Advertisement

荔枝成熟度检测用VOC+YOLO格式数据集（1005张图片，4个类别）.zip

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

简介：
本资源提供了一个用于荔枝成熟度检测的数据集，包含1005张图像和四种不同类别的挥发性有机化合物标签，采用YOLO格式标注。 样本图：请在电脑端资源详情查看并下载文件。 数据集格式包括Pascal VOC格式和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）为1005，标注数量(xml文件)同样为1005，标注数量(txt文件)也为1005。数据集中有4种不同的标注类别：blossom, green, ripe 和 young。 各类别的框数如下： - blossom 框数 = 539 - green 框数 = 4045 - ripe 框数 = 7701 - young 框数 = 4581 总框数量为16866。 使用标注工具：labelImg。对类别进行矩形画框操作作为标注规则。 重要说明：暂无 特别提示：本数据集不对训练模型或权重文件的精度提供任何保证，仅确保提供的标签准确且合理。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 荔枝成熟度检测用VOC+YOLO格式数据集（1005张图片，4个类别）.zip
    优质
    本资源提供了一个用于荔枝成熟度检测的数据集，包含1005张图像和四种不同类别的挥发性有机化合物标签，采用YOLO格式标注。 样本图：请在电脑端资源详情查看并下载文件。 数据集格式包括Pascal VOC格式和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）为1005，标注数量(xml文件)同样为1005，标注数量(txt文件)也为1005。数据集中有4种不同的标注类别：blossom, green, ripe 和 young。 各类别的框数如下： - blossom 框数 = 539 - green 框数 = 4045 - ripe 框数 = 7701 - young 框数 = 4581 总框数量为16866。 使用标注工具：labelImg。对类别进行矩形画框操作作为标注规则。 重要说明：暂无 特别提示：本数据集不对训练模型或权重文件的精度提供任何保证，仅确保提供的标签准确且合理。
  • 【目标检测数据集】荔枝成熟度分类579张图片（绿、红、半红）VOC+YOLO格式.zip
    优质
    本数据集包含579张荔枝图像，涵盖绿色、红色及半熟状态，采用VOC和YOLO格式标注，适用于目标检测与分类模型训练。 数据集格式：Pascal VOC格式与YOLO格式（不含分割路径的txt文件，仅包含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（jpg文件个数）：579 标注数量（xml文件个数）：579 标注数量（txt文件个数）：579 标注类别数：3 标注类别名称包括绿色、半透明和红色。具体框的数量如下： - 绿色 框数 = 1387 - 半透明 框数 = 892 - 红色 框数 = 632 总框数：2911 使用标注工具为labelImg。
  • 【目标检测数据集】番茄成熟度检测数据集（640张图像，3类别，VOC+YOLO格式）.zip
    优质
    本数据集包含640张用于番茄成熟度分类的图像，涵盖未熟、半熟和全熟三个类别，以VOC及YOLO格式提供，适用于目标检测模型训练与验证。 数据集格式为Pascal VOC格式与YOLO格式（不含分割路径的txt文件），仅包含jpg图片及其对应的VOC格式xml文件和yolo格式txt文件。该数据集中共有643张图片，每张图片都有相应的标注文件，即有643个xml文件和643个txt文件。整个数据集包含了三个不同的类别标签：“fully_ripened”（成熟的）、“green”（半成熟的）以及“half_ripened”（未成熟的绿色）。具体来说，“fully_ripened”的标注框数为1330，“green”的标注框数为5134，而“half_ripened”的标注框数则有1317个。总计共有7781个标注框。该数据集使用了labelImg工具进行标签制作和编辑工作。
