Advertisement

可用于Yolo训练的VOC格式垃圾数据集

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

简介：
本数据集提供用于YOLO模型训练的VOC格式标注的垃圾分类图像，包含多种生活垃圾类别，适用于物体检测任务优化。 该数据集包含44个类别： - 一次性快餐盒 - 书籍纸张 - 充电宝 - 剩饭剩菜 - 包 - 垃圾桶 - 塑料器皿 - 塑料玩具 - 塑料衣架 - 大骨头 - 干电池 - 快递纸袋 - 插头电线 - 旧衣服 - 易拉罐 - 枕头 - 果皮果肉 - 毛绒玩具 - 污损塑料 - 污损用纸 - 洗护用品 - 烟蒂 - 牙签 - 玻璃器皿 - 砧板 - 筷子 - 纸盒纸箱 - 花盆 - 茶叶渣 - 菜帮菜叶 - 蛋壳 - 调料瓶 - 软膏 - 过期药物 - 酒瓶 - 金属厨具 - 金属器皿 - 金属食品罐 - 锅 - 陶瓷器皿 - 鞋 - 食用油桶 - 饮料瓶 - 鱼骨 数据集包含19640张图片和对应的19640个标注文件（xml格式），可以直接用于YOLO训练。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 可用于Yolo训练的VOC格式垃圾数据集
    优质
    本数据集提供用于YOLO模型训练的VOC格式标注的垃圾分类图像，包含多种生活垃圾类别，适用于物体检测任务优化。 该数据集包含44个类别： - 一次性快餐盒 - 书籍纸张 - 充电宝 - 剩饭剩菜 - 包 - 垃圾桶 - 塑料器皿 - 塑料玩具 - 塑料衣架 - 大骨头 - 干电池 - 快递纸袋 - 插头电线 - 旧衣服 - 易拉罐 - 枕头 - 果皮果肉 - 毛绒玩具 - 污损塑料 - 污损用纸 - 洗护用品 - 烟蒂 - 牙签 - 玻璃器皿 - 砧板 - 筷子 - 纸盒纸箱 - 花盆 - 茶叶渣 - 菜帮菜叶 - 蛋壳 - 调料瓶 - 软膏 - 过期药物 - 酒瓶 - 金属厨具 - 金属器皿 - 金属食品罐 - 锅 - 陶瓷器皿 - 鞋 - 食用油桶 - 饮料瓶 - 鱼骨 数据集包含19640张图片和对应的19640个标注文件（xml格式），可以直接用于YOLO训练。
     
  • PASCAL VOC 数据集的 YOLO 格式训练集
    优质
    本数据集为PASCAL VOC数据集转换成YOLO格式后的版本，适用于目标检测任务中的模型训练与评估。包含标注图像及其对应标签文件。 PASCAL VOC目标检测的YOLO格式训练集。
     
  • 【目标检测数据集】垃圾分类YOLO+VOC格式8341张.zip
    优质
    本数据集包含8341张图片，采用YOLO和VOC格式标注，适用于训练和测试垃圾分类的目标检测模型。 数据集介绍：该数据集包含各种垃圾图片分类检测的标注信息，主要针对五种不同材质类型的垃圾分类，包括纸盒类、玻璃类、金属类、纸质类以及塑料类。 数据集格式：采用VOC与YOLO两种标准格式存储。 压缩包内容： - JPEGImages文件夹中包含了8341张jpg图片。 - Annotations文件夹内有对应的xml标注文件共8341份。 - labels文件夹则存放了用于目标检测的txt文件共计8341个。 标签种类：数据集中共有5种不同的材质类型，分别为Cardboard（纸盒）、Glass（玻璃）、Metal（金属）、Paper（纸质）和Plastic（塑料），每类对应的标注框数量如下： - Cardboard 框数 = 1785 - Glass 框数 = 1601 - Metal 框数 = 1770 - Paper 框数 = 1748 - Plastic 框数 = 1911 总计标注框数量为8815个。 图片质量：所有图像均具有较高的清晰度，且未经过增强处理。
     
  • 10个用于垃圾目标检测的YOLO格式数据集
    优质
    本资料汇总了适用于垃圾识别与分类任务的10个YOLO格式数据集，涵盖多种垃圾类型及场景，助力深度学习模型训练。 这里有10种已经制作好的垃圾目标检测数据集，格式为YOLO，并且可以使用。
     
  • YOLO垃圾分类数据集（包含20000张图片）及VOC、COCO、YOLO格式标签、划分脚本与训练指南.rar
    优质
    这是一个包含20000张图像的YOLO垃圾分类数据集，内含VOC、COCO和YOLO三种格式的标签文件以及数据划分脚本和详细的训练指南。 YOLO垃圾分类检测数据集包含真实场景的高质量图片数据，并且覆盖多种实际使用情况。这些图像通过lableimg标注软件进行精确标注，确保了高质素的数据标签准确性。标签以VOC（xml）、COCO（json）和YOLO（txt）三种格式提供，并分别存储在不同的文件夹中，可以直接用于YOLO系列的目标检测任务。 此外还提供了详细的教程来指导用户搭建YOLO环境、训练模型以及使用脚本进行数据集的划分。这些资源帮助使用者根据具体需求轻松地将数据划分为训练集、验证集和测试集。 详情展示及更多相关数据集的信息可以参考相关的博客文章，如有进一步的需求或问题可通过私信联系博主获取支持与解答。
     
