Advertisement

Yolov5医疗人员检测数据集144M 提供预训练模型与数据详情

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


简介:
本资源提供YOLOv5框架下专为医疗环境设计的人员检测数据集及预训练模型,总量达144MB。包括详尽的数据说明和使用指南。 144M 医护目标检测数据集已处理为YOLO格式,可直接用于训练。该数据集包含684张训练图片、300张验证图片和29张测试图片,并附有训练记录。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • Yolov5144M
    优质
    本资源提供YOLOv5框架下专为医疗环境设计的人员检测数据集及预训练模型,总量达144MB。包括详尽的数据说明和使用指南。 144M 医护目标检测数据集已处理为YOLO格式,可直接用于训练。该数据集包含684张训练图片、300张验证图片和29张测试图片,并附有训练记录。
  • YOLOv5西红柿
    优质
    简介:本项目基于YOLOv5框架开发了针对西红柿的精准检测模型,并提供了相应的预训练模型和数据集,适用于农业监控、产量估计等场景。 使用Yolov5进行西红柿检测的项目包括了两种预训练模型:yolov5s 和 yolov5m,它们是在一个包含1000多张图片的数据集上训练得到的,目标类别为toamto(番茄),共有一个类别。数据集中还包含了标签文件,格式分别为txt和xml,并分别保存在两个不同的文件夹中。 该项目采用PyTorch框架并使用Python代码实现。
  • YOLOv5权重+3000行 yolov5-6.0-person_detect.zip
    优质
    本资源提供基于YOLOv5版本6.0的人行检测模型训练权重及包含约3000个样本的行人数据集,适用于深度学习项目中的人体识别研究。 1. YOLOv5行人检测训练权重附有各种训练曲线图。 2. 场景为街道、公路的行人检测模型,在一万多数据集上进行训练,准确率超过90%。 3. 类别:person(人)。 4. 数据集中包含3000张多行人的图片,并提供VOC和YOLO两种标签格式。 5. 检测结果及数据集详情请参考相关博客文章。
  • 基于YOLOv5的行完成的行
    优质
    本研究采用YOLOv5框架开发了高性能的行人检测系统,并完成了相应的大规模数据集训练。该模型在准确率和实时性上表现出色,适用于各类应用场景。 YOLOV5行人检测模型在包含数千张街道和交通场景的行人数据集上训练完成,并附有该数据集。使用lableimg软件标注工具对行人进行了标记,图片格式为jpg,标签有两种形式:xml格式与txt格式,分别保存于两个不同的文件夹中,类别名称统一为person。此模型可以直接用于YOLO系列的行人检测任务,在map指标上达到了90%以上。
  • YOLOv5火焰烟雾:含及PyQt界面
    优质
    本项目提供基于YOLOv5的实时火焰与烟雾检测系统,包括预训练模型和标注数据集,并配备直观的PyQt图形用户界面。适合火灾预防监控应用。 YOLOv5训练好的火焰烟雾检测模型包括yolov5s-fire_smoke.pt和yolov5m-fire_smoke.pt两个预训练模型,并包含几百张标注好了的火焰与烟雾数据集,标签格式为xml和txt两种,类别分别为fire和smoke。此外还有一个QT界面并采用pytorch框架,代码是用python编写的。
  • 基于Yolov5的烟雾系统,包含
    优质
    本项目基于YOLOv5框架开发烟雾检测系统,提供预训练模型及专用数据集,旨在实现高效、精准的实时烟雾识别。 基于Yolov5的烟雾检测项目包括一个训练好的模型和相关数据集。
  • YOLOv5车辆行+5000张相关
    优质
    本项目提供基于YOLOv5的先进车辆与行人检测解决方案,包含精心标注的5000张图片数据集,旨在优化智能交通系统的实时监控和安全性能。 YOLOv5车辆行人检测项目包含两种预训练模型:Yolov5s和Yolov5m,用于识别交通场景中的行人(person)和汽车(car)。这些模型在超过一万张图像的数据集上进行训练,并达到了90%以上的map值。此外,该项目还提供了一个基于PyQt的用户界面以及PR曲线、loss曲线等性能评估图表。 数据集中包括了大约5,000张用于测试目的的行人和车辆图片,标签格式为txt和xml文件,分别存储在不同的目录中。
  • 手机玩耍YOLOv5及3000张
    优质
    本项目致力于开发手机使用习惯分析工具,利用深度学习框架YOLOv5训练模型,并基于3000张图像数据集优化算法性能。 使用Yolov5进行玩手机检测的项目包括训练好的模型权重、PR曲线以及loss曲线等相关内容。该项目是在一个包含3000多张图片的数据集上完成的,目标类别为“play_phone”,数据集中标签格式有txt和xml两种形式,并且已经用pyqt界面进行了展示。 使用的编程框架是PyTorch,代码语言为Python。
  • YOLOv5电塔绝缘子++PyQt界面+1000
    优质
    本项目基于YOLOv5框架开发,结合大规模数据集与预训练模型优化电塔绝缘子检测精度,并采用PyQt设计用户交互界面,提升用户体验。 本段落介绍了一种基于YOLOv5的电塔绝缘子检测系统,其中包括两种训练好的模型:yolov5s和yolov5m。该系统在包含1000张图片的数据集上进行了训练,并提供了PR曲线、loss曲线等指标进行评估。数据集中包含了标签格式为VOC和YOLO的文件夹。 此外,还提供了一个基于PyQt开发的用户界面,可以用于检测图像、视频以及调用摄像头进行实时检测。目标类别仅有一个:Insulator(绝缘子)。
  • 基于YOLOv5的水下垃圾标注
    优质
    本研究基于YOLOv5框架开发了专门用于识别和定位水下垃圾的系统,并构建了一个包含大量标注图像的数据集,同时提供了预训练模型以促进进一步的研究。 YOLOv5用于水下垃圾检测的项目包括训练好的模型权重以及PR曲线、loss曲线等相关结果数据。该项目使用了VOC格式的水下垃圾检测数据集,包含几千张通过lableimg标注软件标记的真实场景高质量图片,图片格式为jpg。标签以两种不同格式保存:一种是VOC格式,另一种是yolo格式,并分别存放于两个不同的文件夹中。 该数据集中包括多种类型的海洋垃圾图像,如金属、木头、塑料、橡胶和布料等类别目标的检测样本。这些数据集覆盖了丰富的场景变化,能够为水下环境中的垃圾分类提供全面的数据支持。