樱桃缺陷的YOLO数据集检测（含4类别的训练和验证集）

5星

浏览量: 0

大小:None

文件类型：None

简介：
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。

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。

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。

路面缺陷检测数据集(适用于YOLOV5，含4类别)

优质

本数据集专为YOLOV5设计，包含四种类别的路面缺陷图像，旨在提升模型在复杂路况下的识别精度与效率。项目包括：路面缺陷检测数据（4类别），按照YOLOV5文件夹结构保存的数据集可以直接用于目标检测任务，无需额外处理。图像分辨率为600*600的RGB图片，主要用于道路上的缺陷检测【数据集介绍】包含四种类别的路面缺陷图像：纵向裂纹、横向裂纹、坑洞和不规则裂缝【数据总大小】74 MB 数据分为训练集和验证集两部分： - 训练集（datasets-images-train）包括841张图片及对应的841个标签txt文件。 - 验证集（datasets-images-val）包含231张图片及其相应的231个标签txt文件。为了方便查看数据，提供了一个可视化py脚本。只需随机传入一张图片即可绘制边界框，并保存在当前目录中。该脚本无需修改，可以直接运行。

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。

焊接表面缺陷图像的目标检测数据集（YOLOV5目录格式，含10类及训练/验证集）

优质

本数据集采用YOLOV5目录格式，包含10种类别的焊接表面缺陷图像，分为训练和验证两部分，适用于目标检测模型的训练与评估。项目包含：铝片表面缺陷图像目标检测（4类别），数据集分为训练集、验证集，并按照YOLOV5文件夹结构保存，可直接用于目标检测任务。图片分辨率为2048*1000的RGB格式，该数据集是焊接表面缺陷的数据集合，包含穿孔、折痕、压痕等十类别缺陷图像。【数据总大小】918MB（分为训练集和验证集） - 训练集：datasets-images-train 包含 1836 张图片及对应的标签 txt 文件。 - 验证集：datasets-images-val 包含 458 张图片及其对应标签的 txt 文件。【类别文本段落件】提供了包含所有类别的txt文档，便于识别和分类处理。为了方便查看数据，项目中提供了一个可视化py脚本。该脚本能随机选取一张图片并绘制边界框，并将结果保存在当前目录下。此脚本无需修改即可直接运行使用。

YOLOv8缺陷检测中将AnyLabeling标注转为YOLO格式，并划分数据集为训练、验证与测试集

优质

本项目介绍如何利用AnyLabeling工具对图像进行标注，并将其标注信息转换成YOLO v8所需的格式，同时详细说明了如何科学地划分数据集以用于模型的训练、验证和测试。在缺陷检测任务中，我们通常使用AnyLabeling进行图表标注，并用YOLO模型来进行实际的缺陷识别工作。因此，在开始训练之前需要将AnyLabeling生成的数据格式转换为适合YOLO使用的格式。数据集会被划分为不同的部分（如训练集、验证集和测试集），以确保模型能够有效地学习和评估。代码位于项目目录下的src/wepy/aitool/dataset文件夹中，具体实现细节可以参考该路径中的相关脚本。