Advertisement

家庭场景家具全景分割图像数据集（含19种类别，附带标注数据、可视化工具及txt标签文件）

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：7Z

简介：
这是一个包含19种不同类别的家具全景分割图像的数据集，提供了详细的标注信息和可视化工具，并以txt格式提供标签文件。 图像分辨率为640*640，适用于细粒度分割。 数据格式：jpg mask标签格式：png 标签信息包括背景（0）、床（1）、椅子（2）、橱柜（3）、门（5）、灯（10）、地毯（14）、桌子（15）和窗户（18）等。具体类别可以在classes txt文本中查看。 运行show脚本可以查看gt在images上的掩膜结果。 数据集分为训练集和验证集。 - 训练集：包含309张图片及其对应的309个mask图像； - 验证集：包括53张图片及对应数量的mask图像。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 家庭场景家具全景分割图像数据集（含19种类别，附带标注数据、可视化工具及txt标签文件）
    优质
    这是一个包含19种不同类别的家具全景分割图像的数据集，提供了详细的标注信息和可视化工具，并以txt格式提供标签文件。 图像分辨率为640*640，适用于细粒度分割。 数据格式：jpg mask标签格式：png 标签信息包括背景（0）、床（1）、椅子（2）、橱柜（3）、门（5）、灯（10）、地毯（14）、桌子（15）和窗户（18）等。具体类别可以在classes txt文本中查看。 运行show脚本可以查看gt在images上的掩膜结果。 数据集分为训练集和验证集。 - 训练集：包含309张图片及其对应的309个mask图像； - 验证集：包括53张图片及对应数量的mask图像。
     
  • YOLO 数据集：家庭环境中家具识别（28类）【内含划分好的数据集及类别文件】
    优质
    本资源提供了一个包含28种类别家具的家庭环境下的YOLO数据集，包括精确标注和清晰分类，适用于训练高效的物体检测模型。 项目包含家庭场景下的家具识别（28类别），数据集已经划分好，并附有类别class文件。图像分辨率为640*640的大分辨率RGB图片，训练集共有5757张图像、验证集有520张图像，均已标注。
     
  • 自动驾驶场景图像分割标注数据.zip
    优质
    本资源为《自动驾驶场景图像分割标注数据》，包含多种复杂交通环境下的高清图片及其详细像素级分类标签，旨在支持深度学习算法训练与测试。 1000张自动驾驶场景图像，已经标注好，可以直接用于测试分割算法。
     
  • 玉米叶片病害图像分割数据集：含类别标签及可视化代码
    优质
    本数据集提供丰富的玉米叶片病害图像，并附带详细分类标签与可视化代码，旨在促进植物病理学研究和智能农业发展。 项目包含：玉米叶片病害分割【数据集+类别标签+可视化代码】 数据集为256*256分辨率下的玉米叶片病害分割。 分割前景包括叶片等部分，标签的mask图像采用RGB彩色表示，其中0代表背景。为了方便观察和理解，提供了一段可视化的代码。 该数据集中包含4个文件夹（健康、锈菌、斑点、枯萎病），共计3852张原始图片及其对应的mask标签。 此外，项目中还包含一个图像分割的可视化脚本，随机抽取一张图片，并展示其原始图、GT图像以及在原图上的蒙板效果，并将结果保存到当前目录下。
     
  • 肝肿瘤分割医学图像数据（LiTS）：含切片数据集（3类别）、标签及可视化代码
    优质
    简介：LiTS数据集专为肝肿瘤分割设计，提供包含肝脏、肿瘤和背景三类别的CT切片图像及其对应标注，并附有可视化工具。 项目包含：肝肿瘤分割（LiTS）切片【包括切片后的数据集（3类别）、标签文件、可视化代码】 其中mask中的1表示肝脏区域、2表示肿瘤区域，0为背景部分，请参考classes.txt文件以获取更多细节。 该数据集由LITS的冠状面图像切分而成，共包含从131个病例中提取出的数据。为了便于分割操作，在进行切片时已去除ROI（感兴趣区域）不足5%的部分。mask灰度值为0、1和2的阈值图，图片与标签分别以jpeg和png格式存储，并提供了可视化代码用于观察mask。 数据集分为训练集和测试集： - 训练集包括images目录中的10937张图片及masks模板目录下的对应数量的mask图片； - 测试集中则有4686张图像及其对应的相同数量的标签。
     
