Advertisement

VOC格式轮胎缺陷数据集（训练集884张，测试集46张）

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

简介：
这是一个包含930张图像的数据集，专为检测轮胎表面缺陷设计，其中训练集有884张图片，测试集则包含46张图片。通过标注VOC格式的XML文件，便于使用各种机器学习框架进行目标检测和分类研究。 我们有一个VOC格式的轮胎缺陷数据集，包含884张训练图像和46张测试图像，适用于深度学习中的YOLO框架。每一张图片都有对应的XML格式标注文件。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • VOC格式轮胎缺陷数据集（训练集884张，测试集46张）
    优质
    这是一个包含930张图像的数据集，专为检测轮胎表面缺陷设计，其中训练集有884张图片，测试集则包含46张图片。通过标注VOC格式的XML文件，便于使用各种机器学习框架进行目标检测和分类研究。 我们有一个VOC格式的轮胎缺陷数据集，包含884张训练图像和46张测试图像，适用于深度学习中的YOLO框架。每一张图片都有对应的XML格式标注文件。
  • 绝缘子缺陷检测数据集（VOC格式，含4086张图片，适用于YOLO训练）
    优质
    本数据集包含4086张图像，采用VOC格式存储，专为使用YOLO算法进行绝缘子缺陷检测模型训练而设计。 数据集格式：Pascal VOC（不含分割路径的txt文件和yolo格式的txt文件，仅包含jpg图片及对应的xml标注） 图片数量（jpg文件个数）：4086 标注数量（xml文件个数）：4086 标注类别数：3 标注类别名称： - jueyuanzi - posun - fangdian 每个类别的标注框数量统计： - jueyuanzi: 8019个矩形框 - posun: 1780个矩形框 - fangdian: 1144个矩形框 使用工具：labelImg 标注规则说明： - 对于jueyuanzi，需要将其整个范围进行完整地框选。 - 对于posun，则需对断裂、缺失或破损区域进行标记。 - fangdian 包括自爆痕迹和放电痕迹的定位。 特别提醒：本数据集不保证训练模型或者权重文件的精度。所提供的仅是准确且合理的标注信息。
  • 轮毂缺陷检测数据集（VOC+YOLO格式，含1445张图片，7个类别）.zip
    优质
    本数据集包含1445张图片及对应的标注文件，适用于轮毂缺陷检测任务。采用VOC和YOLO两种格式，涵盖7种类别，方便用户根据需求选择使用。 样本图展示如下： 文件存放于服务器，请务必在电脑端查看资源详情后再进行下载。 数据集格式为Pascal VOC与YOLO格式（不包含分割路径的txt文件，仅包括jpg图片及其对应的VOC格式xml文件和yolo格式txt文件）。 图片数量：1445张 标注数量(xml)：1445个 标注数量(txt)：1445个 标注类别总数为7类： - Blue hole - Brake Thermal Cracks - Contact Fatigue Cracks - Out Of Roundness - Peeling - Rollerpile - flat
  • Captcha验证码数据集：训练集20000张，测试集10000张
    优质
    本项目提供了一个包含30000张图片的Captcha验证码数据集，其中训练集有20000张，测试集为10000张，适用于验证码识别系统的模型训练与评估。 训练集带label.csv文件位于train文件夹中。图片尺寸为105*35，在使用时可以调整为120*40。此数据集适用于人工智能图片验证码识别的训练需求。
  • 1197张图像的受电弓数据集（VOC格式标注）训练集
    优质
    本数据集包含1197张图像及其标注文件，采用VOC格式详细记录了高速列车受电弓信息，适用于机器学习与计算机视觉领域的研究和应用。 受电弓数据集以VOC格式提供，包含1197张训练图像、114张评估图像以及57张验证图像。这些图片主要由安装在车顶的相机拍摄而成，部分则为地面拍摄所得。该数据集适用于使用YOLO与PyTorch进行目标识别任务，并且包含了jpg图像和xml文件以支持深度学习模型的训练。
  • [数据集][VOC][正版]奔跑检测数据集（VOC格式）- 3248张
    优质
