Advertisement

YOLOv5水果新鲜度及品质检测数据集

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


简介:
本数据集为基于YOLOv5的水果新鲜度与品质评估系统提供支持,包含多种常见水果的高分辨率图像,并详细标注了每张图片中水果的新鲜程度和品质等级。 提供了一个用于检测水果外观好坏及新鲜度的YOLO数据集,包含约1000个样本,并且已经按照yolo格式(txt文件)进行了标注并划分成train、val、test三个部分。此外,还附带了data.yaml配置文件以便于使用Yolov5、Yolov7或Yolov8等算法进行模型训练。 该数据集的目录结构和标签如下所示: - data.yaml中定义了类别数量(nc: 6)以及各类别的名称:[Fresh Apple, Fresh Banana, Fresh Orange, Rotten Apple, Rotten Banana, Rotten Orange]。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • YOLOv5
    优质
    本数据集为基于YOLOv5的水果新鲜度与品质评估系统提供支持,包含多种常见水果的高分辨率图像,并详细标注了每张图片中水果的新鲜程度和品质等级。 提供了一个用于检测水果外观好坏及新鲜度的YOLO数据集,包含约1000个样本,并且已经按照yolo格式(txt文件)进行了标注并划分成train、val、test三个部分。此外,还附带了data.yaml配置文件以便于使用Yolov5、Yolov7或Yolov8等算法进行模型训练。 该数据集的目录结构和标签如下所示: - data.yaml中定义了类别数量(nc: 6)以及各类别的名称:[Fresh Apple, Fresh Banana, Fresh Orange, Rotten Apple, Rotten Banana, Rotten Orange]。
  • YOLOv5+训练完成的模型+PyQt界面+
    优质
    本项目基于YOLOv5框架开发了水果新鲜度检测系统,并结合PyQt构建用户界面,利用特定的数据集进行模型训练和评估,提供高效准确的新鲜度识别能力。 本项目使用YOLOv5进行水果新鲜程度检测,包含两种预训练模型(yolov5s和yolov5m),用于识别苹果、坏香蕉、香蕉和坏苹果这四个类别。该项目还包括一个PyQt界面,支持图片、视频以及调用摄像头的实时检测功能。 数据集包括几百张图片,并且标签格式有txt和xml两种形式,分别存储在不同的文件夹中。项目采用PyTorch框架编写,使用Python语言实现。
  • 优质
    本数据集包含了多种常见水果的新鲜度信息,通过图像和传感器采集的数据来训练机器学习模型,以实现自动识别水果新鲜程度的功能。 数据集包含几百张水果新鲜程度检测图片,目标类别包括apple、bad banana、banana和bad apple共4个类别。标签格式为txt和xml两种,并分别保存在两个不同的文件夹中。数据集及检测结果的参考内容可查阅相关文献或资料。
  • Yolov5蔬菜-Fruits-Vegetables_dataset_yolov5.zip
    优质
    Fruits-Vegetables_dataset_yolov5 数据集专为YOLOv5设计,包含丰富多样的水果和蔬菜图像,适用于目标检测任务。 数百张Yolov5水果和蔬菜检测数据集已经准备好,包括香蕉、橘子、苹果等多种水果和蔬菜。数据集目录已配置好,并划分成train、val 和 test三个部分,附有data.yaml文件。使用Yolov5、Yolov7或 Yolov8等算法可以直接进行模型训练。 数据集的配置目录结构如下: - train: ./train/images - val: ./valid/images - test: ./test/images
  • 优质
    本数据集包含各类新鲜及不新鲜水果的图像和属性信息,旨在支持机器学习算法识别与分类不同种类的水果,促进农业智能化管理。 该数据集包含4个不同类别的200张图像,用于进行水果检测。数据集文件名为Fruit Detection_datastes.txt 和 Fruit Detection_datastes.zip。
  • YOLOv5结合两种预训练模型PyQt界面展示+
    优质
    本项目基于YOLOv5框架,融合两种预训练模型优化水果检测精度,并采用PyQt开发用户界面,同时提供自建水果检测数据集。 该项目提供了一种基于YOLOv5的水果检测方案,包括两种预训练模型(yolov5s 和 yolov5m),用于识别苹果、香蕉和橙子这三种水果类别。项目中包含一个使用PyQt构建的用户界面,并附带几百张相关的水果数据集。 该UI支持通过图片、视频或调用摄像头进行实时检测,提供相应的选择功能以方便操作。 此外,该项目采用的是 PyTorch 框架,代码为 Python 编写。
  • .zip
    优质
    该数据集包含了多种水质参数的详细信息,如pH值、溶解氧浓度、浊度等,适用于研究和分析水质状况及其变化趋势。 数据分析数据集涉及对收集到的数据进行处理、清洗以及探索性分析,以发现有价值的信息或支持决策制定。这包括使用统计工具和技术来识别趋势、模式,并通过可视化手段展示结果。此外,构建模型预测未来事件也是数据分析的一个重要方面。对于特定的应用场景,选择合适的方法和算法至关重要。
  • Yolov5:多类与缺陷识别(含11种类别训练/验证
    优质
    简介:本项目基于YOLOv5框架开发,专注于果蔬品质与缺陷检测。数据集涵盖11种常见水果类别,提供详尽的训练和验证图像样本,助力提升模型在实际应用中的精度与泛化能力。 项目包含多种水果好坏缺陷检测的数据集(11类别),包括训练集与验证集,并按照YOLOV5文件夹结构保存,可以直接用于目标检测而无需额外处理。图像分辨率为640*640的RGB图片,数据集中包含了苹果、香蕉等多种水果的好坏检测,边界框标注清晰且图像完整。 该数据集分为11个类别:好的苹果、腐烂的苹果、好的香蕉、腐烂的香蕉等。整个数据集压缩后的大小为103 MB,并被划分为训练集和验证集两部分: - 训练集中包含1811张图片及其对应的标签txt文件。 - 验证集中包含514张图片及其对应的标签txt文件。 为了方便查看,提供了可视化py脚本。通过随机传入一张图像即可绘制边界框,并将其保存在当前目录中。该脚本无需任何更改,可以直接运行以实现数据的可视化展示。
  • 餐桌YOLO8
    优质
    水果餐桌检测数据集YOLO8是一个专为提升水果在餐桌环境中的识别精度而设计的数据集合,采用先进的YOLO算法进行高效物体检测与定位。 餐桌水果检测数据集YOLO8采用CC BY 4.0许可协议。该数据集包含2611张图片,旨在为模型的可推广性创建新的对象检测基准。