Advertisement

大豆叶子虫害检测数据集VOC与YOLO格式下共包含1794张图片分为12个类别

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

简介：
样本图中展示了该资源的相关信息，请前往电脑端资源详情页面查看并下载。该数据集采用Pascal VOC格式与YOLO格式相结合的方式进行构建（注：不包含分割路径的txt文件），具体包括JPEG图片文件夹及其对应的VOC格式XML文件和YOLO格式TXT文件等组件。在该数据集中共计包含1794张JPEG图片以及与其对应的VOC与YOLO标签文件。其中包含12种不同的物体类别标签信息，在具体应用中可参考以下标签列表：Anticarsia_gemmatalis、Coccinellidae、Diabrotica_speciosa等

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 小麦病害检测数据集（VOC+YOLO格式），含899张图片，12个类别.7z
    优质
    本数据集包含899张图片及12种类别的小麦病害标注信息，同时提供VOC和YOLO两种格式文件，便于模型训练与检测。 数据集采用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文件及yolo格式txt文件。 - 图片数量：899张 - 标注数量（xml文件）：899个 - 标注数量（txt文件）：899个 标注类别包括12种，具体如下： - CrownAndRootRot 框数 = 268 - HealthyWheat 框数 = 282 - LeafRust 框数 = 131 - PowderyMildew 框数 = 323 - WheatAphids 框数 = 173 - WheatCystNematode 框数 = 103 - WheatLooseSmut 框数 = 171 - WheatRedSpider 框数 = 182 - WheatScab 框数 = 300 - WheatSharpEyespot 框数 = 105 - WheatStalkRot 框数 = 136 - WheatTake-all 框数 = 117 总框数：2291个。 使用标注工具为labelImg，规则是对类别进行矩形框标注。
  • 棉花叶片病害检测数据集（VOC+YOLO格式），含977张图片，22个类别.7z
    优质
    本数据集提供针对棉花叶片病害的图像识别训练素材，包含977幅图片及22种不同的病害分类标签，支持VOC与YOLO两种格式。 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 格式的 txt 文件） 图片数量（jpg 文件个数）：977 标注数量（xml 文件个数）：977 标注数量（txt 文件个数）：977 标注类别数：22 重要说明：所有图像的分辨率为 640x640，请仔细查看图片预览以确认是否符合实际项目需求。下载前请务必参考相关博文，确保数据集满足项目的具体要求。
  • 猫行为检测数据集采用VOC与YOLO格式，包含5997张图片，共五个类别
    优质
    该资源为[数据集][目标检测]形式的“猫的行为识别”数据集，采用VOC与YOLO融合的格式，包含5,997张图片，涵盖5个分类类别。
  • 茶叶病害数据集（VOC+YOLO格式，含883张图片，8个类别）.zip
    优质
    本资料包提供了一个包含883张图片的茶叶病害数据集，涵盖八大类病害。采用VOC与YOLO两种标注格式，便于机器学习和深度学习模型训练使用。 数据集格式采用Pascal VOC与YOLO两种形式。其中VOC格式包含xml文件用于存储每个图片的标签信息；而YOLO格式则为对应的txt文件（不含路径），仅包括jpg图像及其相应的VOC xml文件及yolo txt文件。 该集合共有883张图片，每一张都有其相对应的标注数据和类别标签。具体来说，一共有8个不同的分类：algalleaf、Anthracnose、birdeyespot、brownblight、graylight、healthy、redleafspot以及whitespot。每个类别的样本数量分别为： - Anthracnose: 99 - algalleaf: 114 - birdeyespot: 100 - brownblight: 113 - graylight: 100 - healthy: 74 - redleafspot: 143 - whitespot: 141 总计标注框数量为884。所有标签工作均通过labelImg工具完成，遵循使用矩形框标记类别的规则。 每个图片内的内容仅限于单一叶子的检测与分类任务上。
  • 橙子橘子桔子病害检测数据集（VOC+YOLO格式，含2814张图片，4个类别）.zip
    优质
