Advertisement

蚕茧瑕疵检测数据集VOC+YOLO格式523张含4类.zip

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：ZIP

简介：
本数据集包含523张图片及对应的标注文件，用于训练和测试YOLO模型识别四种不同类型的蚕茧瑕疵。格式兼容Pascal VOC与YOLO标准。 样本图：请到服务器资源详情查看并下载。 数据集格式为Pascal VOC与YOLO格式（不含分割路径的txt文件），仅包含jpg图片及对应的VOC xml文件和yolo txt文件。 - 图片数量(jpg文件个数)：523张 - 标注数量(xml文件个数)：523份 - 标注数量(txt文件个数)：523份 标注类别共有4种，分别为： 1. fugongiya 框数 = 1297 2. normal 框数 = 1825 3. sunken 框数 = 2110 4. surface defect 框数 = 4042 总标注框数量：9274个。 使用工具为labelImg，规则是对类别进行矩形框标记。 重要说明：暂无特别说明。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 蚕茧瑕疵检测数据集VOC+YOLO格式523张含4类.zip
    优质
    本数据集包含523张图片及对应的标注文件，用于训练和测试YOLO模型识别四种不同类型的蚕茧瑕疵。格式兼容Pascal VOC与YOLO标准。 样本图：请到服务器资源详情查看并下载。 数据集格式为Pascal VOC与YOLO格式（不含分割路径的txt文件），仅包含jpg图片及对应的VOC xml文件和yolo txt文件。 - 图片数量(jpg文件个数)：523张 - 标注数量(xml文件个数)：523份 - 标注数量(txt文件个数)：523份 标注类别共有4种，分别为： 1. fugongiya 框数 = 1297 2. normal 框数 = 1825 3. sunken 框数 = 2110 4. surface defect 框数 = 4042 总标注框数量：9274个。 使用工具为labelImg，规则是对类别进行矩形框标记。 重要说明：暂无特别说明。
  • 轮胎瑕疵检测数据集（VOC+YOLO格式），含2154张图片，4个类别.7z
    优质
    本数据集包含2154张图像，用于轮胎瑕疵检测，支持VOC和YOLO格式，涵盖四种不同类型缺陷，适用于训练高效的瑕疵识别模型。 数据集采用Pascal VOC格式与YOLO格式（不含分割路径的txt文件），仅包含jpg图片及其对应的VOC格式xml文件和yolo格式txt文件。 总共有2154张图片，每一张都有相应的标注文件。 - 使用了四种不同的类别进行标注：debris、ground、side 和 side_cut。 - 各类别的具体框数如下： - debris: 1599个 - ground: 564个 - side: 188个 - side_cut: 493个 总计标注了2844个边界框。 使用的标注工具为labelImg。
  • 香烟瑕疵检测数据集VOC+YOLO格式含197张图片2类别.zip
    优质
    该数据集包含197张图片和两个类别的标注信息，采用VOC与YOLO兼容格式，适用于训练和评估香烟瑕疵检测模型。 数据集格式：Pascal VOC格式+YOLO格式（不含分割路径的txt文件，仅包含jpg图片及对应的VOC格式xml文件和yolo格式txt文件） 图片数量（jpg文件个数）：197 标注数量（xml文件个数）：197 标注数量（txt文件个数）：197 标注类别数：2 标注类别名称：[kongtou, yiwu] 每个类别标注的框数： - kongtou 框数 = 100 - yiwu 框数 = 97 总框数：197 使用标注工具：labelImg 标注规则：对类别进行矩形框标记 重要说明：暂无 特别声明：本数据集不对训练的模型或权重文件精度作任何保证，仅提供准确且合理的标注。
  • 谢韦尔钢材瑕疵检测数据集VOC+YOLO格式含6666张图片4类别.7z
    优质
    此数据集包含6666张图片，用于训练和测试钢材表面瑕疵检测模型，涵盖四大类缺陷。以PASCAL VOC及YOLO格式提供，便于深度学习应用开发。 数据集格式：Pascal VOC格式+YOLO格式（不包含分割路径的txt文件，仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件） 图片数量(jpg文件个数)：6666 标注数量(xml文件个数)：6666 标注数量(txt文件个数)：6666 标注类别数：4 标注类别名称:[crack, patches, pitting, scratches] 每个类别标注的框数： - crack 框数 = 321 - patches 框数 = 1911 - pitting 框数 = 3085 - scratches 框数 = 14700 总框数：20017 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，仅提供准确且合理的标注。
  • 传送带瑕疵检测数据集（VOC+YOLO格式，含1238张图片，2个类别）.zip
    优质
