Advertisement

驾驶时未系安全带的目标检测数据集(VOC,含190张图片)

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


简介:
这是一个包含190张图像的数据集,专门用于检测驾驶员在驾车过程中是否佩戴了安全带,采用VOC格式存储。 数据集格式采用Pascal VOC标准(不含分割路径的txt文件和yolo格式的txt文件),仅包含jpg图片及其对应的xml标注文件。 - 图片数量:190张 - 标注数量:190个xml文件,与图片一一对应 - 标注类别总数为5种: - car(车) - zhu_no(主驾驶未系安全带) - fu_no(副驾驶未系安全带) - fu_yes(副驾驶已系安全带) - zhu_yes(主驾驶已系安全带) 各个类别的标注数量如下: - 车:269个 - 主驾驶未系安全带:181个 - 副驾驶未系安全带:29个 - 副驾驶已系安全带:9个 - 主驾驶已系安全带:12个 标注工具使用的是labelImg,通过在图像上绘制矩形框来完成对各个类别的标记。请注意,该数据集不保证训练模型或权重文件的精度,仅提供准确且合理的标注信息。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • VOC190
    优质
    这是一个包含190张图像的数据集,专门用于检测驾驶员在驾车过程中是否佩戴了安全带,采用VOC格式存储。 数据集格式采用Pascal VOC标准(不含分割路径的txt文件和yolo格式的txt文件),仅包含jpg图片及其对应的xml标注文件。 - 图片数量:190张 - 标注数量:190个xml文件,与图片一一对应 - 标注类别总数为5种: - car(车) - zhu_no(主驾驶未系安全带) - fu_no(副驾驶未系安全带) - fu_yes(副驾驶已系安全带) - zhu_yes(主驾驶已系安全带) 各个类别的标注数量如下: - 车:269个 - 主驾驶未系安全带:181个 - 副驾驶未系安全带:29个 - 副驾驶已系安全带:9个 - 主驾驶已系安全带:12个 标注工具使用的是labelImg,通过在图像上绘制矩形框来完成对各个类别的标记。请注意,该数据集不保证训练模型或权重文件的精度,仅提供准确且合理的标注信息。
  • VOC塔吊2559
    优质
    本数据集包含2559张图像,专为VOC格式设计,旨在提升塔吊在复杂环境中的目标检测精度与效率,适用于研究和开发高性能视觉识别系统。 数据集格式:Pascal VOC(不含分割路径的txt文件及yolo格式的txt文件,仅包含jpg图片及其对应的xml标注) 图片数量(jpg文件个数):2559 标注数量(xml文件个数):2559 标注类别数:1 标注类别名称:tadiao 每个类别的标注框数:tadiao count = 2936 使用工具:labelImg 标注规则:对目标类别进行矩形框标记 重要说明:无特别声明 特别声明:本数据集不对训练模型或权重文件的精度提供任何保证,仅确保提供的标注准确且合理。
  • 黄瓜VOC格式),1309
    优质
    本数据集为黄瓜目标检测设计,包含1309张图像,遵循Pascal VOC标准格式,适用于训练和评估物体检测模型。 数据集格式:Pascal VOC(不含分割路径的txt文件、yolo格式的txt文件,仅包含jpg图片及其对应的xml标注) 图片数量(jpg文件个数):1308 标注数量(xml文件个数):1308 标注类别数:1 标注类别名称:cucumber 每个类别的标记框数量:cucumber计数 = 2939 使用工具:labelImg 标注规则:对目标进行矩形框绘制。 重要说明及特别声明:本数据集不对训练模型或权重文件的精度作任何保证,仅提供准确且合理的标注信息。
  • VOC格式条码15442
    优质
    该数据集包含15,442张图像,专为VOC格式下的条形码目标检测设计,适用于训练和评估计算机视觉模型在复杂场景中识别条形码的能力。 数据集格式:Pascal VOC(不含分割路径的txt文件和yolo格式的txt文件,仅包含jpg图片及对应的xml标注) 图片数量(jpg文件个数):15442 标注数量(xml文件个数):15442 标注类别数:1 标注类别名称:barcode 每个类别的框数统计:barcode count = 34761 使用工具:labelImg 标注规则:对条码进行矩形标记。 重要说明:此数据集仅包含条码,不含二维码,请参考其他相关数据集获取二维码信息。 特别声明:本数据集不对训练模型或权重文件的精度作任何保证,只提供准确且合理的标注。