    本数据集包含2814张图像，涵盖四种橙子疾病类型，采用VOC与YOLO两种标注格式，旨在提升机器学习模型在检测柑橘病害中的准确度。 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）：2814 标注数量（xml文件个数）：2814 标注数量（txt文件个数）：2814 标注类别数：4 重要说明：数据集中的橘子果实病害不是叶子病害，请仔细查看以下更多信息。 标注类别名称：“blackspot”，“canker”，“fresh”，“grenning”
  • 茶叶叶片年龄检测数据集（VOC+YOLO格式，含2195张图片，4个类别）.zip
    优质
    本数据集包含2195张茶叶叶片图像，涵盖四种不同状态或疾病类型。以VOC及YOLO两种格式提供，适用于训练和测试机器学习模型进行茶叶叶片年龄检测与分类。 样本图：请到服务器下载文件（仅限电脑端查看并下载）。 数据集格式包括Pascal VOC格式和YOLO格式的标注文件，但不包含分割路径的txt文件，只提供jpg图片、VOC格式xml文件以及yolo格式txt文件。 图片数量为2195张。 标注数量总计：xml文件 2195个； txt 文件 2195个。 数据集中有4种不同的类别： - 类别名称分别为: [1to2day, 2to4day, 4to7day, 7plusday] - 每类别的标注数量为：1to2day (矩形框数 = 559)； - 2to4day (矩形框数 = 619); - 4to7day (矩形框数 = 509); - 7plusday (矩形框数 = 520) 总共的标注数量（即所有类别中包含的所有矩形框）为2207个。 使用的是labelImg工具进行标注工作，规则是针对每个对象画出其对应的矩形边界。 重要说明：暂无 本数据集不对训练模型或权重文件的质量提供任何保证；仅确保提供的标注准确合理。
  • 自然灾害检测数据集VOC+YOLO格式19151张4类别自然灾害检测数据集VOC+YOLO格式19151张4类别
    优质
    \n在当今的信息时代，机器学习和深度学习技术的快速发展，使得在计算机视觉领域对大规模、高质量的标注数据集的需求日益迫切。特别是在自然灾害检测领域，准确及时地识别和评估各种自然灾害事件具有重要的社会意义和实用价值。数据集作为机器学习模型训练的基础，其质量和多样性直接影响模型的性能。本文所述的自然灾害检测数据集正是为应对这一需求而设计。\n\n该数据集遵循Pascal VOC格式和YOLO格式，包含19151张标注图片，涵盖“倒树”、“滑坡”、“道路坍塌”、“石头”等四种类别的自然灾害。在标注方面，数据集采用labelImg标注工具进行图像中的特定灾害进行标注，并通过画矩形框的方式来指示灾害在图像中的具体位置。这种标注方式不仅直观、操作简便，而且非常符合实际应用中对于目标检测任务的需求。\n\n数据集的来源包括原始图片及其增强图片，其中原图约占数据集的1/3，剩下的2/3是经过图像增强处理后的图片。图片增强技术通常包括旋转、缩放、剪裁、颜色变换等方法，增强后的图片可提供给训练模型更多的视觉变体，帮助模型泛化，减少过拟合的风险，提高模型在真实世界中的鲁棒性和准确性。\n\n数据集中的每张图片都有对应的VOC格式的XML标注文件和YOLO格式的TXT标注文件，分别用于满足不同训练框架和算法的需要。VOC格式的XML文件通常包含目标的位置、尺寸、类别等信息，而YOLO格式的TXT文件以其简洁高效著称，更适合用于实时性强的目标检测算法。尽管数据集不包含分割路径的TXT文件，但其提供的图片及标注文件已足够为研究者提供丰富的信息资源，用于开发和评估目标检测模型。\n\n值得注意的是，数据集提供的19151张图片中，每个类别都包含了相当数量的样本。例如，“倒树”类别的框数为11037，“滑坡”类别的框数为7818，“道路坍塌”类别的框数为6416，“石头”类别的框数更是达到了25155，总计达到了50426个标注框。这一数字表明数据集具有相当的规模，能够提供给训练模型足够的学习样本，从而有望训练出性能优秀的检测模型。\n\n在使用该数据集进行模型训练之前，研究人员和工程师需要了解本数据集不包含对训练模型或权重文件精度的任何保证，用户需要自行评估数据集的合理性与准确性。此外，对于任何与数据集相关的问题，用户应自行解决，数据集的提供者不承担任何责任。在实际应用中，用户需要对数据集进行预处理，如图片的缩放、归一化，对标注文件进行解析等，使之适用于特定的模型和框架。\n\n为了展示数据集的应用效果，提供了少量图片的标注例子，这些例子可以帮助用户直观理解数据集的质量和标注的准确性。这不仅可以作为数据集质量和适用性的参考，也为用户学习如何使用该数据集提供了有力的示范。\n\n该自然灾害检测数据集集合了大量高质量标注图片，能够满足深度学习在自然灾害检测领域的研究和应用需求。尽管数据集的提供者对模型训练结果不提供保证，但其庞大的规模和丰富的类别覆盖，为研究者提供了一个宝贵的资源，有望促进相关技术的发展和应用。