Kinetics-600是一个用于视频动作识别的大规模数据集，包含约480,000个视频片段，涵盖600个人类动作类别。它于2018年由DeepMind（现为Google DeepMind）和牛津大学的研究人员引入，建立在早期的Kinetics-400数据集基础之上。该数据集广泛用作训练和评估视频理解任务中深度学习模型的基准。
这些片段来源于YouTube，描绘了广泛的人类活动，从‘刷牙’等日常动作到体育和与物体的互动。每个片段被裁剪至约10秒，并标注单一动作类别。该数据集旨在捕捉真实世界人类动作的多样性和复杂性，使其成为动作识别算法具有挑战性的测试平台。
数据集构建
Kinetics-600数据集通过半自动流水线创建。候选视频URL通过每个动作类别的搜索查询收集，然后人工标注者验证片段以确保其正确描绘了预期动作。标注过程涉及多个阶段的质量控制，包括检查标签正确性以及移除模糊或低质量的片段。最终数据集包含600个类别，每个类别至少有600个片段，确保类别间的平衡分布。总片段数约为480,000，训练/验证/测试分割比例约为70/10/20。
与Kinetics-400和Kinetics-700的关系
Kinetics-600是原始Kinetics-400（400个类别，2017年引入）和后续Kinetics-700（700个类别，2019年发布）之间的中间版本。与Kinetics-400相比，Kinetics-600增加了200个新动作类别，包括更细粒度的活动和互动。该数据集还引入了更严格的验证协议，使用固定的验证片段集以促进模型间的公平比较。Kinetics-700进一步扩展了类别数量，并引入了时间分割以评估对未见时间段的泛化能力。
对视频理解的影响
Kinetics-600已成为视频动作识别的标准基准，推动了3D卷积网络和视频Transformer等架构的进步。在Kinetics-600上预训练的模型常作为下游任务（如视频字幕和时空动作检测）的特征提取器。数据集的多样性鼓励了捕捉外观和运动线索的方法开发，从而提高了准确性和鲁棒性。截至2025年，最先进的模型在验证集上实现了超过90%的top-1准确率，相比初始基线有显著提升。
局限性与批评
尽管取得了成功，Kinetics-600因YouTube来源数据中固有的偏差（如地理和文化倾斜）而受到批评。动作类别主要偏向西方中心，这可能限制了在其上训练的模型对其他地区的泛化能力。此外，该数据集侧重于短时、单动作片段，未能完全捕捉长期活动或多标签场景的复杂性。研究人员提出了补充数据集，如Something-Something和Moments in Time，以解决其中一些差距。