半导体缺陷检测数据集 VOC+YOLO 格式数量为五类问题

5星

浏览量: 0

大小:None

文件类型：None

简介：
半导体芯片缺陷检测是一项核心技术，在芯片制造中保障其高质量生产至关重要。芯片缺陷不仅会影响器件性能与可靠性，还可能导致故障进而影响整机品质。因此为了提高生产效率和产品质量的需求半导体行业亟需精确高效且能适应大规模生产的缺陷检测方法以确保生产的芯片均能达到严格的质量标准。在当前的人工智能与机器学习领域基于深度学习的图像识别技术已广泛应用于各类型检测任务中其中YOLO（You Only Look Once）算法作为一种备受瞩目的实时对象检测系统能够在图片中快速准确地识别定位多个目标而Pascal VOC（Visual Object Classes）格式则是一种被广泛采用的数据集规范用于图像识别与目标检测任务本数据集半导体芯片缺陷检测数据集VOC+YOLO格式5874张5类别旨在为相关研究提供一种高效的学习训练资源包含5874张经过标注的JPEG图片每张图片均配有对应的VOC格式XML标注文件以及YOLO格式TXT标注文件这意味着该数据集不仅适用于YOLO算法还可用于基于Pascal VOC框架的其他图像识别模型该数据集涵盖了五种半导体芯片缺陷类型分别是铝线键合断裂（aluminum_wire_bonding_broken）芯片损伤（chip_injury）芯片划痕（chip_scratch）胶面褶皱（glue_surface_wrinkle）以及金线键合断裂（gold_wire_bonding_broken）。每个类别下都有独立的标注框来定义缺陷的具体位置与范围这些框分别对应于不同类型的缺陷实例如铝线键合断裂类中有1254个框而芯片损伤类则有3538个框以此类推总计23510个标注框构成了一个详细完整的数据索引系统在注释工作过程中工程技术人员会为每张图片中的各类缺陷绘制矩形框以确保注释的准确性这一过程使用了labelImg工具这种常用的图像标注软件广泛应用于机器学习与计算机视觉领域以辅助提升注释效率与质量值得注意的是尽管该数据集在图像标注上表现出了较高的准确度与合理性但它并不能保证通过此数据集训练得到的理想模型或

全部评论 (0)

还没有任何评论哟~

客服

半导体晶圆图谱缺陷数据集 VOC+YOLO 格式 8 类 11720 张

优质

半导体晶圆图谱缺陷检测数据集采用VOC与YOLO双重格式进行整合，共计包含11,720张图片，涵盖8个类别。

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。

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

Kaggle上Severstal钢铁缺陷检测数据集(YOLO格式)

优质

本数据集来自Kaggle Severstal钢铁缺陷检测竞赛，包含用于训练和测试YOLO模型的图像及标注文件，助力工业自动化缺陷识别研究。从Kaggle上的RLE格式转换过来的数据包含6666张图片及其标签。classes文件已包含在包内，可以直接用labelimg打开使用。数据集中的类别编号为1234，因为源文件的RLE标签里的分类就是这几个数字，并未声明这些数字具体对应哪种缺陷种类。今年年初开始整理这个数据集，不过要在这个数据集中获得较好的训练结果似乎比较困难。

变电站缺陷检测数据集(VOC+YOLO格式)含8307张图片，17个类别.7z

优质

本数据集包含8307张图像及标注信息，涵盖17类变电站设备缺陷，适用于目标检测任务，采用VOC和YOLO双格式存储。压缩文件后缀为.7z。数据集格式采用Pascal VOC与YOLO两种格式，并且不含分割路径的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）：8307 - 标注数量（xml文件个数）：8307 - 标注数量（txt文件个数）：8307 - 标注类别总数为17，具体名称如下： - bj_bpmh - bj_bpps - bj_wkps - bjdsyc - gbps - hxq_gjbs - hxq_gjtps - jyz_pl - kgg_ybh - sly_dmyw - wcaqm - wcgz - xmbhyc - xy - yw_gkxfw - yw_nc - ywzt_yfyc