  • 自然灾害检测数据集VOC+YOLO格式19151张4类别自然灾害检测数据集VOC+YOLO格式19151张4类别
    优质
    \n在当今的信息时代，机器学习和深度学习技术的快速发展，使得在计算机视觉领域对大规模、高质量的标注数据集的需求日益迫切。特别是在自然灾害检测领域，准确及时地识别和评估各种自然灾害事件具有重要的社会意义和实用价值。数据集作为机器学习模型训练的基础，其质量和多样性直接影响模型的性能。本文所述的自然灾害检测数据集正是为应对这一需求而设计。\n\n该数据集遵循Pascal VOC格式和YOLO格式，包含19151张标注图片，涵盖“倒树”、“滑坡”、“道路坍塌”、“石头”等四种类别的自然灾害。在标注方面，数据集采用labelImg标注工具进行图像中的特定灾害进行标注，并通过画矩形框的方式来指示灾害在图像中的具体位置。这种标注方式不仅直观、操作简便，而且非常符合实际应用中对于目标检测任务的需求。\n\n数据集的来源包括原始图片及其增强图片，其中原图约占数据集的1/3，剩下的2/3是经过图像增强处理后的图片。图片增强技术通常包括旋转、缩放、剪裁、颜色变换等方法，增强后的图片可提供给训练模型更多的视觉变体，帮助模型泛化，减少过拟合的风险，提高模型在真实世界中的鲁棒性和准确性。\n\n数据集中的每张图片都有对应的VOC格式的XML标注文件和YOLO格式的TXT标注文件，分别用于满足不同训练框架和算法的需要。VOC格式的XML文件通常包含目标的位置、尺寸、类别等信息，而YOLO格式的TXT文件以其简洁高效著称，更适合用于实时性强的目标检测算法。尽管数据集不包含分割路径的TXT文件，但其提供的图片及标注文件已足够为研究者提供丰富的信息资源，用于开发和评估目标检测模型。\n\n值得注意的是，数据集提供的19151张图片中，每个类别都包含了相当数量的样本。例如，“倒树”类别的框数为11037，“滑坡”类别的框数为7818，“道路坍塌”类别的框数为6416，“石头”类别的框数更是达到了25155，总计达到了50426个标注框。这一数字表明数据集具有相当的规模，能够提供给训练模型足够的学习样本，从而有望训练出性能优秀的检测模型。\n\n在使用该数据集进行模型训练之前，研究人员和工程师需要了解本数据集不包含对训练模型或权重文件精度的任何保证，用户需要自行评估数据集的合理性与准确性。此外，对于任何与数据集相关的问题，用户应自行解决，数据集的提供者不承担任何责任。在实际应用中，用户需要对数据集进行预处理，如图片的缩放、归一化，对标注文件进行解析等，使之适用于特定的模型和框架。\n\n为了展示数据集的应用效果，提供了少量图片的标注例子，这些例子可以帮助用户直观理解数据集的质量和标注的准确性。这不仅可以作为数据集质量和适用性的参考，也为用户学习如何使用该数据集提供了有力的示范。\n\n该自然灾害检测数据集集合了大量高质量标注图片，能够满足深度学习在自然灾害检测领域的研究和应用需求。尽管数据集的提供者对模型训练结果不提供保证，但其庞大的规模和丰富的类别覆盖，为研究者提供了一个宝贵的资源，有望促进相关技术的发展和应用。
  • 茶叶叶片年龄检测数据集（VOC+YOLO格式，含2195张图片，4个类别）.zip
    优质
    本数据集包含2195张茶叶叶片图像，涵盖四种不同状态或疾病类型。以VOC及YOLO两种格式提供，适用于训练和测试机器学习模型进行茶叶叶片年龄检测与分类。 样本图：请到服务器下载文件（仅限电脑端查看并下载）。 数据集格式包括Pascal VOC格式和YOLO格式的标注文件，但不包含分割路径的txt文件，只提供jpg图片、VOC格式xml文件以及yolo格式txt文件。 图片数量为2195张。 标注数量总计：xml文件 2195个； txt 文件 2195个。 数据集中有4种不同的类别： - 类别名称分别为: [1to2day, 2to4day, 4to7day, 7plusday] - 每类别的标注数量为：1to2day (矩形框数 = 559)； - 2to4day (矩形框数 = 619); - 4to7day (矩形框数 = 509); - 7plusday (矩形框数 = 520) 总共的标注数量（即所有类别中包含的所有矩形框）为2207个。 使用的是labelImg工具进行标注工作，规则是针对每个对象画出其对应的矩形边界。 重要说明：暂无 本数据集不对训练模型或权重文件的质量提供任何保证；仅确保提供的标注准确合理。
