Advertisement

煤与传送带皮带识别分割、数据集(labelme格式) 970张、2类别.md

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


简介:
该数据集采用LabelMe格式进行构建,并包含了970张 JPG 图片及其对应的 JSON 标注文件。这些图片均专为煤与传送带皮带的识别与分割而设计。每幅图片均附有相应的标签信息,在此过程中分为两类:一类是用于标识传送带(belt)的区域边界框;另一类则用于标识煤(coal)区域边界框。具体而言,在传送带上标出了约 1,117 个边界框,在煤区域标出了约 546 个边界框;总计标出约 1,663 个边界框以供后续分析与训练使用。 注释工具选用LabelMe V5.5.0版本进行操作,并支持打开与编辑所有数据集文件。所有数据集均存于firc-dataset仓库中,并可通过LabelMe软件打开并进行编辑操作。建议用户将 JSON 标注转换为 mask 文件、YOLO 格式或 COCO 格式等多类型标注文件以便后续模型训练需求。 特别注意:该数据集作者声明并不提供任何精度保证。 此外还提供了两个标注示例以及其他相关技术说明。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • 舌头labelme25571.zip
    优质
    样本图:blog..net/FL1623863129/article/details/144472209 数据集格式:labelme格式(不包含mask文件,仅仅包含jpg图片和对应的json文件) 图片数量(jpg文件个数):2557 标注数量(json文件个数):2557 标注类别数:1 标注类别名称:[tongue] 每个类别标注的框数: tongue count = 2557 使用标注工具:labelme=5.5.0 标注规则:对类别进行画多边形框polygon 重要说明:可以将数据集用labelme打开编辑,json数据集需自己转成mask或者yolo格式或者coco格式作语义分割或者实例分割 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,数据集只提供准确且合理标注
  • 烟雾明火LabelMe,含5205图片,2).zip
    优质
    本数据集包含5205张图像,采用LabelMe标注格式,旨在区分烟雾和明火两类视觉特征,适用于目标检测与分类研究。 样本图展示的是一个包含5205张jpg图片及其对应json文件的数据集,这些数据是使用labelme 5.5.0工具标注的,并遵循特定规则进行多边形框polygon绘制。 该数据集中包括两个类别:smoke(烟)和fire(火)。具体来说: - smoke类别的标注数量为2354个。 - fire类别的标注数量为13438个。 为了使用这些数据,可以将整个数据集导入labelme工具进行进一步编辑。需要注意的是,json文件需要手动转换成mask、yolo或coco格式以便于语义分割或者实例分割的训练任务。 特别提示:此数据集中提供的标记是准确且合理的,但不保证基于该数据集训练出模型的具体精度表现。
  • 智慧城市道路LabelMe26481.zip智慧城市道路LabelMe26481.zip
    优质
    样本图链接:[此处插入链接]请将文件放置于服务器上,并建议在电脑端的资源预览页面或详细资料页面中查看下载。统计显示,共有2,648张.jpg图片文件。对应的标注数据量为2,648份.json文件。仅涉及一个类别进行标注。该类别的名称列表为[road]。在road类别上,总计绘制了2,782张多边形框。您可使用labelme软件进行数据集编辑;请注意,必须先将json格式的标注文件转换为mask、yolo或coco中的任意一种格式。该数据集适用于进行语义分割或实例分割任务。请注意,本数据集无法保证对训练的模型或权重文件精度作任何保证。该数据集中提供的标注均为精确且合理的。
  • 瑕疵检测(VOC+YOLO,含1238图片,2).zip
    优质
    本数据集包含1238张图片,适用于传送带瑕疵检测任务,采用VOC与YOLO两种格式标注,涵盖两个类别,有助于提升模型在工业场景中的应用效果。 样本图展示的是一个包含1238张jpg图片的数据集,每张图片都对应有Pascal VOC格式的xml文件以及YOLO格式的txt文件作为标注。数据集中共有两类标注对象:crack(裂缝)与normal(正常),总共涉及了1743个矩形框用于标记。 具体来说: - crack类别下的矩形框数量为1099。 - normal类别的矩形框数量为644。 此数据集使用labelImg工具进行标注,主要任务是对图片中的物体进行画矩形框的分类操作。除了上述信息外,没有其他特别说明或要求。需要注意的是,提供者不对训练模型后的精度做出任何保证,仅确保提供的数据集内标记准确合理。
  • 破损检测,包含700原始图片的VOC标注,用于上缺陷
    优质
    本数据集提供了700张关于传送带皮带破损情况的图像,并以VOC格式进行详细标注,旨在辅助训练模型精准识别并分类传送带上的各类缺陷。 传送带皮带破损检测数据集包含700张原始图片,并进行了VOC格式的标注,能够识别出传送带上存在的各种破损缺陷。相关图片及标注内容可以在博文中查看。
