Advertisement

水面垃圾和漂浮物检测数据集,采用VOC和YOLO格式,包含3749张单类别图像,以7z压缩包形式提供。

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


简介:
数据集的呈现形式包括 Pascal VOC 格式和 YOLO 格式,并且不包含分割路径的文本文件 (.txt),仅提供 JPG 图片以及与之对应的 Pascal VOC 格式的 XML 文件和 YOLO 格式的 TXT 文件。 共有 3749 张 JPG 图片,对应着 3749 个标注文件。 标注的数量也为 3749 个,即 XML 和 TXT 文件总数均为 3749。 数据集包含一个标注类别。 该类别被命名为 “floating”。 每个标注类别中,矩形框的数量为 6613 个。 因此,总共存在 6613 个矩形框。 在标注过程中,使用了 labelImg 工具。 标注方法是针对每个类别绘制矩形框进行标记。 需要注意的是,所有图片的分辨率均为 416x416 像素。 关于更多细节信息,可以参考以下链接:

全部评论 (0)

还没有任何评论哟~
客服
客服
  • 河道目标VOC)- 1304
    优质
    本数据集包含1304张图像,专注于河道中垃圾和水面漂浮物的目标检测,采用VOC格式标注,适用于开发相关环境监测AI模型。 数据集格式为Pascal VOC格式(不含分割路径的txt文件和yolo格式的txt文件,仅包含jpg图片及其对应的xml)。
  • 室内积VOC+YOLO),761片,1个.7z
    优质
    本数据集提供761张室内图像用于积水检测,采用VOC和YOLO双格式存储,专注于单一目标类别——积水区域的识别与标注。压缩包为7z文件格式。 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):761 标注数量(xml文件个数):761 标注数量(txt文件个数):761 标注类别数:1 标注类别名称:[jishui] 每个类别标注的框数: jishui 框数 = 902 总框数:902 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。
  • 电力场景下的目标VOC+YOLO),4765个为.7z
    优质
    本数据集包含476张电力场景图像,涵盖五种特定类别目标,采用VOC与YOLO兼容格式,并以.7z文件形式提供。 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):476 标注数量(xml文件个数):476 标注数量(txt文件个数):476 标注类别数:5 标注类别名称:[damper, insulator, plate, spacer, tower] 每个类别标注的框数: - damper 框数 = 1501 - insulator 框数 = 310 - plate 框数 = 81 - spacer 框数 = 251 - tower 框数 = 252 总框数:2395 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。
  • 舰船卫星遥感VOC+YOLO),2238片,17个7z
    优质
    本数据集包含2238张舰船检测图片,采用VOC与YOLO双格式标注,涵盖17种类别,旨在促进遥感图像分析研究。以7z格式压缩便于下载及存储。 数据集格式为Pascal VOC与YOLO格式(不含分割路径的txt文件),只包含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:2238张 标注数量(xml及txt文件个数):各2238份 标注类别总数:17类 具体类别名称包括:“Aircraft Carrier”、“Auxiliary Ships”、“Cargo”、“Commander”、“Container Ship”、“Cruiser”、“Destroyer”、“Dock”、“Frigate”、“Hovercraft”、“Landing”、“Oil Tanker”、“Other Ship”,“Other Warship”,“RoRo”,“Submarine”,及“Yacht”。
  • 绳子VOC+YOLO322.7z
    优质
    本数据集包含322张图片及其标注文件,适用于基于VOC和YOLO格式的绳子识别任务,便于模型训练与评估。 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):322 标注数量(xml 文件个数):322 标注数量(txt 文件个数):322 标注类别数:1 标注类别名称:[rope] 每个类别标注的框数: rope 框数 = 375 总框数:375 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,数据集只提供准确且合理标注
