Advertisement

X射线底片焊缝缺陷检测数据集采用VOC与YOLO格式（共包含3056张图片分为5个类别）.docx

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

简介：
该数据集旨在为计算机视觉和深度学习领域的焊缝缺陷检测提供专业的训练资料，并包含3,056张具有代表性的焊缝X射线底片样本。这些图像严格按照Pascal VOC标准与YOLO格式相结合的方式进行规范存储与标注处理。Pascal VOC与YOLO均为当前机器学习领域主流的目标检测框架标注格式，在兼容性和适用性方面具有显著优势。本数据集涵盖五类典型焊缝缺陷类型：夹渣、孔隙度、裂纹、未焊透及未融合等场景，并通过矩形框形式对每种缺陷类型进行了精确标记统计：夹渣类样本达1,532个矩形框标记实例；孔隙度类样本数量最多为2,632个矩形框；裂纹类则拥有1,871个矩形框标记记录；未焊透缺陷仅包含约1,072个矩形框实例；而未融合类缺陷则共有1,210个矩形框用于标识。这些高质量的标注数据将有效助力研究人员构建并训练出高效可靠的 weld flaw detection 模型。在标注过程中，默认采用labelImg图像标注工具（一款广泛应用于目标检测任务的核心图像标注软件）完成所有目标检测格式的xml及txt标注输出工作，并依据实际应用需求严格遵循各类缺陷特征定位规则进行精确边界框划分操作。需要注意的是尽管本数据集经过严格人工审核以确保标注质量但无法对模型性能和精度作出任何承诺因此数据集发布者建议研究者需自行负责模型训练效果并对其性能指标进行持续监控与优化评估结果可能受到多种外部因素影响最终责任归属将由项目负责人明确说明在此不再承担相关责任声明此外该数据集并未提供分割路径信息仅包含原始jpg格式图片文件与其对应的VOC xml格式以及YOLO txt格式的标注文件以供后续分析与训练使用

