Advertisement

航空发动机缺陷检测数据集 - 330张高质量图片+ YOLO格式标注+ 分类训练集与验证集 - 适用于深度学习训练

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

简介：
本数据集包含330张高质量航空发动机缺陷图像，采用YOLO格式标注，并分为分类训练集和验证集，专为深度学习模型训练设计。 航空发动机缺陷检测数据集包含330张高质量图片以及YOLO格式的标注信息，并已整理为训练集和验证集，适用于深度学习模型训练。

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 - 330张高质量图片+ YOLO格式标注+ 分类训练集与验证集 - 适用于深度学习训练
    优质
    本数据集包含330张高质量航空发动机缺陷图像，采用YOLO格式标注，并分为分类训练集和验证集，专为深度学习模型训练设计。 航空发动机缺陷检测数据集包含330张高质量图片以及YOLO格式的标注信息，并已整理为训练集和验证集，适用于深度学习模型训练。
     
  • 绝缘子缺陷检测数据集（VOC格式，含4086张图片，适用于YOLO训练）
    优质
    本数据集包含4086张图像，采用VOC格式存储，专为使用YOLO算法进行绝缘子缺陷检测模型训练而设计。 数据集格式：Pascal VOC（不含分割路径的txt文件和yolo格式的txt文件，仅包含jpg图片及对应的xml标注） 图片数量（jpg文件个数）：4086 标注数量（xml文件个数）：4086 标注类别数：3 标注类别名称： - jueyuanzi - posun - fangdian 每个类别的标注框数量统计： - jueyuanzi: 8019个矩形框 - posun: 1780个矩形框 - fangdian: 1144个矩形框 使用工具：labelImg 标注规则说明： - 对于jueyuanzi，需要将其整个范围进行完整地框选。 - 对于posun，则需对断裂、缺失或破损区域进行标记。 - fangdian 包括自爆痕迹和放电痕迹的定位。 特别提醒：本数据集不保证训练模型或者权重文件的精度。所提供的仅是准确且合理的标注信息。
     
  • YOLOv8缺陷检测中将AnyLabeling标注转为YOLO格式，并划分数据集为训练、验证与测试集
    优质
    本项目介绍如何利用AnyLabeling工具对图像进行标注，并将其标注信息转换成YOLO v8所需的格式，同时详细说明了如何科学地划分数据集以用于模型的训练、验证和测试。 在缺陷检测任务中，我们通常使用AnyLabeling进行图表标注，并用YOLO模型来进行实际的缺陷识别工作。因此，在开始训练之前需要将AnyLabeling生成的数据格式转换为适合YOLO使用的格式。数据集会被划分为不同的部分（如训练集、验证集和测试集），以确保模型能够有效地学习和评估。 代码位于项目目录下的src/wepy/aitool/dataset文件夹中，具体实现细节可以参考该路径中的相关脚本。
     
  • 齿轮缺陷检测数据集（YOLOV5格式，含3类标签的训练和验证集）
    优质
    本数据集包含用于齿轮缺陷检测的YOLOV5格式图像，涵盖三类标签，提供全面的训练与验证样本，助力高效模型训练。 项目包含：齿轮缺陷检测（3类别），包括训练集与验证集。数据保存遵循YOLOV5文件夹结构，可以直接用于目标检测而无需额外处理。 图像分辨率为800*600的RGB图片，数据集中是单一背景下的红色齿轮缺陷检测，分为表面擦伤、齿轮掉牙和齿轮不足三类。每张图包含多个目标框，适用于小目标或密集区域的检测任务。 【数据集介绍】 - 类别：break（断齿）、lack（缺损）、scratch（划痕） 【数据总大小压缩后】42 MB，分为训练集与验证集。 - 训练集(datasets-images-train)包含2382张图片和对应的标签txt文件共2382个 - 验证集(datasets-images-val)包括596张图片及相应的标签txt文件共596个 【类别文本信息】提供了描述三类缺陷的txt文档。 为了便于查看数据，项目中包含一个可视化py脚本。只需随机提供一张图像即可绘制边界框，并保存在当前目录下。该脚本无需修改可以直接运行以生成可视化的结果。
     
  • 樱桃缺陷的YOLO数据集检测（含4类别的训练和验证集）
    优质
    本研究构建了一个包含四类别标签的高质量樱桃缺陷数据集，并应用YOLO算法进行高效准确的目标检测与分类。 项目包括大尺度下的樱桃缺陷检测（4类别：好的、严重破损等），数据集按照YOLOV5文件夹结构保存，可以直接用于目标检测训练与验证，无需额外处理。图像分辨率为约2000*2000的高分辨率RGB图片，边界框标注清晰且完整。每张图包含大量樱桃缺陷目标，前景丰富、标注效果好。 数据集分为两个部分： - 训练集（datasets-images-train）：672张图片和对应的标签txt文件。 - 验证集（datasets-images-val）：168张图片及其相应的标签txt文件。 每个类别都提供了详细的文本信息，方便查看。此外还提供了一个可视化py脚本，可以随机选取一张图进行边界框绘制，并保存在当前目录下。该脚本无需更改即可直接运行以展示图像效果。
     
  • 包含训练集与验证集的跌倒检测数据集（500张图片，适用于YOLO模型）
    优质
    本数据集专为跌倒检测设计，含500张图像，并区分训练和验证两部分，完美匹配YOLO算法需求，助力高效准确的目标识别研究。 数据已由DK数据工作室整理完毕，并划分了训练集和验证集，包含接近500张照片，每张照片带有txt格式的标注文件，可以直接用于YOLO目标检测项目。
     
  • 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。
     
  • 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”。