  • YOLO垃圾检测数据集（包含1000张图像）及VOC、COCO与YOLO格式标签、划分脚本和训练指南.rar
    优质
    该资源包提供了YOLO垃圾检测的数据集，内含1000张图片及其在VOC、COCO和YOLO格式下的标注文件，附带数据划分脚本及详细的训练指南。 该数据集包含高质量的真实场景图片，适用于YOLO垃圾目标检测任务。使用lableimg软件进行标注，确保了标注框的质量，并提供了VOC (xml)、Coco (json) 和 YOLO(txt) 三种格式的标签文件，分别存储在不同的文件夹中，以便直接用于YOLO系列的目标检测模型训练。 此外还附赠了YOLO环境搭建教程和数据集划分脚本。用户可以根据需求自行将数据集划分为训练、验证及测试三个部分。
     
  • YOLO垃圾分类数据集（包含1000张图像）及VOC、COCO与YOLO格式标签、划分脚本和训练指南.rar
    优质
    该资源包提供了一个包含1000张图片的YOLO垃圾分类数据集，以及转换为VOC、COCO格式的标注文件。内含数据集分割脚本及详尽的训练指导文档，便于用户快速上手进行图像识别模型开发与训练。 1. 提供了一个用于YOLO系列目标检测的高质量垃圾分类数据集。该数据集包含真实场景中的丰富图片，并使用LableImg标注软件进行了精细标注，确保了标签的质量。标签以VOC（XML）、Coco（JSON）和Yolo（TXT）三种格式存储在不同的文件夹中，可以直接用于YOLO系列的目标检测模型训练。 2. 附带详细的环境搭建教程、训练案例以及数据集划分脚本，帮助用户根据需要自行调整并划分出适合自己的训练集、验证集和测试集。 3. 数据集的详情展示及更多相关资源可以通过相应平台获取。 4. 若需更大规模的数据或其它类型的数据集，请直接联系发布者进行咨询。
     
  • YOLO垃圾分类数据集（包含10000张图片）及VOC、COCO与YOLO格式标签、划分脚本和训练指南.rar
    优质
    这是一个包含10000张图片的YOLO垃圾分类数据集，附带VOC、COCO及YOLO格式标签，以及详细的划分脚本和训练指南。 1. YOLO垃圾分类检测数据集包含真实场景的高质量图片，覆盖多种实际使用情况。这些图像通过lableimg标注软件进行精细标注，并提供voc(xml)、coco(json)及yolo(txt)三种格式标签文件，便于直接应用于YOLO系列的目标识别任务。 2. 为方便用户快速上手，附赠了详细的YOLO环境搭建指南和训练案例教程。同时，还提供了数据集划分脚本，帮助使用者根据实际需求灵活地将数据划分为训练、验证及测试三个部分。 3. 更多关于此数据集的详情展示以及相关资源可以在相应的博客文章中找到。 4. 若有更多数量的数据或其它类型的数据集的需求，请直接通过平台留言联系博主。
     
  • 足球训练数据集（YOLO格式）
    优质
    本足球训练数据集采用YOLO格式标注，包含多种足球训练场景图像及对应目标检测信息，适用于训练和评估目标检测模型在体育领域应用的效果。 在IT领域特别是计算机视觉与深度学习的应用里，数据集扮演着至关重要的角色。一个专门用于YOLO（You Only Look Once）算法进行目标检测的足球训练数据集应运而生。YOLO是一种高效的实时物体检测系统，在运动图像分析中表现出色，例如识别足球比赛中的球员和球等元素。 我们来深入了解一下YOLO格式。这是一种基于深度学习的目标检测框架，由Joseph Redmon等人在2016年提出。其核心理念是将图片分割成多个网格，并预测每个网格内物体的存在及其边界框坐标。该算法的输出包括每类目标的概率及对应的边界框位置信息，这使得YOLO能够同时处理图像中的多个对象。 这个足球训练数据集预计包含了大量比赛画面或视频帧的数据，每一幅图都详细标注了球员、球等元素的位置。这些标注通常以特定格式呈现——即YOLO的annoation文件形式。每个annoation文件对应一张图片，并记录下目标物体中心位置（相对于网格）和大小以及类别标签。 数据集可能包含以下结构： 1. 图像文件：实际比赛场地的照片，用于训练模型。 2. 标注文件：通常采用txt或json格式存储，包括边界框坐标及分类信息。例如，每个条目会列出目标的左上角与右下角像素位置，并配以整数表示类别ID（如1代表足球，2代表球员）。 3. 类别定义：文档或者说明列出了所有可能出现的目标类型及其对应的数值标识。 训练过程大致如下： 1. 数据预处理：调整图像尺寸、标准化等操作使其符合神经网络输入要求。 2. 模型训练：利用标注数据集微调YOLO模型，以最小化预测结果与实际值之间的误差。 3. 验证评估：在独立的验证集中测试模型性能，防止过拟合现象发生。 4. 超参数调整：根据验证效果调节学习速率、批次大小等超参数优化模型表现。 5. 测试阶段：最终在未见过的数据集上进行测试，确保其具备良好的泛化能力。 该数据集有助于开发足球比赛分析系统（如自动跟踪球员位置、统计运动信息和识别战术布局）并为研究者与开发者提供支持。通过持续迭代和优化，我们期待能够实现更精准且智能化的赛事分析工具。
     
  • 将KITTI数据集转换为VOC格式以适应YOLO训练
    优质
    本文章介绍了如何将流行的KITTI数据集转换成VOC格式，以便于使用YOLO模型进行目标检测任务。通过详细步骤和代码示例指导读者实现这一过程。 将KITTI数据集转化为VOC数据集以用于YOLO训练和目标检测的相关介绍可以在博客中找到。