    本数据集提供3248张图像，遵循PASCAL VOC标准，专注于奔跑动作识别与分析，适用于计算机视觉领域研究。 数据集采用Pascal VOC格式存储（不含分割的txt文件），仅包含jpg图片及对应的xml文件。 - 图片数量：3248张 - 标注数量：3248个标注文件(xml) - 标注类别数：两类 - 类别名称包括：running 和 nr - 其中，running 表示正在奔跑的场景； - 而 nr 为 not running 的缩写，代表除了奔跑外的所有负样本。 - 每个类别的标注框数量： - “running” 类别有4036个边界框 - “nr”类别有1875个边界框 此数据集使用labelImg工具进行标注。需特别说明的是，该数据集仅提供准确且合理的标签信息，并不对训练模型或权重文件的精度做出任何保证。
  • 焊接件表面缺陷数据集VOC+YOLO格式2292张10类别
    优质
    焊接件表面缺陷检测是工业领域中不可或缺的质量控制环节。随着计算机视觉技术的快速发展，特别是深度学习在图像识别领域的广泛应用，目标检测技术已成为实现自动化检测 welding 接口缺陷的有效手段。基于此背景需求，本数据集应运而生。该数据集主要采用 Pascal VOC 与 YOLO 两种标准的标注格式，包含共计2292张 jpg 格式的图片。每张图片均经过精确标注，其中标注内容涵盖10种典型焊接件表面缺陷类型。每个图像不仅配有相应的 annotation 文件，具体而言，VOC 格式数据集提供2292个 xml 文件，YOLO 格式则提供2292个 txt 文件。这些 annotation 文件详细记录了缺陷位置及其类别信息。整个数据集总计包含3563个 bounding box 标记，覆盖10种不同缺陷类型。具体分布如下：折痕（crease）74个、月牙形间隙（crescent_gap）265个、夹杂（inclusion）347个、油斑（oil_spot）569个、冲孔（punching）329个、轧制坑（rolled_pit）85个、丝痕（silk_spot）884个、腰部折皱（waist_folding）143个、水斑（water_spot）354个以及焊缝线（welding_line）513个。在注释数据集的过程中，研究者主要依赖 labelImg 这一通用图像标注工具，通过绘制矩形框并分配类别标签完成标注操作，并将相关信息存储至相应 annotation 文件中。具体步骤包括：首先打开图片，随后在图像上绘制相应的矩形框，并为每个框分配具体的类别标签。保存标注信息到 xml 或 txt 文件。需要注意的是，该数据集仅提供经过精准标注的图片资源，无法保证训练出模型后达到的高度精度。因此，在实际应用中，研究者需自行完成模型训练并对其效果负责。尽管如此，本数据集所包含的高质量标注图片依然具备极高的实用价值。它不仅能够帮助相关领域的研究者和工程师节省大量标注时间和成本，更能加速目标检测算法的发展进程。更重要的是，该数据集为计算机视觉与深度学习技术在工业缺陷检测中的应用提供了强有力的技术支撑。通过本数据集，研究人员可更高效地训练和测试目标检测算法，并进一步推动相关技术在工业领域的深入发展和创新。对于那些致力于提升生产效率和产品质量的企业而言，该数据集同样展现出显著的应用潜力。
  • 3D打印缺陷缺陷检测数据集（VOC+YOLO）5864张3类别.docx
    优质
    该数据集名称为\3D打印缺陷检测数据集\，采用标准的VOC+YOLO标注格式，共计5864张图像，划分为三个主要类别，主要用于对3D打印中的缺陷进行视觉检测。数据集结构紧凑，由1/3的原生图像和2/3的比例用于增强图像组成，所有图像都配备了丰富的标注信息。该系统使用labelImg工具进行标注操作，具体类别涵盖\spaghetti\、\stringing\和\zits\三种类型，分别代表3D打印过程中的各类缺陷类型。从数据格式上看，该集合严格按照Pascal VOC标准和YOLO主流格式构建，其中包含5864张高质量的JPG图片，每张图片都配有对应的VOC格式XML文件以及YOLO格式的txt标注文件。XML文件不仅包含了图像的基本信息，还详细标注了缺陷区域。Yolo格式的txt文件则提供了与缺陷框相对应的坐标信息和类别标签。整个标注过程力求精确反映缺陷区域的位置特征。值得注意的是，在数据集的分类设置中，YOLO格式下的类别顺序并不遵循VOC的标准，而是以项目根目录下classes.txt中的列表为准。这种设计可能旨在兼顾不同标注工具的兼容性与转换需求，为研究者提供了灵活的切换接口。对于数据集的用户而言，类别的编号对应关系需通过项目配置文件来明确。此外，本集合明确不提供任何关于模型训练效果或权重参数精度的保证信息。这意味着，在实际使用该数据集进行模型训练时，参与者需要自行评估模型性能并负责结果解读。整个数据集系统为3D打印缺陷检测领域提供了大量高质量、标注详尽的图片资源，并以VOC和YOLO两种主流标注格式支持研究者与开发者开展相关工作。这一资源库不仅在图像识别领域具有重要应用价值，更将在机器学习技术的发展中发挥广泛前景。