YOLO 数据集: 马铃薯缺陷检测(5个类别包含训练集和验证集)

5星

浏览量: 0

大小:None

文件类型：7Z

简介：
本项目涉及马铃薯缺陷检测任务（共五个类别，包括训练数据集与验证数据集）。所有图像数据均遵循YOLOv5的文件存储规范存放，无需额外处理即可应用作为目标检测所需的数据集。具有640×640像素分辨率的RGB图像，用于马铃薯（potato）损坏识别，并包含清晰的边界框标注和完整的图像。每张图像均包含多个类别的目标，具有丰富的景物分布，注释清晰易懂。数据集介绍数据集介绍数据集介绍数据总大小压缩后数据总大小折合为txt类别文本文件 txt类别文本文件 txt文件分类信息 txt文件分类信息为了便于直观了解数据特征，我们提供了基于Python语言的在线可视化工具包。通过随机加载一张图片即可自动生成边界框标注任务，并将结果保存至项目根目录下。此外，用户无需对原有代码进行任何改动即可直接执行该功能。

全部评论 (0)

还没有任何评论哟~

客服

樱桃缺陷的YOLO数据集检测（含4类别的训练和验证集）

优质

本研究构建了一个包含四类别标签的高质量樱桃缺陷数据集，并应用YOLO算法进行高效准确的目标检测与分类。项目包括大尺度下的樱桃缺陷检测（4类别：好的、严重破损等），数据集按照YOLOV5文件夹结构保存，可以直接用于目标检测训练与验证，无需额外处理。图像分辨率为约2000*2000的高分辨率RGB图片，边界框标注清晰且完整。每张图包含大量樱桃缺陷目标，前景丰富、标注效果好。数据集分为两个部分： - 训练集（datasets-images-train）：672张图片和对应的标签txt文件。 - 验证集（datasets-images-val）：168张图片及其相应的标签txt文件。每个类别都提供了详细的文本信息，方便查看。此外还提供了一个可视化py脚本，可以随机选取一张图进行边界框绘制，并保存在当前目录下。该脚本无需更改即可直接运行以展示图像效果。

齿轮缺陷检测数据集（YOLOV5格式，含3类标签的训练和验证集）

优质

本数据集包含用于齿轮缺陷检测的YOLOV5格式图像，涵盖三类标签，提供全面的训练与验证样本，助力高效模型训练。项目包含：齿轮缺陷检测（3类别），包括训练集与验证集。数据保存遵循YOLOV5文件夹结构，可以直接用于目标检测而无需额外处理。图像分辨率为800*600的RGB图片，数据集中是单一背景下的红色齿轮缺陷检测，分为表面擦伤、齿轮掉牙和齿轮不足三类。每张图包含多个目标框，适用于小目标或密集区域的检测任务。【数据集介绍】 - 类别：break（断齿）、lack（缺损）、scratch（划痕）【数据总大小压缩后】42 MB，分为训练集与验证集。 - 训练集(datasets-images-train)包含2382张图片和对应的标签txt文件共2382个 - 验证集(datasets-images-val)包括596张图片及相应的标签txt文件共596个【类别文本信息】提供了描述三类缺陷的txt文档。为了便于查看数据，项目中包含一个可视化py脚本。只需随机提供一张图像即可绘制边界框，并保存在当前目录下。该脚本无需修改可以直接运行以生成可视化的结果。

Yolov5水果数据集：多类品质与缺陷识别（含11种类别及训练/验证集）

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。

Yolov5火焰检测数据集：单一类别，含训练与验证集

优质

本数据集专为基于YOLOv5的火焰检测模型设计，包含大量标注图像用于训练和验证。专注于单一目标分类，助力提升火灾预防系统的准确性。项目包含火焰检测数据集（1类别），包括训练集和验证集。数据按照YOLOV5文件夹结构保存，可以直接用作目标检测的数据集，无需额外处理。图像分辨率为300-800像素的RGB图片，边界框标注清晰且图像完整。该数据集中包含生活中的火焰检测实例。【数据集介绍】类别：火焰（fire）训练集包含： - 图像数量：8236张 - 标签文件：8236个txt文件验证集包含： - 图像数量：2059张 - 标签文件：2059个txt文件【数据总大小压缩后】为591MB。为了方便查看，提供了可视化py脚本。随机传入一张图片即可绘制边界框，并保存在当前目录下。该脚本无需更改，可以直接运行进行图像可视化。

YOLO数据集：24类几何图形的形状和颜色检测（含训练集与验证集）

优质

本项目提供了包含24种几何图形的数据集，旨在进行形状和颜色识别的研究。其中包括详细的训练集与验证集划分，适用于YOLO模型及其他目标检测算法的训练与评估。项目包含简单几何图形形状及颜色检测（共24个类别，并有训练集与验证集），数据保存遵循YOLOV5文件夹结构，可以直接用作目标检测的数据集而无需额外处理。图像分辨率为400-700像素的RGB图片。该数据集中包含了使用cv绘制的封闭几何图形，用于对形状和颜色进行检测。每张图中有多个标注完整的边界框作为目标对象。适用于识别几何图形的颜色与形状。标注格式遵循YOLOV5标准：类别、中心点x坐标、中心点y坐标、宽度w和高度h（相对坐标）。数据集包含24个分类，例如粉色三角形、青色圆形及黄色矩形等。整个压缩后的数据集大小为60MB。训练集中有7978张图片及其对应的标签txt文件；验证集中则包括1994张图片和相应的1994个标签txt文件。为了便于查看，我们提供了一个可视化py脚本，在随机传入一张图像后可以绘制边界框，并保存到当前目录中。该脚本无需任何修改即可直接运行以显示图像。

3D打印缺陷缺陷检测数据集（VOC+YOLO）5864张3类别.docx

优质

该数据集名称为\3D打印缺陷检测数据集\，采用标准的VOC+YOLO标注格式，共计5864张图像，划分为三个主要类别，主要用于对3D打印中的缺陷进行视觉检测。数据集结构紧凑，由1/3的原生图像和2/3的比例用于增强图像组成，所有图像都配备了丰富的标注信息。该系统使用labelImg工具进行标注操作，具体类别涵盖\spaghetti\、\stringing\和\zits\三种类型，分别代表3D打印过程中的各类缺陷类型。从数据格式上看，该集合严格按照Pascal VOC标准和YOLO主流格式构建，其中包含5864张高质量的JPG图片，每张图片都配有对应的VOC格式XML文件以及YOLO格式的txt标注文件。XML文件不仅包含了图像的基本信息，还详细标注了缺陷区域。Yolo格式的txt文件则提供了与缺陷框相对应的坐标信息和类别标签。整个标注过程力求精确反映缺陷区域的位置特征。值得注意的是，在数据集的分类设置中，YOLO格式下的类别顺序并不遵循VOC的标准，而是以项目根目录下classes.txt中的列表为准。这种设计可能旨在兼顾不同标注工具的兼容性与转换需求，为研究者提供了灵活的切换接口。对于数据集的用户而言，类别的编号对应关系需通过项目配置文件来明确。此外，本集合明确不提供任何关于模型训练效果或权重参数精度的保证信息。这意味着，在实际使用该数据集进行模型训练时，参与者需要自行评估模型性能并负责结果解读。整个数据集系统为3D打印缺陷检测领域提供了大量高质量、标注详尽的图片资源，并以VOC和YOLO两种主流标注格式支持研究者与开发者开展相关工作。这一资源库不仅在图像识别领域具有重要应用价值，更将在机器学习技术的发展中发挥广泛前景。