    本数据集包含1238张图片，适用于传送带瑕疵检测任务，采用VOC与YOLO两种格式标注，涵盖两个类别，有助于提升模型在工业场景中的应用效果。 样本图展示的是一个包含1238张jpg图片的数据集，每张图片都对应有Pascal VOC格式的xml文件以及YOLO格式的txt文件作为标注。数据集中共有两类标注对象：crack（裂缝）与normal（正常），总共涉及了1743个矩形框用于标记。 具体来说： - crack类别下的矩形框数量为1099。 - normal类别的矩形框数量为644。 此数据集使用labelImg工具进行标注，主要任务是对图片中的物体进行画矩形框的分类操作。除了上述信息外，没有其他特别说明或要求。需要注意的是，提供者不对训练模型后的精度做出任何保证，仅确保提供的数据集内标记准确合理。
  • 齿轮瑕疵检测数据集（VOC+YOLO格式），含2978张图片，3个类别.7z
    优质
    本数据集提供了一个包含2978张图片的齿轮瑕疵检测资源库，采用VOC与YOLO双格式标注，涵盖三种不同类型的缺陷。 数据集格式：Pascal VOC格式+YOLO格式（不包含分割路径的txt文件，仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件） 图片数量(jpg文件个数)：2978 标注数量(xml文件个数)：2978 标注数量(txt文件个数)：2978 标注类别数：3 标注类别名称:[break, lack, scratch] 每个类别标注的框数： - break 框数 = 1000 - lack 框数 = 980 - scratch 框数 = 4317 总框数：6297 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，仅提供准确且合理的标注。
  • 铝片表面工业瑕疵检测数据集（VOC+YOLO格式，含400张图片，4个类别）.7z
    优质
    本数据集包含400张图像及对应的标注文件，适用于铝片表面瑕疵检测任务。采用VOC与YOLO双格式存储，涵盖裂纹、划痕等4种常见缺陷类型。 数据集格式：Pascal VOC格式+YOLO格式（不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件） 图片数量（jpg文件个数）：400 标注数量（xml文件个数）：400 标注数量(txt文件个数)：400 标注类别数：4 标注类别名称: [ca_shang, zang_wu, zhe_zhou, zhen_kong] 每个类别标注的框数： - ca_shang 框数 = 270 - zang_wu 框数 = 456 - zhe_zhou 框数 = 124 - zhen_kong 框数 = 212 总框数：1062 使用标注工具：labelImg 标注规则：对类别进行画矩形框。 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，仅提供准确且合理的标注。
  • 自然灾害检测数据集VOC+YOLO格式19151张4类别自然灾害检测数据集VOC+YOLO格式19151张4类别
    优质
    \n在当今的信息时代，机器学习和深度学习技术的快速发展，使得在计算机视觉领域对大规模、高质量的标注数据集的需求日益迫切。特别是在自然灾害检测领域，准确及时地识别和评估各种自然灾害事件具有重要的社会意义和实用价值。数据集作为机器学习模型训练的基础，其质量和多样性直接影响模型的性能。本文所述的自然灾害检测数据集正是为应对这一需求而设计。\n\n该数据集遵循Pascal VOC格式和YOLO格式，包含19151张标注图片，涵盖“倒树”、“滑坡”、“道路坍塌”、“石头”等四种类别的自然灾害。在标注方面，数据集采用labelImg标注工具进行图像中的特定灾害进行标注，并通过画矩形框的方式来指示灾害在图像中的具体位置。这种标注方式不仅直观、操作简便，而且非常符合实际应用中对于目标检测任务的需求。\n\n数据集的来源包括原始图片及其增强图片，其中原图约占数据集的1/3，剩下的2/3是经过图像增强处理后的图片。图片增强技术通常包括旋转、缩放、剪裁、颜色变换等方法，增强后的图片可提供给训练模型更多的视觉变体，帮助模型泛化，减少过拟合的风险，提高模型在真实世界中的鲁棒性和准确性。\n\n数据集中的每张图片都有对应的VOC格式的XML标注文件和YOLO格式的TXT标注文件，分别用于满足不同训练框架和算法的需要。VOC格式的XML文件通常包含目标的位置、尺寸、类别等信息，而YOLO格式的TXT文件以其简洁高效著称，更适合用于实时性强的目标检测算法。尽管数据集不包含分割路径的TXT文件，但其提供的图片及标注文件已足够为研究者提供丰富的信息资源，用于开发和评估目标检测模型。\n\n值得注意的是，数据集提供的19151张图片中，每个类别都包含了相当数量的样本。例如，“倒树”类别的框数为11037，“滑坡”类别的框数为7818，“道路坍塌”类别的框数为6416，“石头”类别的框数更是达到了25155，总计达到了50426个标注框。这一数字表明数据集具有相当的规模，能够提供给训练模型足够的学习样本，从而有望训练出性能优秀的检测模型。\n\n在使用该数据集进行模型训练之前，研究人员和工程师需要了解本数据集不包含对训练模型或权重文件精度的任何保证，用户需要自行评估数据集的合理性与准确性。此外，对于任何与数据集相关的问题，用户应自行解决，数据集的提供者不承担任何责任。在实际应用中，用户需要对数据集进行预处理，如图片的缩放、归一化，对标注文件进行解析等，使之适用于特定的模型和框架。\n\n为了展示数据集的应用效果，提供了少量图片的标注例子，这些例子可以帮助用户直观理解数据集的质量和标注的准确性。这不仅可以作为数据集质量和适用性的参考，也为用户学习如何使用该数据集提供了有力的示范。\n\n该自然灾害检测数据集集合了大量高质量标注图片，能够满足深度学习在自然灾害检测领域的研究和应用需求。尽管数据集的提供者对模型训练结果不提供保证，但其庞大的规模和丰富的类别覆盖，为研究者提供了一个宝贵的资源，有望促进相关技术的发展和应用。