Advertisement

三轮车俯视航拍数据集（含遮阳伞）VOC+YOLO格式，共5756张图片，3个类别.7z

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：7Z

简介：
本数据集包含5756张图像，涵盖三轮车及其遮阳伞的详细信息，以VOC和YOLO两种标注格式呈现，适用于目标检测任务。 重要提示：此数据集包含航拍小目标三轮车图像，并经过部分增强处理，请在下载前查看图片预览确认符合要求。请注意，由于小目标通常较难训练，因此初始阶段的模型精度可能偏低是正常现象，只要能检测到目标即可。 样本图片请参考相关博文。 数据格式：Pascal VOC + YOLO（不包含分割路径的txt文件，仅包括jpg图像和对应的VOC xml及YOLO txt标注）。 图片数量(jpg)：5756 标注数量(xml)：5756 标注数量(txt)：5756 类别数：2 类别名称： awning-tricycle 框数 = 8260 tricycle 框数 = 12017 总框数：20,277

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 三轮车俯视航拍数据集（含遮阳伞）VOC+YOLO格式，共5756张图片，3个类别.7z
    优质
    本数据集包含5756张图像，涵盖三轮车及其遮阳伞的详细信息，以VOC和YOLO两种标注格式呈现，适用于目标检测任务。 重要提示：此数据集包含航拍小目标三轮车图像，并经过部分增强处理，请在下载前查看图片预览确认符合要求。请注意，由于小目标通常较难训练，因此初始阶段的模型精度可能偏低是正常现象，只要能检测到目标即可。 样本图片请参考相关博文。 数据格式：Pascal VOC + YOLO（不包含分割路径的txt文件，仅包括jpg图像和对应的VOC xml及YOLO txt标注）。 图片数量(jpg)：5756 标注数量(xml)：5756 标注数量(txt)：5756 类别数：2 类别名称： awning-tricycle 框数 = 8260 tricycle 框数 = 12017 总框数：20,277
  • 齿轮瑕疵检测数据集（VOC+YOLO格式），含2978张图片，3个类别.7z
    优质
    本数据集提供了一个包含2978张图片的齿轮瑕疵检测资源库，采用VOC与YOLO双格式标注，涵盖三种不同类型的缺陷。 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)：2978 标注数量(xml文件个数)：2978 标注数量(txt文件个数)：2978 标注类别数：3 标注类别名称:[break, lack, scratch] 每个类别标注的框数： - break 框数 = 1000 - lack 框数 = 980 - scratch 框数 = 4317 总框数：6297 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 特别声明：本数据集不对训练的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注。
  • 轮胎瑕疵检测数据集（VOC+YOLO格式），含2154张图片，4个类别.7z
    优质
    本数据集包含2154张图像，用于轮胎瑕疵检测，支持VOC和YOLO格式，涵盖四种不同类型缺陷，适用于训练高效的瑕疵识别模型。 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文件和yolo格式txt文件。 总共有2154张图片，每一张都有相应的标注文件。 - 使用了四种不同的类别进行标注：debris、ground、side 和 side_cut。 - 各类别的具体框数如下： - debris: 1599个 - ground: 564个 - side: 188个 - side_cut: 493个 总计标注了2844个边界框。 使用的标注工具为labelImg。
  • 昆虫识别数据集（VOC+YOLO格式），含1873张图片，7个类别.7z
    优质
    本数据集包含1873张图像和七个不同的昆虫类别，采用VOC与YOLO兼容格式，适用于昆虫识别任务的模型训练和验证。 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）：1873 标注数量（xml 文件个数）：1873 标注数量（txt 文件个数）：1873 标注类别数目：7 标注类别名称：Boerner, Leconte, Linnaeus, acuminatus, armandi, coleoptera, 和linnaeus 每个类别的标注框数： - Boerner 框数 = 1859 - Leconte 框数 = 2711 - Linnaeus 框数 = 1046 - acuminatus 框数 = 1130 - armandi 框数 = 1932 - coleoptera 框数 = 2163 - linnaeus 框数 = 907 总框数：11748 使用标注工具：labelImg 标注规则：对类别进行画矩形框。 重要说明： 暂无特别声明。
  • 岩石类型识别数据集（VOC+YOLO格式），含4766张图片，9个类别.7z
    优质
