Advertisement

已标记的垃圾分类数据集，适用于目标检测

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

简介：
本数据集包含大量已分类的生活垃圾图像，旨在为机器学习模型提供训练资源，特别适合用于开发和测试垃圾分类的目标检测算法。 垃圾分类数据集包含1万多个样本，适用于Yolov5目标检测模型，并以VOC格式和txt格式提供。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 已标记的垃圾分类数据集，适用于目标检测
    优质
    本数据集包含大量已分类的生活垃圾图像，旨在为机器学习模型提供训练资源，特别适合用于开发和测试垃圾分类的目标检测算法。 垃圾分类数据集包含1万多个样本，适用于Yolov5目标检测模型，并以VOC格式和txt格式提供。
     
  • 《数据集》水面垃圾检测数据集《目标检测》
    优质
    本数据集专注于水面垃圾检测，包含大量标注图片，适用于训练和评估目标检测模型在水域环境中的性能。 该数据集适用于YOLO系列（包括YOLOv5、YOLOv6、YOLOv7、YOLOv8、YOLOv9及更高版本）、Faster R-CNN 和 SSD 等模型的训练，包含4308张图片和对应的txt标签。此外还提供了一个yaml文件用于指定类别信息以及xml格式的标签文件。数据集已根据用途划分成训练集、验证集和测试集，可以直接使用进行YOLO系列算法的训练。
     
  • 《数据集》路面垃圾检测数据集《目标检测》
    优质
    本数据集专为路面垃圾检测设计，《目标检测》项目核心资源，包含大量标注图像，助力算法模型精准识别与分类各类路面垃圾。 YOLO与VOC格式的路面垃圾识别数据集适用于包括YOLO系列、Faster R-CNN、SSD在内的多种模型训练。该数据集包含17个类别：塑料瓶、口罩、纸袋、塑料杯、纸质杯子、硬纸板、果皮、罐子、塑料包装膜、硬纸壳箱、泡沫聚苯乙烯容器（Styrofoam）、利乐包（Tetra Pack）、彩色玻璃瓶、塑料袋、抹布以及落叶堆。数据集包含7537张图片，其中图片和txt标签已按比例划分成训练集、验证集和测试集，并附有指定类别信息的yaml文件及xml格式标签。这些资源可以直接用于YOLO算法的训练过程。
     
  • 垃圾检测数据集（非垃圾分类）
    优质
    本数据集包含了各类环境中的垃圾图像样本，旨在提供一个全面的数据资源库以支持垃圾检测算法的研究与开发。 该垃圾检测数据集包含多种目标物如垃圾袋、垃圾桶、瓶子、金属、纸张、果皮、纸团、食品包装袋、纸盒、烟头、瓶盖以及杯子等的图像样本。此数据集分为两个部分：JPEGImages和Annotations文件夹。JPEGImages中包含超过1000张路边垃圾的照片，共有2800多个标注框；每个图片都通过labelimg进行了人工标注，并且对应的xml文件存放在了Annotations文件夹内。 该数据集的图像清晰、场景广泛且精心挑选，适用于各种环境下的垃圾检测任务。它可作为模板数据集使用，在特定应用场景中只需添加少量特定场景的数据即可满足需求。这大大减少了收集和标记图片所需的时间，可以直接用于工程化应用。
     
  • 物体和垃圾目标检测数据集
    优质
    该数据集包含大量标注的物体与垃圾图像样本，旨在推动智能垃圾分类及环境监测相关技术的发展。 五类物品：电池、纸团、一次性杯子、塑料瓶和积木，每种类别大约有350张左右。
     
  • 【目标检测数据集】垃圾分类YOLO+VOC格式8341张.zip
    优质
    本数据集包含8341张图片，采用YOLO和VOC格式标注，适用于训练和测试垃圾分类的目标检测模型。 数据集介绍：该数据集包含各种垃圾图片分类检测的标注信息，主要针对五种不同材质类型的垃圾分类，包括纸盒类、玻璃类、金属类、纸质类以及塑料类。 数据集格式：采用VOC与YOLO两种标准格式存储。 压缩包内容： - JPEGImages文件夹中包含了8341张jpg图片。 - Annotations文件夹内有对应的xml标注文件共8341份。 - labels文件夹则存放了用于目标检测的txt文件共计8341个。 标签种类：数据集中共有5种不同的材质类型，分别为Cardboard（纸盒）、Glass（玻璃）、Metal（金属）、Paper（纸质）和Plastic（塑料），每类对应的标注框数量如下： - Cardboard 框数 = 1785 - Glass 框数 = 1601 - Metal 框数 = 1770 - Paper 框数 = 1748 - Plastic 框数 = 1911 总计标注框数量为8815个。 图片质量：所有图像均具有较高的清晰度，且未经过增强处理。
     
  • 利用YOLOv5进行垃圾分类的目标检测
    优质
    本研究采用YOLOv5算法对图像数据进行训练与测试，旨在提高垃圾分类效率和准确性。通过优化模型参数，实现了快速、精准的垃圾类别识别，为智能垃圾分类系统提供技术支持。 本项目采用YOLOv5实现垃圾分类目标检测。通过使用大量已标注的目标检测数据集进行训练，对居民生活垃圾图片中的垃圾类别及位置进行识别与定位。该项目基于PyTorch版的ultralytics/yolov5，在Windows系统上完成演示工作。 具体实施步骤包括：数据集及其格式转换、探索性数据分析（EDA）、软件环境安装配置、YOLOv5框架安装、代码修改以支持中文标签显示、训练集和测试集自动划分、调整配置文件设置，准备Weights&Biases工具用于可视化训练过程，并进行模型的训练与性能评估。
     
  • 10个用于垃圾目标检测的YOLO格式数据集
    优质
    本资料汇总了适用于垃圾识别与分类任务的10个YOLO格式数据集，涵盖多种垃圾类型及场景，助力深度学习模型训练。 这里有10种已经制作好的垃圾目标检测数据集，格式为YOLO，并且可以使用。