  • 机器人移动道路地形全景图像分割数据集（含5类语义分割）【包含数据集+classes文件+数据可视化代码】
    优质
    本数据集提供机器人在复杂路面环境下的高清全景图像，并标注了五大类别语义信息，附带数据集、分类配置及可视化工具。 项目包含：机器人移动道路地形全景图像及语义分割（5类）【数据集+classes文件+数据可视化代码】 该数据集中包含了移动机器人的行走地面地形的数据，并对平坦、台阶、草坪以及不宜行走的道路进行了全景标注。为了便于观察，除了原始数据集外，还为所有图片添加了彩色标记，使用RGB格式进行填充。具体分类信息请参考classes文件。 图像分辨率为：1920*1080 数据格式：jpg mask标签格式：png 数据集分为训练集和测试集： - 训练集包含450张原始图片及其对应的450个分割掩码。 - 测试集中则有150张图像及相应的150个分割掩模。 此外，还提供了一个用于展示图像分割效果的可视化脚本。运行该脚本能随机选取一张图片，并同时显示其原始图、真实标签（GT）以及在原图上的标签蒙板，并将结果保存至当前目录下。无需对脚本进行任何修改即可直接使用。
     
  • 火灾场景烟雾图像标注的数据集
    优质
    该数据集包含多种火灾现场的烟雾图像，旨在为机器学习模型提供训练素材，以提高其在复杂环境中的烟雾识别能力。 火灾烟雾图像标注数据集在计算机视觉领域扮演着重要角色，主要用于训练和评估针对火灾及烟雾的检测算法。该数据集包含2257张精心挑选并详细标注的图片，旨在帮助研究人员与开发者构建更精确的目标识别系统，并提升真实环境下的火源及烟雾辨识能力。 理解“图像标注”的概念是关键：这一过程涉及对特定对象或区域在图像中的标记，以使机器学习算法能够识别这些元素的位置和特征。此数据集中每张图片均详细标示了火灾与烟雾的存在情况，从而让算法可以掌握其形状、颜色及环境背景。 VOC（PASCAL Visual Object Classes）和YOLO（You Only Look Once）是两种广泛使用的标注格式。其中，VOC使用XML文件详述图像中每个目标的边界框、类别及其置信度；而YOLO则通过将图片分割成多个网格，并预测各网格内存在的目标及相应信息来实现高效的目标识别。这两种方法各有特点：VOC适合处理复杂的多对象场景，而YOLO以其速度和简洁性著称。 在训练深度学习模型时，此类大规模且高质量的数据集至关重要。它们为模型提供了丰富的样本数据，使其能够区分火灾与烟雾的不同特征（如火焰的颜色、形状及亮度；以及烟雾的浓度及其扩散状态）。通过这些图像的学习过程，模型可以逐渐提高对火灾和烟雾场景识别的准确性，这对防火预警系统具有重要意义。 利用该数据集的研究者可进行以下几类任务： 1. 目标检测：训练算法来定位并识别图片中的火灾与烟雾。 2. 类别辨识：区分不同类型的火源或烟雾，并进一步细分类别（例如明火、余烬等）。 3. 实时监测：优化模型以适应视频流，实现连续的火灾和烟雾监控。 4. 异常检测：通过分析图像序列来识别与背景显著不同的异常情况。 5. 跨场景适应性研究：测试模型在不同光照条件、天气状况及环境下的表现。 实际应用中，此类算法可以集成到公共安全系统如公共场所摄像头、无人机监测或手机应用程序等，从而实现及时的火灾警报功能，降低人员伤亡和财产损失的风险。 总之，火灾烟雾图像标注数据集是推动火灾与烟雾检测技术进步的重要资源。通过深度学习和图像处理技术的应用开发出更智能且精准的防火预警系统能够有效保护公共安全。
     
  • 医学图像分割资料：涵盖全脊椎切片的分类【内含三个视角的细分数据集（26类）、标注文件及可视化工具】
    优质
    本资料包提供全面的医学图像分割资源，专注于全脊椎切片分析。包含多角度细致划分的数据集、详尽标注文档与实用可视化软件，助力科研与临床应用。 项目包括完整脊柱切片分割数据集，包含三个切面的划分（26类别）、标签文件以及可视化代码。在mask图像中，“0”代表背景，其余从“1”到“25”分别对应人体整条脊椎中的每根椎体的具体标注，具体参考classes.txt文件。 该数据集由CT扫描得到的脊柱切片组成，并从中提取了轴位面（横断面）、冠状面和矢状面上的二维图像。为了便于分割处理，去除了ROI区域不足3%的数据。mask图像是灰度值为0、1、2的阈值图片，与之对应的原图为jpg格式，标签则以png格式保存。 数据集根据x轴（512*512分辨率）、y轴（512*487分辨率）和z轴划分，并包括相应的图像文件夹及mask模板。其中： - x轴包含205张图片及其对应的205个mask； - y轴有185张图片以及与之匹配的185个mask； - z轴则拥有总计2062张图片和等数量的对应掩码图像。