    本数据集包含4766张用于岩石类型识别的图像，涵盖九种类别。采用VOC和YOLO兼容格式，便于训练高效的目标检测模型。压缩文件为7z格式。 数据集格式为Pascal VOC格式与YOLO格式（仅包含jpg图片及对应的VOC格式xml文件和yolo格式txt文件）。 图片数量：4766张 标注数量： - xml文件个数：4766份 - txt文件个数：4766份 标注类别总数为9种，具体名称如下： 1. Igneous_Basalt 2. Igneous_Diorite 3. Igneous_Granite 4. Metamorphic_Marble 5. Metamorphic_Quartize 6. Sedimentary_Chalk 7. Sedimentary_Limestone 8. Sedimentary_Sandstone 9. Sedimentary_coal
  • 拐杖检测数据集(VOC+YOLO格式，含2778张图片，1个类别).7z
    优质
    本数据集包含2778张图片，标注了单一物体类别——拐杖的数据，采用VOC及YOLO两种格式，适用于目标检测模型训练与测试。 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）：2778 标注数量（xml文件个数）：2778 标注数量（txt文件个数）：2778 标注类别数：1 标注类别名称：[whitecane] 每个类别标注的框数： - whitecane 框数 = 4635 总框数：4635 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：视频采集截图图片，场景类似，请参考相关博文。
  • 虾数据集（VOC格式+Yolo格式），含107张图片，1个类别.zip
    优质
    本数据集包含107张图像及对应标注文件，涵盖单一目标类别。以VOC与YOLO双格式提供，便于快速集成至各类目标检测项目中使用。 在信息技术领域尤其是计算机视觉方面，数据集具有极其重要的作用。“虾数据集VOC格式+yolo格式107张1类别.zip”包含了一个专为检测虾类设计的图像集合，总计有107幅图片，并且这些图像是按照PASCAL Visual Object Classes（VOC）和You Only Look Once（YOLO）两种不同的标准进行标注。 首先来看一下PASCAL VOC格式。这是一种广泛应用于计算机视觉领域的数据集类型，主要用于物体识别、分割及检测任务。该格式通常包括图像文件、XML注释文档以及类别定义等组成部分。在虾的数据集中，每个图像的XML文件详细记录了虾的位置和种类信息，这对于训练目标检测模型来说至关重要。 接下来是YOLO格式。这是一种实时的目标检测系统，因其高效的性能而受到广泛欢迎。它的标注方式通常为纯文本形式，包含每张图片中所有物体位置及对应的类别标识符。相比于VOC格式的复杂性，这种简洁明了的方式更适合快速处理和应用需求，在虾数据集中同样如此。 训练一个目标识别模型（例如基于YOLO或结合使用PASCAL VOC的数据集）通常涉及以下步骤： 1. 数据预处理：根据特定模型的需求调整图像大小、进行归一化等操作。 2. 训练阶段：利用提供的训练集合（本例中为虾的107张图片），通过迭代优化来改进模型参数，从而提高其对目标对象检测的能力。 3. 验证与调优：使用验证集评估当前模型性能，并根据需要调整超参以进一步提升效果。 4. 测试阶段：最后，在未见过的数据上进行测试，确保所训练出来的模型能够良好地泛化到新的场景中。 尽管该数据集中仅包含一个类别（即虾），这虽然简化了分类任务的复杂度，但同时也可能限制了模型学习更多样化的特征。然而对于特定的应用领域而言，比如自动识别和计数海鲜产品等场合下，这样的单一类别的训练集已经足够实用且高效。 综上所述，“虾数据集VOC格式+yolo格式107张1类别.zip”为研究者们提供了一个宝贵的资源库来开发并测试针对虾的检测算法。无论是出于学术目的还是工业应用考虑，该数据集都能帮助研究人员构建出更加精准、快速的目标识别模型，并应用于诸如海鲜处理或食品安全检查等实际场景中。
  • DOTA v1.0 遥感航拍目标检测数据集（VOC+YOLO格式，含1713张图片，16个类别）.zip
    优质
    该数据集为DOTA v1.0版本，包含1713张遥感航拍图像及16类目标标注信息，支持VOC与YOLO格式，适用于目标检测任务研究。 数据集已上传至百度云盘，请下载后通过下载地址.xlsx文件获取下载链接。 重要说明：由于官方数据集中存在部分错误标注（如坐标位置超出图片实际宽高、左上角与右下角坐标不匹配等情况），我们已经使用代码去除了这些错误，因此您在本地打开的数据集中的图片数量可能会低于官方发布的数量。此外，请注意Dota数据集的目标都是小目标，在训练过程中如果mAP值较低属于正常现象，因为小目标的检测难度较大。 数据格式：Pascal VOC + YOLO（不含分割路径的txt文件，仅包含jpg图片、对应的VOC格式xml文件和yolo格式txt文件）。 图片数量(jpg)：1713 标注数量(xml)：1713 标注数量(txt)：1713 类别数：16 更多信息请参考相关博文。
  • 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。