Advertisement

木薯叶片病害图像分类数据集已完成标注工作并包含约17,000张高质量图像样本

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

简介：
木薯叶片病害图像分类数据集已经过人工标注，并包含约17,000张图像样本划分为5个类别。研究者可从json文件中明确划分出训练集与验证集区域，并按类别分别存储同类型的数据图片。建议使用资源中的show脚本进行数据可视化展示。此外，在[文章链接]中深入探讨了该领域最新进展，在[项目链接]中提供了完整的计算机视觉解决方案

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 大豆叶病害图像分类数据集【含标注信息，约3,600张图片】
    优质
    本数据集包含超过三千六百张大豆叶病害图像及其详细标注信息，旨在促进植物病理学领域的研究与应用。 大豆叶片病害图像分类数据集【已标注，约3,600张数据】 分类个数【3】：炭疽病、健康、锈病【具体查看json文件】 划分了训练集、验证集、测试集。存放各自的同一类数据图片。如果想可视化数据集，可以运行资源中的show脚本。 CNN分类网络改进的相关内容可以在相关博客中找到。 更多关于图像分类、图像分割（医学）、目标检测（yolo）的项目以及相应网络的改进，也可以在个人主页上查看。
  • 辣椒病虫害图像分类数据集【包含约7,500张标注图片】
    优质
    本数据集提供了超过7,500张经过详细标注的辣椒病虫害图片，涵盖多种常见疾病与害虫，为深度学习研究提供丰富资源。 辣椒病虫害图像分类数据集【已标注，约7,500张数据】 类别数量【11】：炭疽病、螨虫、温度不适、缺素等【具体查看json文件】 划分了训练集与测试集，并将各自的数据图片存放于相应目录。如果想可视化数据集，可以运行资源中的show脚本。 提供了一些基于CNN的分类网络项目和图像分割完整项目的介绍，以及对YOLOv5模型进行改进的相关内容。 对于更多关于图像分类、医学图像分割及目标检测（使用yolo）等领域的项目与相应网络改进的内容，请参考本人主页。
  • 玉米病害图像分类数据集【含标注信息，约2,800张图片】
    优质
    本数据集包含约2,800张玉米病害图像及详细标注信息，旨在促进作物疾病识别研究与应用。 玉米病害图像分类数据集【已标注，约2,800张数据】 分类个数【4】：尾孢叶斑灰、普通锈蚀等【具体查看json文件】 划分了训练集、验证集、测试集。存放各自的同一类数据图片。如果想可视化数据集，可以运行资源中的show脚本。 改进的CNN分类网络可参考相关文献和资料。 更多图像分类、图像分割（医学）、目标检测（yolo）项目及相应网络的改进，可以在本人主页上查看。
  • 包含三类水稻叶片病害的图像数据集，每类约含350张图片
    优质
    本数据集收录了三种主要水稻叶片病害的高分辨率图像，每种类别均涵盖约350幅照片，为农业病理研究与智能识别提供了宝贵资源。 该数据集包含水稻叶片病害的近距离背景处理图片，共分为3类，每类约有350张图片。
  • 苹果叶病害图像数据集，包含3997张图片
    优质
    本数据集收录了3997张描绘苹果叶片病害状况的照片，旨在支持机器学习模型训练与研究，助力于精准农业和植物病理学的发展。 苹果叶片病害数据集包含3997张图片。
  • 番茄叶病害分类数据集，涵盖10种病害，每类约含1800张图像
    优质
    本数据集包含了针对番茄叶部的十种常见病害的高分辨率图像，每种类别均包含大约1800张图片，为深度学习研究提供了宝贵的资源。 番茄叶片疾病分类数据集包含10类病害，每类约有1800多张图片。
  • 害虫图像样本数据集（含15种类别，每类约6张图片）
    优质
    这是一个包含15种不同类别害虫的小型图像数据集，每类害虫大约有6张高质量照片，非常适合用于害虫识别的研究和模型训练。 害虫图片样品数据集包含15种类别，每类大约有6张图片。
  • 棉花叶片病害分类图像数据集
    优质
    本数据集包含大量标记的棉花叶片图像，旨在帮助研究者识别和分类由不同病原体引起的棉花叶片病害，促进农业领域智能诊断技术的发展。 棉花叶病害分类数据集按照棉花叶片感染的3种类型进行组织，其中一个文件夹包含1786张未感染棉花叶片的数据图片。
  • Kaggle Cassava-Leaf-Disease：识别木薯叶片图像中的病害类型
    优质
    本项目参加Kaggle竞赛，旨在通过深度学习模型分析和分类木薯叶病害图像，助力农业疾病预防与控制。 Kaggle任务是将每张木薯图像分为五类：表示植物具有某种疾病或健康叶片的状况。组织者提供了一个数据集，该数据集包含在乌干达定期调查期间收集的21,367张带标签的图片。这些照片大多数是从农民那里获取，并由国家作物资源研究所（NaCRRI）与坎帕拉马可雷雷大学AI实验室合作进行批注。 为了使用此功能的基本方法，可以尝试以下命令安装工具：`!pip install https://github.com/Borda/kaggle_cassava-leaf-disease/archive/main.zip` 在Colab中运行笔记本时，建议将数据集上传到个人Google Drive，并连接至该驱动器以避免重置Colab后重新上传数据。 一些结果展示了ResNet50模型经过10个周期训练后的进度。
  • YOLO施工工地安全图像数据集——包含5000张高质量、标注完整图片
    优质
    YOLO施工工地安全图像数据集提供5000张高质量图片，涵盖施工现场各类场景，每张图片均配备详尽注释信息，助力提升建筑工地安全管理效率与准确性。 这是一个适合初学者使用的数据集，适用于多类分类、对象检测和跟踪任务。该数据集包含5000张高质量图像，并且每一张图片都已标注完整。注释采用 YoloV8 格式，使得任何人都可以使用这些数据来训练模型并生成结果。 标签包括：“安全帽”、“口罩”、“无安全帽”、“无口罩”、“无安全背心”、“人员”、“安全锥”、“安全背心”、“机械”和“车辆”。在跟踪和监控应用中，一个人是否戴着安全帽非常重要。由于大多数数据集没有以这种特定方式注释，这使得该数据集非常有用。 此外，提供了元数据文件 metadata.csv 和 count.csv ，这些文件包含了有关数据集的信息以及 train-val-test 的计数信息。 对于初学者来说，在下载完数据后，请务必先阅读 README.md 文件（如果有的话），以便更好地了解项目详情和使用方法。本资源仅供学习参考之用，并且不得用于商业用途。