Advertisement

包含45个分类别的样本量为7976的数据集用于中草药类型识别检测采用VOC+YOLO格式压缩

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

简介：
请参考博文中的样本图片。该数据集格式包含Pascal VOC和YOLO数据格式（仅包含未分割的txt文件），其中jpg图片的数量为7,976份。对应的XML注释文件共有7,976份。此外，yolo标签文件也共有7,976份。该数据集涵盖45个不同类别的目标识别任务。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 包含45个分类别的样本量为7976的数据集用于中草药类型识别检测采用VOC+YOLO格式压缩
    优质
    请参考博文中的样本图片。该数据集格式包含Pascal VOC和YOLO数据格式（仅包含未分割的txt文件），其中jpg图片的数量为7,976份。对应的XML注释文件共有7,976份。此外，yolo标签文件也共有7,976份。该数据集涵盖45个不同类别的目标识别任务。
  • 猫行为检测数据集采用VOC与YOLO格式，包含5997张图片，共五个类别
    优质
    该资源为[数据集][目标检测]形式的“猫的行为识别”数据集，采用VOC与YOLO融合的格式，包含5,997张图片，涵盖5个分类类别。
  • 舰船检测卫星遥感数据集（VOC+YOLO格式），含2238张图片，17个类别，压缩包为7z格式
    优质
    本数据集包含2238张舰船检测图片，采用VOC与YOLO双格式标注，涵盖17种类别，旨在促进遥感图像分析研究。以7z格式压缩便于下载及存储。 数据集格式为Pascal VOC与YOLO格式（不含分割路径的txt文件），只包含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：2238张 标注数量(xml及txt文件个数)：各2238份 标注类别总数：17类 具体类别名称包括：“Aircraft Carrier”、“Auxiliary Ships”、“Cargo”、“Commander”、“Container Ship”、“Cruiser”、“Destroyer”、“Dock”、“Frigate”、“Hovercraft”、“Landing”、“Oil Tanker”、“Other Ship”，“Other Warship”，“RoRo”，“Submarine”，及“Yacht”。
  • 岩石类型识别数据集（VOC+YOLO格式），含4766张图片，9个类别.7z
    优质
    本数据集包含4766张用于岩石类型识别的图像，涵盖九种类别。采用VOC和YOLO兼容格式，便于训练高效的目标检测模型。压缩文件为7z格式。 数据集格式为Pascal VOC格式与YOLO格式（仅包含jpg图片及对应的VOC格式xml文件和yolo格式txt文件）。 图片数量：4766张 标注数量： - xml文件个数：4766份 - txt文件个数：4766份 标注类别总数为9种，具体名称如下： 1. Igneous_Basalt 2. Igneous_Diorite 3. Igneous_Granite 4. Metamorphic_Marble 5. Metamorphic_Quartize 6. Sedimentary_Chalk 7. Sedimentary_Limestone 8. Sedimentary_Sandstone 9. Sedimentary_coal
  • 电力场景下的目标检测数据集（VOC+YOLO格式），含476张图片和5个类别，压缩包为.7z格式。
    优质
    本数据集包含476张电力场景图像，涵盖五种特定类别目标，采用VOC与YOLO兼容格式，并以.7z文件形式提供。 数据集格式：Pascal VOC格式+YOLO格式（不含分割路径的txt文件，仅包含jpg图片及对应的VOC格式xml文件和yolo格式txt文件） 图片数量（jpg文件个数）：476 标注数量（xml文件个数）：476 标注数量（txt文件个数）：476 标注类别数：5 标注类别名称：[damper, insulator, plate, spacer, tower] 每个类别标注的框数： - damper 框数 = 1501 - insulator 框数 = 310 - plate 框数 = 81 - spacer 框数 = 251 - tower 框数 = 252 总框数：2395 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。
  • 目标检测游泳者溺水数据集采用VOC+YOLO格式，包含2类别（共895张）。
    优质
    游泳者溺水检测数据集是专为目标检测任务设计的专业图像数据集，其中包含895张具有标注的图片，旨在帮助计算机视觉算法训练和评估。该数据集仅包含两类目标：游泳者（swimmer）与溺水状态（drowning），共计1530个边界框。这些图像均源自30段视频片段，通过视频剪辑并转换为独立的JPG格式文件后进行标注处理，所有标注内容均符合Pascal VOC和YOLO标注标准。\n\nPascal VOC格式是一种广泛应用于图像目标检测的数据标注格式，它不仅记录了目标的类别，还记录了它们的位置信息，并将这些数据保存在XML文件中，每张图片对应一个XML文件。YOLO格式则常用于实时目标检测系统，每个文本文件对应一张图片文件，完整记录了图片中所有目标的类别及其位置坐标。\n\n该数据集由未来自主研究中心（FIRC）制作，并提供下载链接及视频示例供研究者使用。在标注过程中，labelImg工具被广泛采用，它是一种适用于目标检测任务图像标注工作的强大工具。值得注意的是，数据集开发者明确表示，下载后的用户需对标注进行调整优化以符合个人理想状态，因为溺水状态的判断具有较高的主观性且难以通过机器自动识别。\n\n此外，数据集的制作者不承诺所训练模型或权重文件的精度保证，但提供了一个可靠且合理标注的基准数据集，这对于目标检测算法研究和机器学习模型性能评估至关重要。原始视频下载链接亦被提供，以支持研究者进行更深入的实验分析。\n\n该数据集对研究人员及开发者提出了较高的要求，需要具备扎实的图像处理与机器学习基础，并拥有深入分析数据集标注规则的能力，以便准确评估和改进算法效果。该集合为公共安全领域目标检测技术的研究和应用提供了宝贵的资源支持，研究者可通过其开发更高效的溺水检测系统，从而为游泳场所的安全性提供技术支持。
