Advertisement

桃子成熟度识别与分割的数据集(包含共3630张图像)分为三个类别(未熟、半熟、已熟)以labelme格式保存.md

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


简介:
本文重点阐述了桃子不同成熟度阶段(如未熟状态、半成熟状态及成熟状态)的数据识别与分割技术。该数据集遵循labelme标注格式,并包含3630张图片及配套的json标注文件。这些图像被分为三个类别:未熟(unripe)、半成熟(semi-ripe)以及成熟的(ripe)。每个类别下的标注框数量分别为:未熟1248个、半成熟947个和成熟的1182个。注:原文此处存在计算错误,请注意实际数量应为:未熟1248×2=2496;半熟947×2=1894;成熟的1182×2=2364?这显然与原文不符,请确认原始数据是否正确。 该数据集基于labelme 5.5.0版本构建,并托管于firc-dataset仓库供研究人员使用。在标记过程中要求用户通过多边形框对不同成熟度阶段进行分类标记。 注:原文提到所有图片均没有经过增强处理这一点非常重要,在后续研究中可能影响模型训练效果。 研究人员可通过labelme软件打开并编辑该数据集中的图像与标注文件。 具体展示了不同成熟度阶段桃子的标注示例。 作为直观展示, 文章还提供了两个图像预览实例, 这些实例有助于理解整个标记过程及其应用场景。 这些标记结果不仅对于深度学习模型训练具有参考价值, 同时也为相关领域的研究提供了实用的数据支持。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • 西红柿LabelMe686片,3).zip
    优质
    本数据集包含686张采用LabelMe标注工具标记的西红柿图像,涵盖未熟、半熟和全熟三个阶段,适用于机器视觉与农业自动化研究。 样本图:请到服务器资源预览或详情查看后下载。 数据集格式为labelme格式(不包含mask文件,仅包括jpg图片及其对应的json文件)。 - 图片数量(jpg文件个数):686张 - 标注数量(json文件个数):686份 - 标注类别数:3类 - 标注类别名称:[未成熟, 成熟, 腐烂] 每个类别标注的框的数量: - 未成熟计数 = 2452 - 成熟计数 = 1268 - 腐烂计数 = 710 使用了labelme v5.5.0进行标注,对各类别进行了多边形(polygon)的绘制。 重要说明:可以利用LabelMe软件打开并编辑数据集。需要自行将json格式的数据转换为mask、yolo或coco格式以用于语义分割或者实例分割。 特别声明:本数据集中提供的标注信息准确且合理,并不对训练模型后的精度做出任何保证。
  • 西瓜标注,约600片】
    优质
    本数据集包含约600张西瓜成熟度图像,并附有详细标注信息,旨在促进农业领域中基于视觉的果实成熟度识别研究。 西瓜成熟度图像分类数据集【已标注,约600张图片】 分类个数【3】:成熟、半熟、未熟 划分了训练集、测试集,并将各自同一类别的图片存放在一起。如果想可视化数据集,可以运行资源中的show脚本。 对于CNN分类网络的改进内容可参考相关文献或资料。此外,还有更多图像分类、图像分割(医学)、目标检测(yolo)等相关项目及相应网络的改进信息可供查阅。
  • 荔枝检测用VOC+YOLO(1005片,4).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。
  • 水果判断
    优质
    本项目旨在开发一种智能系统,能够准确识别各种常见水果,并评估其成熟度,帮助消费者做出更佳选择。 这段文字描述了两个使用Matlab开发的GUI程序:一个用于判定水果类型,另一个用于评估水果成熟度。
  • 【目标检测】番茄检测(640,3,VOC+YOLO).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。
  • 西红柿(1952片)- VOC、YOLO和JSON标注文件.zip
    优质
    本数据集包含1952张西红柿图像及其成熟度信息,提供VOC、YOLO及JSON三种格式的标注文件,便于机器学习模型训练与测试。 西红柿识别检测数据集适用于课程作业、设计项目及比赛需求,在实际应用方面可用于智慧农业中的西红柿成熟度识别系统以及蔬菜成熟度判断等领域。 该数据集中包含1952张图片,背景丰富且具有多样性,目标分布均匀,并附有精准的标注信息。算法拟合效果良好,质量可靠。此数据集提供了三种标签格式:VOC(xml)、YOLO(txt)和JSON。类别名称包括“ripe”(成熟) 和 “immature” (未成熟),是博主在西红柿机器臂采摘项目中的使用资料。多种目标检测算法可以直接应用于此数据集中。
  • 【目标检测】荔枝579片(绿、红、红)VOC+YOLO.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。
  • DMM模型
    优质
    DMM数据成熟度模型是一种评估和指导企业数据管理能力提升的方法论框架,帮助企业识别并解决数据治理、质量控制等方面的问题。 随着大数据技术的不断发展与成熟以及数据重要性的日益提升,美国卡耐基梅隆大学软件工程研究所(SEI)在CMMI方法和经验的基础上,结合众多知名厂商的数据管理实践,于2014年8月正式推出了数据管理成熟度评估模型(DMM)。
  • 番茄_5560片_3_YOLO
    优质
    在智慧农业领域,精准判别作物成熟度是核心支撑高效生产管理工作的实现路径。为解决传统人工分拣效率低下、易受主观因素干扰等问题,基于计算机视觉与机器学习的自动检测技术已逐渐成为可行方案。YOLO算法作为目标检测领域的主流解决方案,在农业图像处理方面展现了优异的计算效率和检测精确度。本研究聚焦番茄成熟度自动判别任务,构建了包含5560张精心标注的图像数据集,系统涵盖了未成熟、半成熟和全成熟的三个关键生长阶段。通过科学设计的标签体系,该研究为YOLO模型提供了高质量的学习样本,使其能够精准识别不同成熟阶段的核心视觉特征:未成熟的番茄呈现均匀的青绿色调,半熟果实呈现出明显的红绿渐变特征,而全熟果实则以鲜明的红色为主色调。在农业生产实践中,这一判别模型的高精度直接决定了采摘时机决策的科学性和果实分级的质量标准,从而显著降低了人工操作成本、优化了资源利用效率和提升了商品果品的整体品质。