Advertisement

手机背板工业质检瑕疵分割数据集，涵盖3类目标及1类背景，总计4类，共864张图片

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

简介：
本数据集包含864张手机背板工业质检图片，详细标注了包括瑕疵在内的四种类别，旨在提升生产线上的自动化检测精度。 手机背板工业质检瑕疵分割数据集包含3类目标和1类背景，总共4类。该数据集共有864张图片。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 手机背板工业质检瑕疵分割数据集，涵盖3类目标及1类背景，总计4类，共864张图片
    优质
    本数据集包含864张手机背板工业质检图片，详细标注了包括瑕疵在内的四种类别，旨在提升生产线上的自动化检测精度。 手机背板工业质检瑕疵分割数据集包含3类目标和1类背景，总共4类。该数据集共有864张图片。
  • 【目标检测数据集】鱼类数据集2798张图片，涵盖31类分类检测（VOC+YOLO格式）.zip
    优质
    本数据集包含2798张鱼类图像，适用于目标检测任务，涵盖了31种不同的鱼类类别，并提供VOC和YOLO两种格式的标注文件。 数据集格式：VOC格式+YOLO格式 图片数量（jpg文件个数）：2798 标注数量（xml文件个数）：2798 标注数量（txt文件个数）：2798 标注类别数：31 标注类别名称：Bangus、Big Head Carp、Black Spotted Barb、Catfish、Climbing Perch、Fourfinger Threadfish、Freshwater Eel、Glass Perchlet、Goby、Gold Fish、Gourami、Grass Carp、Green Spotted Puffer、Indian Carp、Indo-Pacific Tarpon, Jagua
  • 铝片表面工业瑕疵检测数据集（VOC+YOLO格式，含400张图片，4个类别）.7z
    优质
    本数据集包含400张图像及对应的标注文件，适用于铝片表面瑕疵检测任务。采用VOC与YOLO双格式存储，涵盖裂纹、划痕等4种常见缺陷类型。 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）：400 标注数量（xml文件个数）：400 标注数量(txt文件个数)：400 标注类别数：4 标注类别名称: [ca_shang, zang_wu, zhe_zhou, zhen_kong] 每个类别标注的框数： - ca_shang 框数 = 270 - zang_wu 框数 = 456 - zhe_zhou 框数 = 124 - zhen_kong 框数 = 212 总框数：1062 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。
  • 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。
  • 齿轮瑕疵检测数据集（VOC+YOLO格式），含2978张图片，3个类别.7z
    优质
    本数据集提供了一个包含2978张图片的齿轮瑕疵检测资源库，采用VOC与YOLO双格式标注，涵盖三种不同类型的缺陷。 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)：2978 标注数量(xml文件个数)：2978 标注数量(txt文件个数)：2978 标注类别数：3 标注类别名称:[break, lack, scratch] 每个类别标注的框数： - break 框数 = 1000 - lack 框数 = 980 - scratch 框数 = 4317 总框数：6297 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。
  • 蚕茧瑕疵检测数据集VOC+YOLO格式523张含4类.zip
    优质
    本数据集包含523张图片及对应的标注文件，用于训练和测试YOLO模型识别四种不同类型的蚕茧瑕疵。格式兼容Pascal VOC与YOLO标准。 样本图：请到服务器资源详情查看并下载。 数据集格式为Pascal VOC与YOLO格式（不含分割路径的txt文件），仅包含jpg图片及对应的VOC xml文件和yolo txt文件。 - 图片数量(jpg文件个数)：523张 - 标注数量(xml文件个数)：523份 - 标注数量(txt文件个数)：523份 标注类别共有4种，分别为： 1. fugongiya 框数 = 1297 2. normal 框数 = 1825 3. sunken 框数 = 2110 4. surface defect 框数 = 4042 总标注框数量：9274个。 使用工具为labelImg，规则是对类别进行矩形框标记。 重要说明：暂无特别说明。