  • 自然灾害检测数据集VOC+YOLO格式19151张4类别自然灾害检测数据集VOC+YOLO格式19151张4类别
    优质
    \n在当今的信息时代，机器学习和深度学习技术的快速发展，使得在计算机视觉领域对大规模、高质量的标注数据集的需求日益迫切。特别是在自然灾害检测领域，准确及时地识别和评估各种自然灾害事件具有重要的社会意义和实用价值。数据集作为机器学习模型训练的基础，其质量和多样性直接影响模型的性能。本文所述的自然灾害检测数据集正是为应对这一需求而设计。\n\n该数据集遵循Pascal VOC格式和YOLO格式，包含19151张标注图片，涵盖“倒树”、“滑坡”、“道路坍塌”、“石头”等四种类别的自然灾害。在标注方面，数据集采用labelImg标注工具进行图像中的特定灾害进行标注，并通过画矩形框的方式来指示灾害在图像中的具体位置。这种标注方式不仅直观、操作简便，而且非常符合实际应用中对于目标检测任务的需求。\n\n数据集的来源包括原始图片及其增强图片，其中原图约占数据集的1/3，剩下的2/3是经过图像增强处理后的图片。图片增强技术通常包括旋转、缩放、剪裁、颜色变换等方法，增强后的图片可提供给训练模型更多的视觉变体，帮助模型泛化，减少过拟合的风险，提高模型在真实世界中的鲁棒性和准确性。\n\n数据集中的每张图片都有对应的VOC格式的XML标注文件和YOLO格式的TXT标注文件，分别用于满足不同训练框架和算法的需要。VOC格式的XML文件通常包含目标的位置、尺寸、类别等信息，而YOLO格式的TXT文件以其简洁高效著称，更适合用于实时性强的目标检测算法。尽管数据集不包含分割路径的TXT文件，但其提供的图片及标注文件已足够为研究者提供丰富的信息资源，用于开发和评估目标检测模型。\n\n值得注意的是，数据集提供的19151张图片中，每个类别都包含了相当数量的样本。例如，“倒树”类别的框数为11037，“滑坡”类别的框数为7818，“道路坍塌”类别的框数为6416，“石头”类别的框数更是达到了25155，总计达到了50426个标注框。这一数字表明数据集具有相当的规模，能够提供给训练模型足够的学习样本，从而有望训练出性能优秀的检测模型。\n\n在使用该数据集进行模型训练之前，研究人员和工程师需要了解本数据集不包含对训练模型或权重文件精度的任何保证，用户需要自行评估数据集的合理性与准确性。此外，对于任何与数据集相关的问题，用户应自行解决，数据集的提供者不承担任何责任。在实际应用中，用户需要对数据集进行预处理，如图片的缩放、归一化，对标注文件进行解析等，使之适用于特定的模型和框架。\n\n为了展示数据集的应用效果，提供了少量图片的标注例子，这些例子可以帮助用户直观理解数据集的质量和标注的准确性。这不仅可以作为数据集质量和适用性的参考，也为用户学习如何使用该数据集提供了有力的示范。\n\n该自然灾害检测数据集集合了大量高质量标注图片，能够满足深度学习在自然灾害检测领域的研究和应用需求。尽管数据集的提供者对模型训练结果不提供保证，但其庞大的规模和丰富的类别覆盖，为研究者提供了一个宝贵的资源，有望促进相关技术的发展和应用。
  • 昆虫识别数据集（VOC+YOLO格式），含1873张图片，7个类别.7z
    优质
    本数据集包含1873张图像和七个不同的昆虫类别，采用VOC与YOLO兼容格式，适用于昆虫识别任务的模型训练和验证。 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）：1873 标注数量（xml 文件个数）：1873 标注数量（txt 文件个数）：1873 标注类别数目：7 标注类别名称：Boerner, Leconte, Linnaeus, acuminatus, armandi, coleoptera, 和linnaeus 每个类别的标注框数： - Boerner 框数 = 1859 - Leconte 框数 = 2711 - Linnaeus 框数 = 1046 - acuminatus 框数 = 1130 - armandi 框数 = 1932 - coleoptera 框数 = 2163 - linnaeus 框数 = 907 总框数：11748 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。
  • 拐杖检测数据集(VOC+YOLO格式，含2778张图片，1个类别).7z
    优质
    本数据集包含2778张图片，标注了单一物体类别——拐杖的数据，采用VOC及YOLO两种格式，适用于目标检测模型训练与测试。 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）：2778 标注数量（xml文件个数）：2778 标注数量（txt文件个数）：2778 标注类别数：1 标注类别名称：[whitecane] 每个类别标注的框数： - whitecane 框数 = 4635 总框数：4635 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：视频采集截图图片，场景类似，请参考相关博文。