[数据集][目标检测]轴承划痕缺陷检测数据集（VOC+YOLO格式，含1166张图片，1个类别）.docx

优质

本数据集提供用于轴承划痕缺陷检测的图像样本，包含1166张图片及标注文件，支持VOC和YOLO两种格式，有助于目标检测模型训练与评估。轴承缺陷检测在工业领域至关重要，尤其是对于那些关键的旋转部件如轴承来说更是如此。因为这些设备的状态直接影响到整个机械系统的稳定性和安全性，早期发现并处理这些问题可以避免重大事故的发生，并且减少经济损失的同时保障人员的安全。划痕是轴承表面常见的损伤形式之一。这种类型的损坏可能会导致应力集中、加剧磨损以及缩短使用寿命等问题。为了应对这一挑战，研究人员开发了专门用于检测这些缺陷的自动方法，而构建高质量的数据集则是实现这类技术的基础条件。本数据集专注于识别轴承上的划痕问题，并包含1,166张图片，以Pascal VOC和YOLO两种格式提供。其中每一幅图像都经过准确标注，使用的是labelImg工具进行矩形框的绘制来标定目标物体的位置信息。“scratch”（即“划痕”）是唯一的一个分类标签，在整个数据集中共有1,166个这样的标记。除了图片之外，此数据集还提供相应的VOC格式xml文件和YOLO格式txt文件。前者记录了每个标注的精确位置及类别详情；后者则以简洁的形式提供了目标边界框的信息，便于快速检测算法的应用。在使用本数据集进行模型训练前，请注意制作者声明不对任何由此生成的具体模型性能作出保证承诺。也就是说尽管提供的数据质量较高，但最终结果还需依赖于所选算法的特性以及额外的数据和方法来进一步优化。实践应用中，这样的资源可以被广泛用于机器学习与深度学习框架下的实验研究，在工业视觉检测、品质控制及自动化维护等场景中有显著的应用潜力。通过训练出高效的识别模型，能够实现对轴承表面缺陷如划痕的高度自动化的快速鉴定过程，从而降低人工检查的负担和误差率，并提高整个生产流程中的效率。总的来说，这个专门针对轴承划痕问题的数据集为科研人员和技术工程师们提供了一个有价值的资源来开发及评估计算机视觉技术在工业检测领域的应用。随着数据集不断改进和完善以及算法优化的发展趋势下，未来有望实现更加精准且高效的缺陷识别解决方案以确保机械设备的安全稳定运行。

VOC格式标注的变电站缺陷检测数据集

优质

本数据集包含大量以VOC格式标注的变电站设备缺陷图像，旨在促进电力系统智能运维研究和算法开发。变电站缺陷检测数据集采用VOC格式进行标注： - 表计读数有错：bjdsyc，共657个文件。 - 表计外壳破损：bj_wkps，共481个文件。 - 异物鸟巢：yw_nc，共834个文件。 - 箱门闭合异常：xmbhyc，共368个文件。 - 盖板破损：gbps，共568个文件。 - 异物挂空悬浮物：yw_gkxfw，共679个文件。 - 呼吸器硅胶变色：hxq_gjbs，共1140个文件。 - 表计表盘模糊：bj_bpmh，共828个文件。 - 绝缘子破裂：jyz_pl，共389个文件。 - 表计表盘破损：bj_bpps，共694个文件。 - 渗漏油地面油污：sly_dmyw，共721个文件。 - 未穿安全帽：wcaqm，共467个文件。 - 未穿工装：wcgz，共661个文件。 - 吸烟：xy，共578个文件。

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。

下水管道缺陷检测数据集（含7类标签，1717张图片，YOLO+VOC格式）.zip

优质

本数据集包含1717张图像，涵盖七种类别标签，旨在用于训练和评估下水管道缺陷检测模型。以YOLO及VOC格式提供，便于研究者应用与开发。数据集格式：VOC格式+YOLO格式压缩包内包含三个文件夹： 1. JPEGImages 文件夹存储了 1717 张 JPG 图片。 2. Annotations 文件夹包含了与图片对应的 1717 个 XML 标注文件。 3. labels 文件夹有用于 YOLO 格式的 1717 个 TXT 文本标注文件。标签种类共有七种，分别为：chuanru（穿入）、cuokou（错口）、duiji（堆积）、laji（垃圾）、liefeng（裂缝）、nitu（泥土）和 shugen（树根）。每个类别对应的框数如下： - chuanru 框数 = 328 - cuokou 框数 = 200 - duiji 框数 = 884 - laji 框数 = 610 - liefeng 框数 = 836 - nitu 框数 = 187 - shugen 框数 = 356 总框数量为：3401。图片的清晰度较高，且未经过数据增强处理。标签形状采用矩形框形式以实现目标检测和识别任务。重要说明：暂无其他特别需要声明的内容。请注意，本数据集不保证用于训练模型或生成权重文件时的具体精度表现，仅提供准确合理的标注信息。