  • VOC中天牛1000
    优质
    本数据集包含1000张针对天牛的目标检测图像,旨在提升基于VOC标准的机器学习模型在识别和定位天牛方面的性能与精度。 目标检测VOC数据集包含1000张天牛图片的手动标注数据。
  • 基于YOLOv11行为8512像),涵盖使用、疲劳及接打电话监
    优质
    本数据集包含8512张图像,专为基于YOLOv11算法的安全驾驶行为检测设计,重点监测安全带使用、疲劳驾驶和接打电话三种行为,旨在提升驾驶安全性。 安全驾驶行为检测数据集使用YOLOv11标记,能够识别安全带、疲劳驾驶及接打电话的行为,包含8512张图片。
  • [VOC]疲劳 4类别 - 4362
    优质
    本数据集包含4362张图像,旨在识别和分类四种不同状态下的驾驶员行为,特别关注于预防由疲劳引起的交通事故。 数据集格式采用Pascal VOC标准(不含分割的txt文件),仅包含jpg图片及对应的xml文件。 图片总数:4362张 标注数量:4362个 类别数目:4种 具体类别名称包括: - 闭眼 (closed_eye) - 闭嘴 (closed_mouth) - 睁眼 (open_eye) - 张嘴 (open_mouth) 各类别的矩形框数分别为: - closed_eye: 2485个 - closed_mouth: 3343个 - open_eye: 4903个 - open_mouth: 936个 标注工具使用的是labelImg。根据睁闭眼嘴的状态来判断是否处于疲劳状态。 特别说明:本数据集不保证训练模型或权重文件的精度,仅提供准确且合理的标注信息。
  • 中危险行为识别199304类VOC+YOLO格式.zip
    优质
    本数据集包含19930张图像,用于检测驾驶过程中的四种危险行为。以VOC和YOLO两种格式提供,适用于目标检测模型训练与验证。 数据集格式采用Pascal VOC与YOLO两种标准格式(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。 总共有19,930张图像,每一张都有对应的XML和TXT标签文件。该数据集中有4个不同的标注类别:drinking (喝水)、eating (进食)、mobile use (使用手机) 和 smoking (吸烟),其中各类别的具体框数如下: - drinking: 8,319 - eating: 2,885 - mobile use: 6,542 - smoking: 2,266 总计标注数量为20,012个。 使用labelImg工具进行数据集的标记工作,遵循矩形框绘制规则来对每个类别进行标注。此外需要注意的是,在当前阶段没有提供关于该数据集的具体说明或特别要求。最后需要强调的一点是:本数据集中提供的标签信息准确且合理,并不对基于此训练出模型的效果做出任何保证。
  • VOC格式岸边垂钓——4330
    优质
    这是一个包含4330张图像的VOC格式数据集,专为岸边垂钓场景中的目标检测任务设计,适用于训练和评估相关算法模型。 数据集格式:Pascal VOC(仅包含jpg图片及对应的xml文件) 图片数量(jpg文件个数):4330 标注数量(xml文件个数):4330 标注类别数:1 标注类别名称:fishing 每个类别的标记框数量: - fishing count = 4644 使用工具:labelImg 标注规则:对目标进行矩形框的绘制。 重要说明:该数据集用于检测岸边钓鱼人员,当有人手持鱼竿或明显在垂钓时会被标注。 特别声明:本数据集不对训练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记信息。
  • 】仓库托盘(YOLO+VOC格式,1182).zip
    优质
    本资源提供一套针对仓库托盘的目标检测数据集,包含1182张图片,并采用YOLO与VOC标准格式标注,适用于训练和测试相关模型。 数据集格式:VOC格式+YOLO格式 压缩包内包含三个文件夹: - JPEGImages 文件夹存储了1182张 jpg 图片; - Annotations 文件夹中包含了对应的 1182 个 xml 标注文件; - labels 文件夹中有与之匹配的 1182 个 txt 标签文件。 标签种类为一种,名称是“tuopan”。该标签共有矩形框38971个。 图片清晰度良好(分辨率为像素),未经过任何图像增强处理。