Advertisement

基于VOCYOLO格式的柑橘缺陷检测数据集（共1598张图片分为4个类别）.md

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

简介：
该系统采用Pascal VOC和YOLO数据格式标准，并遵循$1598$张分辨率均为640x640的JPEG图片规范构建缺陷检测数据集。每个样本图像均配套相应的VOC格式XML文件与YOLO格式TXT标签文件进行标注与存储管理。本数据集总计生成了$1598$个XML文件与$1598$个TXT标签文件，并涉及煤烟病、健康状况、黑色素斑点及未知类别四种典型缺陷类型。其中 coal-smoke 类别包含 $568$ 个目标框、healthy 类别包含 $872$ 个目标框、black spot 类别包含 $422$ 个目标框以及unknown类别包含 $608$ 个目标框等统计信息表明总目标框数为 $2470$个。值得注意的是该数据集在采集过程中进行了一定程度的数据增强处理以提高模型泛化能力借助LabelImg工具实现了对各类缺陷特征的精准定位标记过程从而提升了数据集的整体质量与一致性水平尽管如此由于其开放属性并未对训练模型性能提供任何性能保证仓库位置标识为firc-dataset而具体分类标签顺序则由预先配置好的classes.txt文件严格决定为此本系统对于如何使用与维护该数据集未提供特定指导建议建议用户根据自身需求进行深入分析以确保应用效果符合预期要求

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 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”。
  • 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
  • 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
  • 橙子橘子桔子病害检测数据集（VOC+YOLO格式，含2814张图片，4个类别）.zip
    优质
    本数据集包含2814张图像，涵盖四种橙子疾病类型，采用VOC与YOLO两种标注格式，旨在提升机器学习模型在检测柑橘病害中的准确度。 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）：2814 标注数量（xml文件个数）：2814 标注数量（txt文件个数）：2814 标注类别数：4 重要说明：数据集中的橘子果实病害不是叶子病害，请仔细查看以下更多信息。 标注类别名称：“blackspot”，“canker”，“fresh”，“grenning”
  • 基于YOLO的轴承生产缺陷分类检测（数据集含568张图片，三类缺陷）
    优质
    本研究采用YOLO算法对轴承生产中的三种常见缺陷进行高效识别与分类，利用包含568张图像的数据集训练模型，旨在提升生产线上的自动化检测能力。 基于YOLO11的轴承生产缺陷智能检测系统阐述了整个数据制作和训练可视化过程。
  • [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。
  • 电气类GIS局部放电缺陷检测数据集（含4243张图片和4个分类）.txt
    优质
    本数据集包含4243张图像，旨在用于检测电气设备中的局部放电缺陷，具有四个不同类别，适用于机器学习和模式识别研究。 电气类85的GIS局部放电缺陷检测数据集包含4243张图像和四个分类（电晕放电、悬浮放电、自由粒子、绝缘放电），适用于电气工程专业在计算机视觉应用领域的研究，例如目标检测、图像识别及深度学习等。数据集中没有标签信息，但提供了详细的类别说明以供参考。
  • 考场作弊行为检测数据集（VOC+YOLO格式，含4413张图片，4个类别）.7z
    优质
    本数据集包含4413张图像，用于识别考试中的作弊行为，采用VOC和YOLO格式标注，涵盖4种类别，适用于训练检测模型。 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)：4413 标注数量(xml文件个数)：4413 标注数量(txt文件个数)：4413 标注类别数：4 标注类别名称:[Cheatcode,Cheating,NonCheating,mobiledetrction] 每个类别标注的框数： - Cheatcode 框数 = 428 - Cheating 框数 = 8730 - NonCheating 框数 = 4022 - mobiledetrction 框数 = 3611 总框数：16791 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。