  • 非机动车检测数据集VOC+YOLO格式4141张4个类别.zip
    优质
    样本图：blog..net/2403_88102872/article/details/144165259文件体积过大不适合直接上传至服务器进行下载，请确保在电脑端资源详情页面查看并下载数据集。具体格式如下：采用Pascal VOC和YOLO两种格式存储图片数据，其中图像文件为.jpg格式，对应的标注文件分别为VOC格式的xml文件和yolo格式的txt文件（不包含分割路径的类型）。数据集包含以下内容：jpg图片数量：4141个；xml标注文件数量：4141份；txt标注文本数量：4141件。具体分类如下：包括bicycle、electricvehicle、person和tricycle四种类别，其对应的框数分别为5363、10328、11048和1623个，总计框数为28362个。在标注制作过程中，主要使用labelImg软件完成，并遵循对各类别进行精准框图的规则。特别说明：目前该数据集仅提供基本级别的标注信息，并未对训练过程中的模型或权重文件精度作出任何承诺，数据集仅保证准确性和合理性。
  • 轮胎瑕疵检测数据集（VOC+YOLO格式），含2154张图片，4个类别.7z
    优质
    本数据集包含2154张图像，用于轮胎瑕疵检测，支持VOC和YOLO格式，涵盖四种不同类型缺陷，适用于训练高效的瑕疵识别模型。 数据集采用Pascal VOC格式与YOLO格式（不含分割路径的txt文件），仅包含jpg图片及其对应的VOC格式xml文件和yolo格式txt文件。 总共有2154张图片，每一张都有相应的标注文件。 - 使用了四种不同的类别进行标注：debris、ground、side 和 side_cut。 - 各类别的具体框数如下： - debris: 1599个 - ground: 564个 - side: 188个 - side_cut: 493个 总计标注了2844个边界框。 使用的标注工具为labelImg。
  • 铁锈检测数据集（VOC+YOLO格式，600张图片，1类别）.zip
    优质
    本数据集包含600张用于铁锈检测的图像，采用VOC和YOLO两种格式标注，集中于单一目标类别——铁锈，适用于训练精确的目标检测模型。 样本图：请到服务器下载文件，在电脑端资源详情查看并下载。 注意数据集部分图片有增强，请认真查阅图片预览内容。 数据格式为Pascal VOC与YOLO，不含分割路径的txt文件，仅包含jpg、VOC xml以及yolo txt格式文件。 图片总数（jpg数量）：600 标注文件数(xml)：600 标注文件数(txt)：600 类别数目：1 类别名称:[Corrosion] 每个类别的框的数量： 腐蚀 框的个数 = 5920 总框的数量: 5920 使用工具为labelImg，标注规则是对目标进行矩形标记。 特别说明：暂无其他重要信息需要补充。
  • 游泳者溺水检测数据集（VOC+YOLO格式，含8275张图片，4个类别）.7z
    优质
    本数据集包含8275张图片，旨在通过VOC和YOLO格式识别四种不同类型的潜在溺水事件，以帮助开发游泳者溺水检测系统。 数据集格式采用Pascal VOC与YOLO两种格式存储（不含分割路径的txt文件），仅包含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：8275张 - 标注数量： - xml文件个数：8275份 - txt文件个数：8275份 标注类别共有4种，分别为： 1. Drowning 2. Drowning-headdown 3. Person out of water 4. Swimming 各类别的具体框数如下： - Drowning 框数 = 8835 - Drowning-headdown 框数 = 4 - Person out of water 框数 = 477 - Swimming 框数 = 5383 总计标注框数量为：14699个。 使用工具：labelImg 重要说明： 由于溺水图片较难获取，数据集中超过80%的图片是经过增强处理而来，并且大部分图像分辨率较低，请谨慎考虑是否下载。