Advertisement

kaggle数据集中的“水果识别”任务，包含“guava”文件（A.zip）。

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

简介：
由于数据集规模庞大，达到8GB级别，因此建议将其拆分为若干部分进行独立下载。您可以通过访问我的页面来获取包含15个不同类别的Fruit Recognition水果数据集，该数据集旨在用于训练识别应用程序。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Kaggle-Fruit Recognition 15-Guava A.zip
    优质
    本数据集来自Kaggle竞赛Fruit Recognition中的番石榴（Guava）分类任务，包含大量标注清晰的番石榴图像，适用于训练和测试水果识别模型。 8G的数据集太大了，请分开下载。Fruit Recognition水果数据集包含15个分类，可用于训练识别应用。
  • 水果识别——数据集
    优质
    本数据集包含各类新鲜水果的高清图像，旨在支持水果分类研究与模型训练，涵盖苹果、香蕉等多种常见及地方特色水果品种。 22495 水果图片！相关数据集文件包括 fruit-recognition_datasets.txt 和 fruit-recognition_datasets.zip。
  • 基于YOLOv的水果识别数据集
    优质
    本数据集旨在优化YOLOv算法在水果识别中的应用效果，包含多种常见水果的高清图像及标注信息，适用于训练高效、精准的目标检测模型。 我们准备了一个包含苹果、香蕉和橙子的YOLOv数据集用于水果识别任务。整个数据集中共有300张图片，大部分背景为白色，但也有少量含有干扰元素的图片。如果有需要的话，可以提供下载测试版本。
  • 水果识别图像数据集.zip
    优质
    本数据集包含大量标注清晰的水果图像，旨在支持水果种类识别的研究与应用开发，涵盖苹果、香蕉等多种常见水果。 图像总数：22495张。训练集大小为16854张图片（每张图片包含一个水果或蔬菜）。测试集大小为5641张图片（每张图片同样只含有一个水果或蔬菜）。课程数量共计33个类别，涵盖各种不同的水果和蔬菜种类。图像尺寸统一为100x100像素。 训练数据文件的命名格式是：[水果/蔬菜名称][id].jpg（例如苹果布雷本100.jpg），并且为了提高模型鲁棒性，许多图片还进行了旋转处理。测试集中的文件名采用的是4位数字编号形式，如 0001.jpg。 训练数据结构包括33个子目录，每个水果或蔬菜类别都有自己的专属目录，并且总共有16854张用于训练的图像。测试集中则包含有5641份样本图片。此外还提供了一个.csv文件作为示例提交格式参考，其中包含了正确的ID号及相应的字符串标签信息。
  • Kaggle手写体识别的数据集
    优质
    该数据集来自Kaggle平台的手写数字识别竞赛，包含了42000个训练样本和28000个测试样本的手写数字图像，旨在用于开发和评估机器学习模型在识别手写数字方面的性能。 Kaggle手写体识别数据集包含了用于训练和测试的手写数字图像。该数据集常被用来进行机器学习模型的开发与评估，特别是在卷积神经网络的应用中非常流行。
  • 水果蔬菜识别数据集fruit-veg
    优质
    fruit-veg 数据集包含丰富的水果和蔬菜图像样本，用于训练机器学习模型以实现准确识别各类蔬果。 文件夹内包含train、valid和test三个部分。train文件夹里存放的是训练图片及其标签，valid文件夹用于存放验证图片与对应的标签，而test文件夹则包含了测试用的图片及标签。总共有大约5000张图片，并且有15个不同的类别，例如胡萝卜、西红柿、土豆和西瓜等。
  • 包含6种的水果花卉数据集
    优质
    本数据集汇集了六类常见水果与花卉图像，旨在为视觉识别技术的研究提供丰富素材，适用于模式识别、机器学习等领域。 深度学习水果花卉数据集共有6种类别，由于存储空间有限，删除了一些图片。每类包含1000张以上图像。
  • 基于VGG16的MNIST数据集识别任务实现.py
    优质
    本代码利用预训练的VGG16模型对MNIST手写数字数据集进行分类任务，展示了如何迁移学习应用于小规模图像数据集以提高模型性能。 使用VGG16网络实现对传统MNIST手写数据集的识别任务。
  • 包含约2000张图片的水果识别数据集，涵盖apple、banana、grape、orange和pear
    优质
    这是一个包含超过2000张高质量图片的数据集，涵盖了苹果、香蕉、葡萄、橙子和梨五大类水果，旨在帮助训练精确的图像识别模型。 数据集中包含约2000张水果图像，分为五类：apple、banana、grape、orange 和 pear，并且每种水果都有单独的文件夹存放。为了确保数据集具有多样性和代表性，我们从多个来源收集了这些图片并进行了筛选和整理。在构建过程中特别注意保持每个类别样本数量的均衡，以避免因数据不平衡而影响模型训练与测试的结果。 此外，为验证模型泛化能力，还准备了一个独立的测试数据集 Testreal 用于全面评估模型面对未知图像时的表现效果。在整个图片选择及处理的过程中，我们力求确保每张图的质量和多样性，以便让模型能够准确识别不同种类以及外观各异的各种水果。 我们认为这样构建的数据集可以为实验研究提供可靠的基础，并且也为相关领域的进一步探索提供了具有挑战性和实用价值的重要资源。