  • 谢韦尔钢材瑕疵检测数据集VOC+YOLO格式含6666张图片4类别.7z
    优质
    此数据集包含6666张图片，用于训练和测试钢材表面瑕疵检测模型，涵盖四大类缺陷。以PASCAL VOC及YOLO格式提供，便于深度学习应用开发。 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)：6666 标注数量(xml文件个数)：6666 标注数量(txt文件个数)：6666 标注类别数：4 标注类别名称:[crack, patches, pitting, scratches] 每个类别标注的框数： - crack 框数 = 321 - patches 框数 = 1911 - pitting 框数 = 3085 - scratches 框数 = 14700 总框数：20017 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。
  • 7000张花蕊分类图像数据集（涵盖100类）.rar
    优质
    本资源提供一个包含7000张图像的数据集，覆盖了100种不同类型的花朵花蕊，每种类别都有详细的标注信息。适用于机器学习和计算机视觉的研究与应用。 1. 7000张花蕊分类图片数据集（包含100个类别）。 2. 数据集详情展示及更多数据集下载请参考相关文章。
  • 杂草分类数据集含5998张图片，涵盖5个类别.7z
    优质
    本数据集包含5998张图片，涵盖了五种不同的杂草种类，旨在为图像识别和机器学习模型提供训练资源。文件以压缩格式（.7z）存储。 数据集类型：图像分类用，不可用于目标检测。 数据集格式：仅包含jpg图片文件，每个类别文件夹内存放对应类别的图片。 图片数量（jpg文件个数）：5998 分类类别数：5 类别名称： - bluegrass - chenopodium - cirsium - corn - sedge 每种类别图片数： - bluegrass: 1200张 - chenopodium: 1200张 - cirsium: 1200张 - corn: 1200张 - sedge: 1198张 重要说明：暂无特别声明。 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，仅提供准确且合理分类存放。
  • 工业表面瑕疵检测，数据集包含1400张图片
    优质
    本项目专注于工业表面瑕疵检测的数据集开发与应用研究，涵盖1400张高质量图像样本，旨在提升自动化检测系统的准确性和效率。 在工业生产过程中确保产品质量至关重要，其中表面缺陷检测是关键环节之一。本数据集专注于此领域，包含1400张图像，为相关算法的训练与优化提供了丰富素材。数据集中包括四个不同的缺陷类别：真空（zhen_kong）、擦伤（ca_shang）、脏物（zang_wu）和褶皱（zhe_zhou）。这些缺陷在实际生产中可能影响产品的性能及外观，因此准确识别它们对于提高生产效率与产品质量具有重要意义。 该数据集旨在支持制造业中的质量控制与自动化检测。现代智能制造系统中，利用计算机视觉和深度学习技术进行表面缺陷检测已成为趋势。这些技术可以辅助或替代人工检查，减少错误、提高检测速度并降低生产成本。 本数据集采用VOC（PASCAL Visual Object Classes）格式存储图像及注释信息，这是一种广泛使用的标注标准，包含图像分类、边界框注释和多目标检测等细节。每个图像可能对应一个或多缺陷类别，并通过XML文件描述其具体位置与类型。 铝制品SSD数据集名称暗示该数据集专注于利用单次多盒检测器（Single Shot MultiBox Detector, SSD）进行表面缺陷识别，这是一种流行的实时目标检测算法，在工业应用中因其速度快、精度高而被广泛应用。在训练此模型时，首先需要对图像进行预处理以适应深度学习框架输入要求；然后选择合适的深度学习环境如TensorFlow或PyTorch来构建和优化基于SSD的网络架构。 通过数据增强技术（例如随机翻转、旋转及裁剪）提高模型泛化能力，并在训练过程中调整超参数、设置合适的学习率策略以及损失函数。评估阶段将使用平均精度(mAP)等指标衡量不同类别上的表现，确保满足性能标准后部署到实际生产环境中。 该数据集提供的丰富样本有助于开发和优化针对特定缺陷类型的检测系统。通过深入研究与模型训练，我们可以利用先进的计算机视觉技术和深度学习方法为制造业带来更高效、精准的表面缺陷解决方案。