  • 眼睛瞳孔虹膜LabelMe,含2662图片,2).7z
    优质
    本数据集包含2662张图片,采用LabelMe格式标注,涵盖眼睛瞳孔和虹膜两个类别,适用于眼部特征识别与分割研究。 样本图由labelme工具以5.5.0版本进行标注。 数据集格式为labelme格式(不包含mask文件,仅包含jpg图片及其对应的json文件)。 - 图片数量(jpg文件个数):2662张 - 标注数量(json文件个数):2662份 - 标注类别总数:2类 - 类别名称包括pupil和iris - 每一类别的标注框数量: - pupil的标注框共2660个 - iris的标注框共2666个 使用多边形(polygon)进行各分类对象的标记。 重要说明:用户可以利用labelme软件打开并编辑数据集,同时需要自行将json格式的数据转换为mask、yolo或coco等其他形式以用于语义分割或者实例分割任务。 请注意,本数据集不对训练模型及其权重文件的精度提供任何保证;提供的仅是准确且合理的标注信息。
  • 破损检测,包含700原图的Yolov5PyTorch标注,用于上缺陷
    优质
    本数据集专为传送带皮带破损检测设计,含700张高质量原图及其对应的YOLOv5 PyTorch标注文件。旨在优化识别精度,确保工业生产安全与效率。 传送带皮带破损检测数据集包含了700张经过YOLOv5-PyTorch格式标注的原始图片,旨在实现对传送带上表面损坏区域的有效识别与监控。在深入探讨这些内容之前,我们首先需要了解一些关键的技术背景和概念。 作为工业生产中的重要运输设备,传送带对于维持生产线稳定性和效率至关重要。然而,在长期使用过程中,由于磨损、异物冲击或老化等原因,皮带可能会出现各种形式的损坏。如果不及时发现并修复这些问题,则可能导致生产效率下降甚至引发安全事故。因此,建立一种有效的破损检测机制对提升生产和安全性具有重要意义。 随着计算机视觉技术的发展,利用图像处理和机器学习方法进行目标识别已成为解决此类问题的重要手段之一。YOLO(You Only Look Once)作为一种流行的实时对象检测系统因其速度快且准确率高而被广泛应用于各种场景中。结合PyTorch这一强大的深度学习框架,研究人员能够构建出既高效又易于使用的神经网络模型来进行目标检测。 具体到本数据集而言,700张原始图片经过专业的标注工作后,每一张图片中的传送带破损部分都被精确地标记出来,并遵循YOLOv5-PyTorch的格式要求。这意味着每个图像文件都附有详细的标注信息,包括损坏区域的位置和大小等关键参数。这样的数据集对于训练机器学习模型以识别并定位传送带上出现的问题至关重要。 该数据集被划分为三个部分:训练集、验证集以及测试集。在实际操作中,这些不同的集合分别用于模型的初始训练、超参数调整及最终性能评估。通过这种划分方式,研究人员可以更科学地评价所构建模型的有效性和可靠性。 传送带皮带破损检测数据集是一项专门针对特定工业需求而设计的数据资源,它借助先进的计算机视觉技术和深度学习算法为实现自动化的损坏识别提供了强有力的支持。随着技术的进步,在未来我们有望看到更加高效且准确的检测系统应用于实际生产环境中,从而显著提高生产和安全水平。
  • 肾结石医学图像LabelMe,含359图片,1个).zip
    优质
    本资料包含359张用于肾结石识别与研究的医学图像,采用LabelMe标注格式,提供单一类别的精确分割信息。适合深度学习和计算机视觉领域相关科研使用。 样本图展示在博客文章内。 文件存储于服务器上,请务必通过电脑端预览资源详情后再进行下载。 数据集格式:采用labelme标准(不含mask文件,仅包括jpg图片及对应的json文件)。 图片数量(即jpg文件个数):359张; 标注数量(即json文件个数):359份; 标注类别总数为1类; 具体标注类别名称如下: - 肾结石 (kidney stone) 每个类别的标注框数量统计如下: - 肾结石的标注框总计有 512 个。 使用工具:labelme版本号5.5.0 注释规则:对目标进行多边形绘制(polygon)。 特别说明:可利用labelme软件打开并编辑数据集,但需自行将json格式转换为mask、yolo或coco等格式以支持语义分割和实例分割任务。 重要声明:本数据集中不保证训练模型的精度与权重文件的质量,仅确保提供的标注信息准确合理。
  • 异物物料跑偏检测(VOC+YOLO,含437图片,3个).7z
    优质
    本数据集包含437张图片,涵盖传送带异物和物料跑偏两类问题,以VOC及YOLO两种格式提供,便于训练目标检测模型。 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):437 标注数量(xml文件个数):437 标注数量(txt文件个数):437 标注类别数:3 标注类别名称:chuansongzhou、gangjin、yiwu 每个类别的框数: - chuansongzhou 框数 = 245 - gangjin 框数 = 161 - yiwu 框数 = 243 总框数:649 使用标注工具:labelImg 标注规则:对类别进行画矩形框 重要说明: 暂无特别说明。 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。