  • 【目标YOLO+VOC8341.zip
    优质
    本数据集包含8341张图片,采用YOLO和VOC格式标注,适用于训练和测试垃圾分类的目标检测模型。 数据集介绍:该数据集包含各种垃圾图片分类检测的标注信息,主要针对五种不同材质类型的垃圾分类,包括纸盒类、玻璃类、金属类、纸质类以及塑料类。 数据集格式:采用VOC与YOLO两种标准格式存储。 压缩包内容: - JPEGImages文件夹中包含了8341张jpg图片。 - Annotations文件夹内有对应的xml标注文件共8341份。 - labels文件夹则存放了用于目标检测的txt文件共计8341个。 标签种类:数据集中共有5种不同的材质类型,分别为Cardboard(纸盒)、Glass(玻璃)、Metal(金属)、Paper(纸质)和Plastic(塑料),每类对应的标注框数量如下: - Cardboard 框数 = 1785 - Glass 框数 = 1601 - Metal 框数 = 1770 - Paper 框数 = 1748 - Plastic 框数 = 1911 总计标注框数量为8815个。 图片质量:所有图像均具有较高的清晰度,且未经过增强处理。
  • VOC+YOLO的流线(145片,4个).7z
    优质
    这是一个包含145张图像的数据集,采用VOC和YOLO格式,专为训练和评估机器学习模型在包裹检测任务中的性能而设计。含四个不同的包裹类别。 数据集格式:Pascal VOC格式+YOLO格式(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):145 标注数量(xml文件个数):145 标注数量(txt文件个数):145 标注类别数目:4 标注类别名称为:[bag, bigbox, box, longbox] 每个类别的框的数量: - bag: 238个框 - bigbox: 19个框 - box: 309个框 - longbox: 9个框 总框数:575 使用标注工具:labelImg 标注规则:对类别进行画矩形框
  • RSNA肺炎VOC+YOLO),6012,1个.7z
    优质
    该数据集包含6012张图像,专门用于训练和评估肺炎检测模型,以VOC和YOLO两种格式提供,便于快速集成到不同类型的深度学习项目中。 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):6012 标注数量(xml文件个数):6012 标注数量(txt文件个数):6012 标注类别数:1 标注类别名称:[meat] 每个类别标注的框数: meat 框数 = 9555 总框数:9555 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,数据集只提供准确且合理标注
  • 目标游泳者溺VOC+YOLO2(共895)。
    优质
    游泳者溺水检测数据集是专为目标检测任务设计的专业图像数据集,其中包含895张具有标注的图片,旨在帮助计算机视觉算法训练和评估。该数据集仅包含两类目标:游泳者(swimmer)与溺水状态(drowning),共计1530个边界框。这些图像均源自30段视频片段,通过视频剪辑并转换为独立的JPG格式文件后进行标注处理,所有标注内容均符合Pascal VOC和YOLO标注标准。\n\nPascal VOC格式是一种广泛应用于图像目标检测的数据标注格式,它不仅记录了目标的类别,还记录了它们的位置信息,并将这些数据保存在XML文件中,每张图片对应一个XML文件。YOLO格式则常用于实时目标检测系统,每个文本文件对应一张图片文件,完整记录了图片中所有目标的类别及其位置坐标。\n\n该数据集由未来自主研究中心(FIRC)制作,并提供下载链接及视频示例供研究者使用。在标注过程中,labelImg工具被广泛采用,它是一种适用于目标检测任务图像标注工作的强大工具。值得注意的是,数据集开发者明确表示,下载后的用户需对标注进行调整优化以符合个人理想状态,因为溺水状态的判断具有较高的主观性且难以通过机器自动识别。\n\n此外,数据集的制作者不承诺所训练模型或权重文件的精度保证,但提供了一个可靠且合理标注的基准数据集,这对于目标检测算法研究和机器学习模型性能评估至关重要。原始视频下载链接亦被提供,以支持研究者进行更深入的实验分析。\n\n该数据集对研究人员及开发者提出了较高的要求,需要具备扎实的图像处理与机器学习基础,并拥有深入分析数据集标注规则的能力,以便准确评估和改进算法效果。该集合为公共安全领域目标检测技术的研究和应用提供了宝贵的资源支持,研究者可通过其开发更高效的溺水检测系统,从而为游泳场所的安全性提供技术支持。