Advertisement

高品质铁路轨道缺陷检测数据集（含1050张图片，6个类别）.7z

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

简介：
本数据集提供高品质铁路轨道缺陷检测所需的图像资料，包含1050张图片及六大分类标签，旨在提升自动化检测系统的准确性和效率。 数据集格式为Pascal VOC与YOLO格式（不含分割路径的txt文件），仅包含jpg图片、VOC格式xml标注文件及yolo格式txt文件。 - 图片数量：1050张 - 标注数量（xml）：1050个 - 标注数量（txt）：1050个 标注类别共6种： - cuowei (铁轨缝隙有石头) - duanlie (轨道断裂) - lieheng (轨道出现裂痕) - luoshansongdong (螺丝松动) - shaoluoshuan (少螺栓) - zhuoshang (轨道灼伤) 各类别标注框数： - cuowei：54个 - duanlie：553个 - lieheng：11个 - luoshansongdong：21个 - shaoluoshuan：780个 - zhuoshang：26个 总标注框数为1445。 使用工具为labelImg，对类别进行矩形框绘制。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 高品质铁路轨道缺陷检测数据集（含1050张图片，6个类别）.7z
    优质
    本数据集提供高品质铁路轨道缺陷检测所需的图像资料，包含1050张图片及六大分类标签，旨在提升自动化检测系统的准确性和效率。 数据集格式为Pascal VOC与YOLO格式（不含分割路径的txt文件），仅包含jpg图片、VOC格式xml标注文件及yolo格式txt文件。 - 图片数量：1050张 - 标注数量（xml）：1050个 - 标注数量（txt）：1050个 标注类别共6种： - cuowei (铁轨缝隙有石头) - duanlie (轨道断裂) - lieheng (轨道出现裂痕) - luoshansongdong (螺丝松动) - shaoluoshuan (少螺栓) - zhuoshang (轨道灼伤) 各类别标注框数： - cuowei：54个 - duanlie：553个 - lieheng：11个 - luoshansongdong：21个 - shaoluoshuan：780个 - zhuoshang：26个 总标注框数为1445。 使用工具为labelImg，对类别进行矩形框绘制。
     
  • 变电站缺陷检测数据集(VOC+YOLO格式)含8307张图片，17个类别.7z
    优质
    本数据集包含8307张图像及标注信息，涵盖17类变电站设备缺陷，适用于目标检测任务，采用VOC和YOLO双格式存储。压缩文件后缀为.7z。 数据集格式采用Pascal VOC与YOLO两种格式，并且不含分割路径的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）：8307 - 标注数量（xml文件个数）：8307 - 标注数量（txt文件个数）：8307 - 标注类别总数为17，具体名称如下： - bj_bpmh - bj_bpps - bj_wkps - bjdsyc - gbps - hxq_gjbs - hxq_gjtps - jyz_pl - kgg_ybh - sly_dmyw - wcaqm - wcgz - xmbhyc - xy - yw_gkxfw - yw_nc - ywzt_yfyc
     
  • RSDDs铁路轨道表面缺陷数据集
    优质
    RSDDs铁路轨道表面缺陷数据集是一个专门用于检测和分类铁路轨道表面各种损伤类型的高质量图像数据库，旨在提高轨道维护效率与安全性。 RSDDs铁轨表面缺陷数据集包含了用于检测和分析铁路轨道表面各种缺陷的图像和相关信息。该数据集旨在帮助研究人员开发更有效的算法来识别并修复铁路轨道上的问题，从而提高运输安全性和效率。
     
  • 铁轨表面缺陷数据集.7z
    优质
    铁轨表面缺陷数据集.7z包含用于检测和分类铁路轨道表面各类损伤（如裂纹、锈蚀等）的图像及标注信息，旨在提升轨道交通安全与维护效率。 铁轨表面缺陷数据集RSDDs包括两种类型的数据：第一种是从快车道捕获的I型RSDDs数据集，包含67张具有挑战性的图像；第二种是从普通/重型运输轨道获取的II型RSDDs数据集，包含128张同样具有挑战性的图像。每个图像至少有一个缺陷，并且背景复杂、噪声大。这些缺陷由在轨道表面检查领域工作的专业人员进行了标记。
     
  • 航空发动机缺陷检测数据集（VOC+YOLO格式），含291张图片和4个类别.7z
    优质
    本数据集包含291张图片及四个类别的标注信息，采用VOC与YOLO格式存储，专为训练航空发动机缺陷检测模型设计。 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）。 图片数量：291张 标注数量：291个（包括xml和txt文件） 标注类别总数为4种： 标注类别名称分别为：“crease”、“damage”、“dot”、“scratch”。
     
  • 高铁受电弓检测数据集（VOC+YOLO格式），包含1245张图片，2个类别.7z
    优质
    本数据集提供针对高铁受电弓的图像识别资源，包括1245张图片及对应标注，支持VOC和YOLO两种格式，涵盖2种类别。 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）：1245 标注数量（xml文件个数）：1245 标注数量（txt文件个数）：1245 标注类别数：2 标注类别名称：[roi, sdg] 每个类别标注的框数： - roi 框数 = 1245 - sdg 框数 = 1245 总框数：2490 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，仅提供准确且合理的标注。
     
  • 道路图像中坑洼检测，数据集包含665张图片，缺陷类型为pothole
    优质
    本项目专注于开发用于识别和分类道路图像中的坑洼（potholes）的技术。我们构建了一个数据集，其中包含了665张各种条件下的道路图像，专门针对单一的缺陷类型——坑洼进行检测。这一研究旨在提升路面维护效率与准确性。 我们有一个包含665张图像的数据集，用于检测道路中的坑洼（pothole）。
     
  • 管道焊缝质量检测数据集（VOC+YOLO格式，含1134张图片，2个类别）.7z
    优质
    本数据集包含1134张用于管道焊缝质量检测的图像，涵盖两个关键类别，并采用VOC和YOLO两种格式标注，适用于机器学习与深度学习研究。 数据集格式：Pascal VOC格式+YOLO格式（不包含分割路径的txt文件，仅仅包含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）：1134 标注数量（xml文件个数）：1134 标注数量（txt文件个数）：1134 标注类别数：2 标注类别名称：bad,good 每个类别标注的框数： - bad 框数 = 565 - good 框数 = 431 总框数：996 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无特别说明
     
  • 轮毂缺陷检测数据集（VOC+YOLO格式，含1445张图片，7个类别）.zip
    优质
    本数据集包含1445张图片及对应的标注文件，适用于轮毂缺陷检测任务。采用VOC和YOLO两种格式，涵盖7种类别，方便用户根据需求选择使用。 样本图展示如下： 文件存放于服务器，请务必在电脑端查看资源详情后再进行下载。 数据集格式为Pascal VOC与YOLO格式（不包含分割路径的txt文件，仅包括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：1445张 标注数量(xml)：1445个 标注数量(txt)：1445个 标注类别总数为7类： - Blue hole - Brake Thermal Cracks - Contact Fatigue Cracks - Out Of Roundness - Peeling - Rollerpile - flat
     
  • 道路圆石墩检测数据集（VOC+YOLO格式），含461张图片，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。