Advertisement

带有标签的大豆种子缺陷图像分类数据集（约5,500张）

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：7Z

简介：
本数据集包含约5,500张带有标签的大豆种子缺陷图像，旨在支持机器学习模型识别大豆种子的各种瑕疵类型。 大豆种子缺陷图像分类数据集【已标注，约5,500张数据】 分类个数：5（破碎、完整、斑点等）【详细类别请查看json文件】 该数据集已经划分了训练集与测试集，并分别存放各自同一类别的图片。如需可视化数据集，请运行资源中的show脚本。 有关图像分类网络改进的内容，可参考相关博客文章；同时也有一个完整的计算机视觉项目可供学习和参考。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 带有标签的大豆种子缺陷图像分类数据集（约5,500张）
    优质
    本数据集包含约5,500张带有标签的大豆种子缺陷图像，旨在支持机器学习模型识别大豆种子的各种瑕疵类型。 大豆种子缺陷图像分类数据集【已标注，约5,500张数据】 分类个数：5（破碎、完整、斑点等）【详细类别请查看json文件】 该数据集已经划分了训练集与测试集，并分别存放各自同一类别的图片。如需可视化数据集，请运行资源中的show脚本。 有关图像分类网络改进的内容，可参考相关博客文章；同时也有一个完整的计算机视觉项目可供学习和参考。
     
  • 带有定位标签的缺陷检测数据集2
    优质
    这是一个包含定位信息的缺陷检测数据集，旨在帮助研究人员和工程师训练及测试工业视觉系统中识别产品缺陷的能力。 我们有一个包含500多个带标签样本的缺陷检测数据集，这些数据是从网站上下载的。
     
  • 大豆叶病害图像分类数据集【含标注信息，约3,600张图片】
    优质
    本数据集包含超过三千六百张大豆叶病害图像及其详细标注信息，旨在促进植物病理学领域的研究与应用。 大豆叶片病害图像分类数据集【已标注，约3,600张数据】 分类个数【3】：炭疽病、健康、锈病【具体查看json文件】 划分了训练集、验证集、测试集。存放各自的同一类数据图片。如果想可视化数据集，可以运行资源中的show脚本。 CNN分类网络改进的相关内容可以在相关博客中找到。 更多关于图像分类、图像分割（医学）、目标检测（yolo）的项目以及相应网络的改进，也可以在个人主页上查看。
     
  • 配网绝缘子缺陷检测数据集（超1万张图片，附带txt标签）
    优质
    本数据集包含超过一万张用于配网绝缘子缺陷检测的高质量图像，并提供详细的txt格式标注文件，适用于机器学习与深度学习研究。 配网绝缘子缺陷检测数据集包含一万张以上的图片，并附有txt格式的标签文件。
     
  • Open Images Dataset: 包含约900万张图像的数据集，每张图像均带有图像级别标签及涵盖数千种类别的边界框标注...
    优质
    Open Images Dataset是一个庞大的视觉数据集合，包含近900万张图片，每一张都附有详细的图像级标签和数千种类别的精确边界框标注。 “开放图像”数据集包含约900万个URL的图片，并且这些图片被标注了超过6000个类别。此页面提供了Open Images Dataset的数据下载指引。 CVDF托管在打开图像数据集V4/V5中的图像是具有边界框注释的一部分，它们包含了完整的图像子集并对其进行了实例分割和视觉关系的标注。所有这些图片被划分为训练（1,743,042张）、验证（41,620张）以及测试（125,436张）三个集合。其中，训练集合用于了2018年及2019年的开放图像挑战赛。 这些图片的最长边被重新调整为最多拥有1024个像素，并且保持原始长宽比不变。整个数据集大小达到了约561GB。用户可以直接从CVDF AWS S3云存储桶下载至本地目录中：s3://open-images-dataset
     
  • 风力发电机叶片缺陷检测图像数据集（含3584张图片，VOC标注，涵盖五种缺陷类型）
    优质
    本数据集包含3584张风力发电机叶片缺陷图像，采用VOC格式标注，全面覆盖裂纹、孔洞等五类典型缺陷，适用于深度学习模型训练与验证。 我们有3584张风力发电机缺陷图像数据集。这些图像经过增强处理（包括对比度变化扩充），以模拟不同环境下的航拍效果。标签格式采用VOC标准，具体类别及数量如下：漏油(OIL LEAKAGE)：753个；污秽物(dirt)：846个；掉漆(Paint)：2455个；侵蚀(LE-Erosion)：617个；胶带(PU-tape)：700个。
     
  • 40类带有标签的垃圾分类数据集
    优质
    本数据集包含40种类别的垃圾图像，每类均附有详细标签信息，旨在促进智能垃圾分类算法的研究与开发。 40种垃圾分类数据集包含一万七千多张图片，并且已做好标签，可用于训练yolov模型。
     
  • 40类带有标签的垃圾分类数据集
    优质
    本数据集包含40类不同类型的垃圾，每类都有详细标注，旨在提升垃圾分类准确率，促进资源回收和环境保护。 40种垃圾分类数据集包含一万七千多张图片，并已做好标签，可用于训练YOLOv模型。
     
  • 管道缺陷检测的数据集：含超900张图片及标签
    优质
    本数据集包含超过900张图像及其详细标注信息，专为训练管道缺陷检测模型设计，旨在提升检测精度和效率。 目标检测数据集在计算机视觉领域扮演着至关重要的角色，在工业检测、安全监控及自动驾驶等领域有着广泛的应用。本段落介绍的“管道缺陷检测数据集”包含超过900张用于训练和验证的图片及其对应的标注信息，为研究者与工程师提供了一个宝贵的学习资源。 该数据集特别适配于YOLO（You Only Look Once）系列的目标检测模型使用，因其高效准确及实时性强而被广泛应用于各种目标检测任务。本数据集中所有图像均已被处理成适合YOLO模型读取和使用的格式，并进行了相应的数据增强操作以提高其多样性与数量。 该数据集包括训练集和验证集两部分：前者用于让模型学习如何识别并定位管道中的缺陷，后者则在训练过程中评估性能表现。此外，还提供了一个show脚本帮助用户直观地查看边界框的绘制情况，并以此来评价检测效果的好坏。 目前，“defect”是唯一被定义的目标类别，在实际应用中这有助于提高工业设施的安全性与运行效率。通过学习不同缺陷类型的特征，模型能够更准确地区分并识别它们。 综上所述，该管道缺陷数据集不仅提供了大量高质量的标注图片和丰富的训练资源，还为开发高性能YOLO模型用于检测管道中的缺陷奠定了基础。
     
  • PCB缺陷图像数据集-含693张JPG图片
    优质
    本数据集包含693张JPEG格式的PCB（印刷电路板）缺陷图像，旨在为机器学习算法提供训练和测试资源，以提高对PCB缺陷检测的准确性和效率。 PCB缺陷数据集包含693个jpg文件。