Advertisement

深度学习图像识别数据集：橙子多类疾病分类数据集（4分类）

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

简介：
该数据集包括橙色多类疾病分类图片数据集（4分类），其中图像按照文件夹形式存储，无需预处理即可直接作为深度学习训练数据使用。数据分为以下4种橙子疾病分类：新鲜 citrus fruit, 病毒性柑橘溃疡病、黑斑病和柑橘黄变病。 本数据集的总体规模为192MB。解压后的图像目录分为两部分，其中训练集包含978张图片、测试集则有243张。训练集与测试集各自设置了相应的子目录结构，在训练集中，每一类图片对应一个命名明确的文件夹；同样地，在测试集中也是如此安排。此外，该资源包含JSON格式分类字典文件以及带有可视化功能的Python代码文件。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 橙子多种疾病的识别数据集
    优质
    本数据集旨在通过收集和分析橙子在不同疾病状态下的图像及特征信息，为机器学习模型提供训练资源，以准确识别并区分各类影响橙子健康的病害与缺陷。 橙子多类疾病数据集用于构建机器学习和深度学习算法以对橙子的疾病进行分类。该数据集中包括新鲜橙子以及柑橘溃疡病、黑斑病和柑橘黄变病这三类疾病，每种疾病的图片数量在200到300张之间不等。
  • 疾病分类数据集.zip
    优质
    该资料包包含一个关于各类疾病的详细分类数据集，适用于医学研究、数据分析和教育用途。 该数据集能够帮助你利用现有的机器学习和深度学习知识，并将其应用于医学领域，从而简化内科医生的工作任务。此数据集包含132个参数，可以预测42种不同类型的疾病。完整的数据集包括两个CSV文件：一个用于训练模型，另一个用于测试模型。每个CSV文件都有133列，其中前132列记录了患者的症状信息，最后一列表示预后情况。这些症状对应于42种不同的疾病类别，并可以进行进一步的分类研究。你需要在训练数据集上建立模型并使用测试数据集来评估其性能。
  • 橙子病害分类数据集（含增强）1614张，4类.7z
    优质
    本数据集包含1614张图片，涵盖四种不同类型的橙子病害，旨在为机器学习模型提供训练和测试的数据支持。通过数据增强技术，进一步丰富了样本多样性。 数据集类型：图像分类用，不可用于目标检测。 数据格式：仅包含jpg图片，每个类别文件夹下存放着对应类别的图片。 图片数量（jpg文件个数）：1614 分类类别数：4 类别名称： - blackspot - canker - fresh - grenning 每个类别图片数： - blackspot 图片数：344 - canker 图片数：349 - fresh 图片数：552 - grenning 图片数：369 重要说明：数据集中包含大量增强的数据，介意者请勿使用。购买后不接受因模型精度问题的差评。 特别声明：本数据集不对训练后的模型或权重文件的精度作任何保证。我们仅提供准确且合理分类存放的数据。
  • 深度学习水果图像分类数据集（8类）
    优质
    本数据集包含多种水果的图像，涵盖八大类别，旨在支持深度学习研究与应用，助力算法识别和分类不同种类的水果。 数据集包含水果图像分类数据（8类），可以直接用于深度学习训练。该数据集分为以下八类：苹果、香蕉、樱桃、火龙果、芒果、橘子、菠萝和木瓜。文件总大小为644MB，下载解压后会得到两个目录： - 训练集包含2220张图片。 - 测试集包含550张图片。 训练集和测试集中每个类别都有单独的子文件夹存放对应类别的图像，并且这些子文件夹的名字与分类名称一致。此外，还提供了描述各类别信息的classes.json字典以及用于可视化的代码。
  • 图像分类中的深度学习：花卉识别数据集
    优质
    本项目探讨了在图像分类任务中应用深度学习技术，并以花卉识别为具体案例，利用特定设计的数据集进行模型训练和效果评估。 该数据集包含5种不同的花卉类别：雏菊、蒲公英、玫瑰、向日葵以及郁金香，总计超过3600张图片。每一张图像都有标签或类别信息来指示其中的花卉种类。这个数据集包含了多种不同类型的花卉图象，确保模型能够识别和区分各种类别的花卉。此外，每个类别的样本数量相对均衡，以防止在训练过程中出现偏差。 该数据集主要用于训练与评估用于识别不同类型花卉的图像分类模型，并且通常包含成千上万张标注了相应类别信息的不同种类花卉图片。
  • 水果图像的五类分类深度学习数据集
    优质
    本数据集为水果图像分类设计，包含五大类常见水果，采用深度学习技术进行标注与分析，旨在促进农业智能识别及食品供应链管理研究。 数据集包含五个分类图像：哈密瓜、胡萝卜、樱桃、黄瓜和西瓜。 数据集被划分为训练集和测试集： - 训练集：包括1849张训练图像； - 测试集：包括387张测试图像。 解压后的文件目录如下： - data-train 文件夹包含训练集； - data-test 文件夹包含测试集。
  • YOLO 数据集：鱼类疾病图像识别【含预划分数据集、类别文件及可视化脚本】
    优质
    这是一个用于鱼类疾病的图像识别的数据集，包含已分类的图片和可视化工具，旨在帮助研究者进行模型训练与验证。 YOLO 数据集：鱼身上疾病图像目标检测【包含划分好的数据集、类别class文件、数据可视化脚本】 该数据集按照YOLOV5文件夹结构保存，可以直接用于yolo模型训练。 类别个数（5）：细菌性疾病、真菌性疾病、健康鱼、寄生虫病、白尾病【具体参考classes文件】 数据结构如下： - 训练集包含约720张图片和对应的标签txt文件。 - 验证集包括大约100张图片及其对应标签的txt文件。 - 测试集中有约100张图片及相应的标签txt文件。 为了方便查看数据，提供了可视化py脚本。只需随机传入一张图像即可绘制边界框，并且保存在当前目录中。此脚本无需修改，可以直接运行以生成可视化图像。
  • 图像情感分类的深度学习数据集
    优质
    本数据集专为图像情感分类设计，包含大量标注图片，旨在利用深度学习技术提升模型对人类情绪识别的准确性。 公开图像情感数据集Twitter 2015及Twitter 2017包含了大量带有情绪标签的图片，用于研究社交媒体上的视觉内容与用户情感之间的关系。这些数据集为学者们提供了宝贵的资源来探索如何通过分析图像来理解人们的心理状态和社会行为。
  • 飞机100分类的深度学习图像识别测试数据集
    优质
    本数据集包含各类飞机的大量图像，旨在用于深度学习模型中进行图像识别和分类的研究与测试。 数据集包含100类飞机的分类数据，可以直接用于深度学习训练而无需额外处理。这100个类别包括波音737-76J、波音737-700等。 测试集中共有3333张图像（880MB），解压后的目录为data-test。每个子文件夹包含同一类别的图像，且文件夹名称对应相应的分类类别。此外，还提供了一个名为classes的json字典文件用于类别信息，并附带了可视化的代码。