Advertisement

Captcha验证码数据集：训练集20000张，测试集10000张

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

简介：
本项目提供了一个包含30000张图片的Captcha验证码数据集，其中训练集有20000张，测试集为10000张，适用于验证码识别系统的模型训练与评估。 训练集带label.csv文件位于train文件夹中。图片尺寸为105*35，在使用时可以调整为120*40。此数据集适用于人工智能图片验证码识别的训练需求。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Captcha验证码数据集：训练集20000张，测试集10000张
    优质
    本项目提供了一个包含30000张图片的Captcha验证码数据集，其中训练集有20000张，测试集为10000张，适用于验证码识别系统的模型训练与评估。 训练集带label.csv文件位于train文件夹中。图片尺寸为105*35，在使用时可以调整为120*40。此数据集适用于人工智能图片验证码识别的训练需求。
     
  • 验证码数据集（含20000训练样本及10000测试样本）
    优质
    本数据集包含30000个验证码图像样本，旨在提升模型识别能力。其中，20000张图片用于训练，10000张作为测试集以评估模型性能。 验证码数据集包含20000个样本用于训练验证码识别模型，并配有10000个测试集合的数据。所有训练集的标签存储在train文件夹中的label.csv文件里。图片尺寸为105*35，使用时可以调整至120*40以适应不同的需求。这些数据可用于人工智能图像验证码识别系统的训练和学习过程。
     
  • YOLO火焰与烟雾数据集 训练集15000张图片，验证集1400张，测试集700张
    优质
    YOLO火焰与烟雾数据集包含17,100张图像，其中训练集有15,000张、验证集有1,400张和测试集有700张。该数据集旨在提升烟火检测模型的性能。 数据集已经按照训练集、验证集和测试集划分好，并包含类别yaml标签，拿到数据集后无需任何处理即可直接用于训练。其中训练集有15000张图片，验证集合有1400张图片，测试集合有700张图片。所有图片的分辨率统一为640*640。
     
  • VOC格式轮胎缺陷数据集（训练集884张，测试集46张）
    优质
    这是一个包含930张图像的数据集，专为检测轮胎表面缺陷设计，其中训练集有884张图片，测试集则包含46张图片。通过标注VOC格式的XML文件，便于使用各种机器学习框架进行目标检测和分类研究。 我们有一个VOC格式的轮胎缺陷数据集，包含884张训练图像和46张测试图像，适用于深度学习中的YOLO框架。每一张图片都有对应的XML格式标注文件。
     
  • Py-Faster-RCNN数据集划分（训练集、验证集、训练验证集和测试集）
    优质
    简介：本文介绍了如何对Py-Faster-RCNN项目中的数据集进行合理划分，包括训练集、验证集、训练验证集及测试集的分配方法与实践技巧。 将数据集划分为py-faster-rcnn所需的集合（训练集、验证集、训练验证集、测试集），并读取xml文件生成对应的txt文件。
     
  • LCQMC数据集，涵盖训练集、验证集和测试集
    优质
    LCQMC数据集是一款专为中文语境设计的机器阅读理解与问答任务的数据集合，包含全面的训练集、验证集及测试集，旨在促进自然语言处理技术的发展。 LCQMC数据集包含训练集、验证集和测试集问题语义匹配数据集，其目标是判断两个问题的语义是否相同。
     
  • criteo_small数据集 已划分训练集、测试集及验证集
    优质
    简介：Criteo Small数据集是专为广告点击预测设计的小规模版本，内含预划分好的训练、测试和验证数据集，便于模型快速迭代与评估。 三个文件分别是train.txt、test.txt和val.txt。
     
  • 将数据集划分为测试集、验证集和训练集
    优质
    本文介绍了如何有效地将数据集划分成测试集、验证集和训练集，为机器学习模型提供科学的数据准备方法。 将数据集划分为测试集、验证集和训练集。
     
  • 验证码识别数据集（训练与测试）
    优质
    本数据集包含大量经过标注的验证码图像，旨在用于机器学习模型的训练和测试，以提高验证码识别系统的准确性和效率。 验证码识别的训练集和测试集已经做好了标签，可以直接用于训练。
     
  • VOC数据集划分训练、验证和测试集的代码
    优质
    本代码提供了一套高效的方法来将VOC数据集划分为训练集、验证集及测试集，便于机器学习模型的开发与评估。 一个简单的代码可以将VOC数据集按照7:1:2的比例划分为训练集、验证集和测试集，并将其放置在相应的VOC格式文件夹下。只需调整__main__中的三个路径，即可运行该程序来划分VOC数据集为train、val和test集合。