Advertisement

公路落石目标检测数据集(VOC+YOLO格式,含282张图片).zip

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


简介:
本资源提供一套针对公路落石的目标检测数据集,包含282张标注图片,并兼容VOC和YOLO两种主流格式。适用于深度学习研究与应用开发。 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txt文件) 图片数量(jpg文件个数):282 标注数量(xml文件个数):282 标注数量(txt文件个数):282 标注类别数:1 标注类别名称:[stone] 每个类别标注的框数: stone 框数 = 632 总框数:632 使用标注工具:labelImg

全部评论 (0)

还没有任何评论哟~
客服
客服
  • VOC+YOLO282).zip
    优质
    本资源提供一套针对公路落石的目标检测数据集,包含282张标注图片,并兼容VOC和YOLO两种主流格式。适用于深度学习研究与应用开发。 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txt文件) 图片数量(jpg文件个数):282 标注数量(xml文件个数):282 标注数量(txt文件个数):282 标注类别数:1 标注类别名称:[stone] 每个类别标注的框数: stone 框数 = 632 总框数:632 使用标注工具:labelImg
  • 与滑坡VOC)- 991
    优质
    本数据集包含991张图片,采用VOC格式,专注于公路落石与滑坡的目标检测问题,为相关研究提供高质量训练素材。 真实场景的数据集格式为Pascal VOC(不含分割路径的txt文件和yolo格式的txt文件),仅包含jpg图片及其对应的xml标注文件。该数据集中共有494张图片,与之相对应的是同样数量的494个标注文件。整个数据集中有2种不同的标签类别:“huapo” 和 “luoshi”。其中,“huapo”的标记框数为183个,“luoshi”的标记框数为351个。 SD场景下的数据集格式与真实场景一致,也是Pascal VOC形式,并且同样不包含分割路径的txt文件和yolo格式的txt文件。该部分的数据集中有497张jpg图片以及对应的497份xml标注文件。整个SD数据集内仅有一种标签类别:“luoshi”,其标记框总数为514个。 以上信息可通过访问bilibili.com/video/BV1Ss4y1i7XZ获得更详细的介绍,但由于要求中未提及需要保留该链接或进行相关修改处理,故此处不再重复提供链接。
  • 】仓库托盘YOLO+VOC1182).zip
    优质
    本资源提供一套针对仓库托盘的目标检测数据集,包含1182张图片,并采用YOLO与VOC标准格式标注,适用于训练和测试相关模型。 数据集格式:VOC格式+YOLO格式 压缩包内包含三个文件夹: - JPEGImages 文件夹存储了1182张 jpg 图片; - Annotations 文件夹中包含了对应的 1182 个 xml 标注文件; - labels 文件夹中有与之匹配的 1182 个 txt 标签文件。 标签种类为一种,名称是“tuopan”。该标签共有矩形框38971个。 图片清晰度良好(分辨率为像素),未经过任何图像增强处理。
  • 】11960水稻病害VOC+YOLO).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。
  • 】1000工具扳手VOC+YOLO.zip
    优质
    本资源提供包含1000张不同工具扳手图像的数据集,标注了VOC及YOLO格式文件,适用于目标检测模型训练与测试。 数据集格式采用Pascal VOC与YOLO两种格式结合的方式(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。 图片总数为1003张,相应的标注数量也是1003个。 唯一的标注类别是“banshou”,共有2097个此类别的框标记。
  • VOC+YOLO),461,1个类别.7z
    优质
    本数据集包含461张图片及对应标注,专为道路圆石墩设计,支持VOC与YOLO两种格式,适用于目标检测模型训练和验证。 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) :462 标注数量 (xml 文件个数) :462 标注数量 (txt 文件个数):462 标注类别数:1 标注类别名称:[spherical_roadblock] 每个类别的标注框数: - spherical_roadblock 框数 = 1798 总框数:1798 使用标注工具:labelImg 标注规则:对类别进行矩形框标记 重要说明:暂无 特别声明:本数据集不对训练的模型或权重文件精度作任何保证,仅提供准确且合理的标注。
  • 黄瓜VOC),1309
    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。
  • 电线杆(YOLO+VOC) 2127.zip
    优质
    本数据集包含2127张图像及其标注文件,适用于YOLO和VOC格式的目标检测任务,专注于识别与分类电线杆。 数据集格式:VOC格式+YOLO格式 压缩包内包含三个文件夹: - JPEGImages 文件夹存储图片(jpg 格式),共 2127 张。 - Annotations 文件夹存放 xml 文件,共计 2127 个。 - labels 文件夹中则有 txt 文件,数量为 2127。 标签种类:单一类别 名称:[telegraph pole] 各类别框数: telegraph pole 的标注框共有 2700 个 总标注框计数:2700 图片质量与分辨率: - 清晰度良好,像素清晰。 - 图片未经过增强处理。 标签类型: 矩形框形式用于目标检测任务。 备注说明:暂无特别需要强调的内容。 特别声明:本数据集不对训练模型或权重文件的精度提供任何保证,所提供的仅是准确且合理的标注信息。
  • 】跨越栏杆512VOC+YOLO.zip
    优质
    本数据集包含512张图片,旨在帮助训练和测试物体检测模型在复杂场景中准确识别并定位跨越栏杆的行为。以VOC与YOLO两种格式提供,便于多种框架使用。 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):512 标注数量(xml文件个数):512 标注数量(txt文件个数):512 标注类别数:1 标注类别名称:[climbing] 每个类别的标注框数: climbing 框数 = 599 总框数:599 使用标注工具:labelImg