未提供中国大陆访问、镜像或支付信息，访问状态只能标记为未知。若访问 Codalab、Papers with Code 或下载资源不稳定，研究者可考虑结合 YouTube-VOS、MOSE、LVOS 等同类视频目标分割数据集，或直接在 Papers with Code 对应任务中查看更新的结果与替代基准。
本测评基于公开资料整理,不构成购买建议,请以 davischallenge.org 官网实际信息为准。
CV研究常用视频分割Benchmark，数据可下载。
评分明细(分布与用户短评)接入中。当前展示 TG4G 综合评分,数据源自公开测评与用户反馈。