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 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。
  • 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
  • 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
  • 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
  • [数据集][目标检测]轴承划痕缺陷检测数据集（VOC+YOLO格式，含1166张图片，1个类别）.docx
    优质
    本数据集提供用于轴承划痕缺陷检测的图像样本，包含1166张图片及标注文件，支持VOC和YOLO两种格式，有助于目标检测模型训练与评估。 轴承缺陷检测在工业领域至关重要，尤其是对于那些关键的旋转部件如轴承来说更是如此。因为这些设备的状态直接影响到整个机械系统的稳定性和安全性，早期发现并处理这些问题可以避免重大事故的发生，并且减少经济损失的同时保障人员的安全。 划痕是轴承表面常见的损伤形式之一。这种类型的损坏可能会导致应力集中、加剧磨损以及缩短使用寿命等问题。为了应对这一挑战，研究人员开发了专门用于检测这些缺陷的自动方法，而构建高质量的数据集则是实现这类技术的基础条件。 本数据集专注于识别轴承上的划痕问题，并包含1,166张图片，以Pascal VOC和YOLO两种格式提供。其中每一幅图像都经过准确标注，使用的是labelImg工具进行矩形框的绘制来标定目标物体的位置信息。“scratch”（即“划痕”）是唯一的一个分类标签，在整个数据集中共有1,166个这样的标记。 除了图片之外，此数据集还提供相应的VOC格式xml文件和YOLO格式txt文件。前者记录了每个标注的精确位置及类别详情；后者则以简洁的形式提供了目标边界框的信息，便于快速检测算法的应用。 在使用本数据集进行模型训练前，请注意制作者声明不对任何由此生成的具体模型性能作出保证承诺。也就是说尽管提供的数据质量较高，但最终结果还需依赖于所选算法的特性以及额外的数据和方法来进一步优化。 实践应用中，这样的资源可以被广泛用于机器学习与深度学习框架下的实验研究，在工业视觉检测、品质控制及自动化维护等场景中有显著的应用潜力。通过训练出高效的识别模型，能够实现对轴承表面缺陷如划痕的高度自动化的快速鉴定过程，从而降低人工检查的负担和误差率，并提高整个生产流程中的效率。 总的来说，这个专门针对轴承划痕问题的数据集为科研人员和技术工程师们提供了一个有价值的资源来开发及评估计算机视觉技术在工业检测领域的应用。随着数据集不断改进和完善以及算法优化的发展趋势下，未来有望实现更加精准且高效的缺陷识别解决方案以确保机械设备的安全稳定运行。
  • 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”。
  • 3D打印缺陷缺陷检测数据集（VOC+YOLO）5864张3类别.docx
    优质
    该数据集名称为\3D打印缺陷检测数据集\，采用标准的VOC+YOLO标注格式，共计5864张图像，划分为三个主要类别，主要用于对3D打印中的缺陷进行视觉检测。数据集结构紧凑，由1/3的原生图像和2/3的比例用于增强图像组成，所有图像都配备了丰富的标注信息。该系统使用labelImg工具进行标注操作，具体类别涵盖\spaghetti\、\stringing\和\zits\三种类型，分别代表3D打印过程中的各类缺陷类型。从数据格式上看，该集合严格按照Pascal VOC标准和YOLO主流格式构建，其中包含5864张高质量的JPG图片，每张图片都配有对应的VOC格式XML文件以及YOLO格式的txt标注文件。XML文件不仅包含了图像的基本信息，还详细标注了缺陷区域。Yolo格式的txt文件则提供了与缺陷框相对应的坐标信息和类别标签。整个标注过程力求精确反映缺陷区域的位置特征。值得注意的是，在数据集的分类设置中，YOLO格式下的类别顺序并不遵循VOC的标准，而是以项目根目录下classes.txt中的列表为准。这种设计可能旨在兼顾不同标注工具的兼容性与转换需求，为研究者提供了灵活的切换接口。对于数据集的用户而言，类别的编号对应关系需通过项目配置文件来明确。此外，本集合明确不提供任何关于模型训练效果或权重参数精度的保证信息。这意味着，在实际使用该数据集进行模型训练时，参与者需要自行评估模型性能并负责结果解读。整个数据集系统为3D打印缺陷检测领域提供了大量高质量、标注详尽的图片资源，并以VOC和YOLO两种主流标注格式支持研究者与开发者开展相关工作。这一资源库不仅在图像识别领域具有重要应用价值，更将在机器学习技术的发展中发挥广泛前景。
  • 焊接件表面缺陷数据集VOC+YOLO格式2292张10类别
    优质
    焊接件表面缺陷检测是工业领域中不可或缺的质量控制环节。随着计算机视觉技术的快速发展，特别是深度学习在图像识别领域的广泛应用，目标检测技术已成为实现自动化检测 welding 接口缺陷的有效手段。基于此背景需求，本数据集应运而生。该数据集主要采用 Pascal VOC 与 YOLO 两种标准的标注格式，包含共计2292张 jpg 格式的图片。每张图片均经过精确标注，其中标注内容涵盖10种典型焊接件表面缺陷类型。每个图像不仅配有相应的 annotation 文件，具体而言，VOC 格式数据集提供2292个 xml 文件，YOLO 格式则提供2292个 txt 文件。这些 annotation 文件详细记录了缺陷位置及其类别信息。整个数据集总计包含3563个 bounding box 标记，覆盖10种不同缺陷类型。具体分布如下：折痕（crease）74个、月牙形间隙（crescent_gap）265个、夹杂（inclusion）347个、油斑（oil_spot）569个、冲孔（punching）329个、轧制坑（rolled_pit）85个、丝痕（silk_spot）884个、腰部折皱（waist_folding）143个、水斑（water_spot）354个以及焊缝线（welding_line）513个。在注释数据集的过程中，研究者主要依赖 labelImg 这一通用图像标注工具，通过绘制矩形框并分配类别标签完成标注操作，并将相关信息存储至相应 annotation 文件中。具体步骤包括：首先打开图片，随后在图像上绘制相应的矩形框，并为每个框分配具体的类别标签。保存标注信息到 xml 或 txt 文件。需要注意的是，该数据集仅提供经过精准标注的图片资源，无法保证训练出模型后达到的高度精度。因此，在实际应用中，研究者需自行完成模型训练并对其效果负责。尽管如此，本数据集所包含的高质量标注图片依然具备极高的实用价值。它不仅能够帮助相关领域的研究者和工程师节省大量标注时间和成本，更能加速目标检测算法的发展进程。更重要的是，该数据集为计算机视觉与深度学习技术在工业缺陷检测中的应用提供了强有力的技术支撑。通过本数据集，研究人员可更高效地训练和测试目标检测算法，并进一步推动相关技术在工业领域的深入发展和创新。对于那些致力于提升生产效率和产品质量的企业而言，该数据集同样展现出显著的应用潜力。
  • 智慧工厂机械铸件缺陷检测数据集（VOC+YOLO格式，含4270张图片，8个类别）.zip
    优质
    本数据集包含4270张图片和8种类别的标签，采用VOC与YOLO格式标注，专为智慧工厂机械铸件缺陷检测设计。 样本图展示如下： 文件存储于服务器，请务必在电脑端查看资源预览或详情后再进行下载。 数据集格式：Pascal VOC格式+YOLO格式（不包含分割路径的txt文件，仅包括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）：4270 标注数量（xml文件个数）：4270 标注数量（txt文件个数）：4270 标注类别总数：8 标注类别名称包括： - Casting_burr - Polished_casting - burr - crack - pit - scratch - strain - unpolished_casting