Advertisement

maize叶片病预测数据集采用VOC格式进行人工标注；该数据集的准确率达到 95.7% 以上（约 1万零八百八十四张图片），能够识别黄化、锈 spot、gray leaf spot 等病症

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

简介：
玉米叶片病害预测数据集基于VOC格式进行了人工标注工作,检测准确率达到95.7%以上,该数据集包含10884张图像样本,能够帮助研究人员有效识别包括叶枯病、锈 spot 病以及灰斑病等多种病症特征。详细说明了如何获取标注数据及模型训练方法的文章介绍了该数据集的具体构建过程及其应用前景

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 铁锈检测数据集（VOC+YOLO格式，600张图片，1类别）.zip
    优质
    本数据集包含600张用于铁锈检测的图像，采用VOC和YOLO两种格式标注，集中于单一目标类别——铁锈，适用于训练精确的目标检测模型。 样本图：请到服务器下载文件，在电脑端资源详情查看并下载。 注意数据集部分图片有增强，请认真查阅图片预览内容。 数据格式为Pascal VOC与YOLO，不含分割路径的txt文件，仅包含jpg、VOC xml以及yolo txt格式文件。 图片总数（jpg数量）：600 标注文件数(xml)：600 标注文件数(txt)：600 类别数目：1 类别名称:[Corrosion] 每个类别的框的数量： 腐蚀 框的个数 = 5920 总框的数量: 5920 使用工具为labelImg，标注规则是对目标进行矩形标记。 特别说明：暂无其他重要信息需要补充。
  • 茶叶病害数据集（VOC+YOLO格式，含883张图片，8个类别）.zip
    优质
    本资料包提供了一个包含883张图片的茶叶病害数据集，涵盖八大类病害。采用VOC与YOLO两种标注格式，便于机器学习和深度学习模型训练使用。 数据集格式采用Pascal VOC与YOLO两种形式。其中VOC格式包含xml文件用于存储每个图片的标签信息；而YOLO格式则为对应的txt文件（不含路径），仅包括jpg图像及其相应的VOC xml文件及yolo txt文件。 该集合共有883张图片，每一张都有其相对应的标注数据和类别标签。具体来说，一共有8个不同的分类：algalleaf、Anthracnose、birdeyespot、brownblight、graylight、healthy、redleafspot以及whitespot。每个类别的样本数量分别为： - Anthracnose: 99 - algalleaf: 114 - birdeyespot: 100 - brownblight: 113 - graylight: 100 - healthy: 74 - redleafspot: 143 - whitespot: 141 总计标注框数量为884。所有标签工作均通过labelImg工具完成，遵循使用矩形框标记类别的规则。 每个图片内的内容仅限于单一叶子的检测与分类任务上。
  • 棉花叶片病害检测数据集（VOC+YOLO格式），含977张图片，22个类别.7z
    优质
    本数据集提供针对棉花叶片病害的图像识别训练素材，包含977幅图片及22种不同的病害分类标签，支持VOC与YOLO两种格式。 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 格式的 txt 文件） 图片数量（jpg 文件个数）：977 标注数量（xml 文件个数）：977 标注数量（txt 文件个数）：977 标注类别数：22 重要说明：所有图像的分辨率为 640x640，请仔细查看图片预览以确认是否符合实际项目需求。下载前请务必参考相关博文，确保数据集满足项目的具体要求。
  • 行人VOC格式标注数据集（含超千张图片）.zip
    优质
    本资源为行人VOC格式标注数据集，包含超过一千张图像及对应的XML文件，适用于目标检测算法训练与测试。 我们有一个使用VOC格式标记行人的数据集，包含超过1000张图片，适用于行人检测的训练任务，并且只有一类标签：person。
  • 黄瓜目标检测数据集（VOC格式），含1309张图片
    优质
    本数据集为黄瓜目标检测设计，包含1309张图像，遵循Pascal VOC标准格式，适用于训练和评估物体检测模型。 数据集格式：Pascal VOC（不含分割路径的txt文件、yolo格式的txt文件，仅包含jpg图片及其对应的xml标注） 图片数量（jpg文件个数）：1308 标注数量（xml文件个数）：1308 标注类别数：1 标注类别名称：cucumber 每个类别的标记框数量：cucumber计数 = 2939 使用工具：labelImg 标注规则：对目标进行矩形框绘制。 重要说明及特别声明：本数据集不对训练模型或权重文件的精度作任何保证，仅提供准确且合理的标注信息。
  • 带有标签的八百多张图片的车牌识别数据集
    优质
    这是一个包含超过800张带标签图片的数据集，专为训练和评估车辆车牌识别系统而设计。每一张图像都清晰地标记了车牌位置及相应字符信息，适用于深度学习模型的开发与测试。 车牌检测数据集包含八百多张带标签的图片，格式为YOLO，可以直接用于训练模型。
  • 【目标检测数据集】11960张水稻病害检测图片（VOC+YOLO格式）.zip
    优质
    本资源提供一套用于水稻病害识别的目标检测数据集，包含11960张标注清晰的图像，并以VOC和YOLO两种格式呈现，适用于深度学习模型训练。 数据集采用了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11963张图片，每一张都有相应的标注信息： - Pascal VOC xml 文件数量：11963个 - YOLO txt 标注文件数量：11963个 这些图像被分为十二类进行标记： 标注类别数为 12 种，具体包括以下几种类型及其对应的框的数量: - BLBD: 框数 = 1030 - BLSD: 框数 = 1067 - BSD: 框数 = 1064 - DPD: 框数 = 1465 - FSD: 框数 = 2154 - Healty: 框数 = 1266 - NBD: 框数 = 1412 - NBSD: 框数 = 975 - Non-Rice: 框数 = 1298 - RBD: 框数 = 1070 - RRSD: 框数 = 972 - SBD: 框数 = 1303 总计标注框数量为：15,076个。 使用了labelImg工具进行标记，遵循对类别画矩形框的规则。
  • 番茄叶片病害识别的数据集（目标检测）
    优质
    本数据集专注于番茄叶片病害的目标检测，旨在通过收集大量标记图片，帮助研究人员与开发者训练模型自动识别不同类型的番茄叶病，促进农业精准化管理。 该数据集适用于YOLO系列（包括YOLOv5、YOLOv6、YOLOv7、YOLOv8、YOLOv9及更高版本）、Faster R-CNN 和 SSD 等模型的训练，包含番茄叶片病害识别的相关信息。类别分为：blight-disease（疫病）、mosaic-virus（花叶病毒）和redspider-infection（红蜘蛛感染）。数据集共包含6446张图片，并配有相应的txt标签、指定类别的yaml文件以及xml格式的标注文件。已将图像及对应的txt标签划分为训练集、验证集与测试集，可以直接用于上述YOLO系列算法模型的训练过程。
  • 土豆叶片病害数据集，涵盖10种病症
    优质
    该数据集专注于收集和整理土豆叶片在生长过程中可能出现的十种主要病害图像信息，为农业研究与智能诊断提供宝贵资源。 该土豆叶片数据集包含10种不同的土豆叶片病害，每类至少有1000张图片。