Advertisement

老鼠图片目标检测数据集【包含约1100张标注图片，采用YOLO格式】

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

简介：
这是一个专为老鼠图像设计的目标检测数据集，内含大约1100张标注图片，并且采用了流行的YOLO格式，非常适合训练和优化目标检测模型。 老鼠图像目标检测数据集已包含约1100张图片，并且已经按照YOLO格式进行了标注。 类别数量为1：老鼠（详情参考classes文件）。 该数据集已被划分为训练集与测试集，如需可视化，请运行show脚本即可。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 老鼠图片目标检测数据集【包含约1100张标注图片，采用YOLO格式】
    优质
    这是一个专为老鼠图像设计的目标检测数据集，内含大约1100张标注图片，并且采用了流行的YOLO格式，非常适合训练和优化目标检测模型。 老鼠图像目标检测数据集已包含约1100张图片，并且已经按照YOLO格式进行了标注。 类别数量为1：老鼠（详情参考classes文件）。 该数据集已被划分为训练集与测试集，如需可视化，请运行show脚本即可。
     
  • Yolo算法-老鼠数据集-含2295张标注图片的组合包.zip
    优质
    本资源提供YOLO算法所需的老鼠数据集，包含2295张精确标注的图像，适用于目标检测和机器学习研究。 yolo系列算法目标检测数据集包含标签文件，可以直接用于模型训练和验证测试。该数据集已经按照不同版本的YOLO（如Yolov5、Yolov8、Yolov9、Yolov7、Yolov10及最新的YOLOv11）划分好。 数据集中有两种类型的标签格式：yolo文本段落件（txt格式）和VOC XML文件。这些标签分别存储在两个不同的文件夹中： - yolo格式的标签内容为： - 其中， 表示目标类别的索引编号（从0开始）。 - 和 分别表示目标框中心点在图像中的比例坐标值，范围为0到1之间。 - 和 则是目标边界框的宽度和高度的比例值。
     
  • 口罩检测用目标检测数据集：680多张JPG图片，xml标注格式
    优质
    这是一个专为口罩检测设计的目标检测数据集，包含超过680张JPEG格式图像，并采用XML文件进行精准边界框标注。 本口罩检测数据集包含680余张图片（格式为jpg），采用labelImg工具进行标注，生成的标签文件为xml格式（VOC格式）。该数据集中只涉及纯口罩检测，并不包括面部识别内容。所有图片均为本人下载并整理、标注，确保与其他用户的数据集无重复。 如果需要包含人脸与口罩联合识别的功能，即用于判断人群是否佩戴口罩的数据集，请联系我获取相关资源（非现有资源的额外标注），此类数据集数量不低于5000张。 此外，如有需求人工帮助进行图片标注或特定类型的目标检测数据集制作，欢迎咨询。根据实际情况及报酬协商后可考虑提供服务，并依据具体的数据量和标注时间商定交付期限。
     
  • 包含2000+图片的自标注老鼠数据集
    优质
    这是一个包含超过2000张图片的自标注老鼠数据集，适用于科研人员和机器学习爱好者进行图像识别与分类研究。 1. 适用于目标检测任务，可以用于微调模型。 2. 数据采用VOC格式，便于算法加载。 3. 数据来源：通过摄像头采集视频并进行标注。 4. 价格优惠，几乎相当于免费获取劳动力。
     
  • 【目标检测数据集】仓库托盘检测数据集（YOLO+VOC格式，含1182张图片）.zip
    优质
    本资源提供一套针对仓库托盘的目标检测数据集，包含1182张图片，并采用YOLO与VOC标准格式标注，适用于训练和测试相关模型。 数据集格式：VOC格式+YOLO格式 压缩包内包含三个文件夹： - JPEGImages 文件夹存储了1182张 jpg 图片； - Annotations 文件夹中包含了对应的 1182 个 xml 标注文件； - labels 文件夹中有与之匹配的 1182 个 txt 标签文件。 标签种类为一种，名称是“tuopan”。该标签共有矩形框38971个。 图片清晰度良好（分辨率为像素），未经过任何图像增强处理。
     
  • 公路落石目标检测数据集（VOC+YOLO格式，含282张图片）.zip
    优质
    本资源提供一套针对公路落石的目标检测数据集，包含282张标注图片，并兼容VOC和YOLO两种主流格式。适用于深度学习研究与应用开发。 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）：282 标注数量（xml文件个数）：282 标注数量（txt文件个数）：282 标注类别数：1 标注类别名称：[stone] 每个类别标注的框数： stone 框数 = 632 总框数：632 使用标注工具：labelImg
     
  • YOLOv5安全帽检测数据集-包含yolo和voc格式图片标注
    优质
    简介：本数据集专为YOLOv5设计，聚焦于工地安全帽检测任务，提供详尽的图像及其标注文件（支持Yolo与VOC格式），助力优化模型性能。 YOLOV5安全帽检测数据集可以采用Yolo格式或VOC格式进行存储。这种数据集用于训练YOLOv5模型以识别图像中的安全帽。
     
  • 黄瓜目标检测数据集（VOC格式），含1309张图片
    优质
    本数据集为黄瓜目标检测设计，包含1309张图像，遵循Pascal VOC标准格式，适用于训练和评估物体检测模型。 数据集格式：Pascal VOC（不含分割路径的txt文件、yolo格式的txt文件，仅包含jpg图片及其对应的xml标注） 图片数量（jpg文件个数）：1308 标注数量（xml文件个数）：1308 标注类别数：1 标注类别名称：cucumber 每个类别的标记框数量：cucumber计数 = 2939 使用工具：labelImg 标注规则：对目标进行矩形框绘制。 重要说明及特别声明：本数据集不对训练模型或权重文件的精度作任何保证，仅提供准确且合理的标注信息。
     
  • 【目标检测数据集】11960张水稻病害检测图片（VOC+YOLO格式）.zip
    优质
    本资源提供一套用于水稻病害识别的目标检测数据集，包含11960张标注清晰的图像，并以VOC和YOLO两种格式呈现，适用于深度学习模型训练。 数据集采用了Pascal VOC格式与YOLO格式（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。 该数据集中共有11963张图片，每一张都有相应的标注信息： - Pascal VOC xml 文件数量：11963个 - YOLO txt 标注文件数量：11963个 这些图像被分为十二类进行标记： 标注类别数为 12 种，具体包括以下几种类型及其对应的框的数量: - BLBD: 框数 = 1030 - BLSD: 框数 = 1067 - BSD: 框数 = 1064 - DPD: 框数 = 1465 - FSD: 框数 = 2154 - Healty: 框数 = 1266 - NBD: 框数 = 1412 - NBSD: 框数 = 975 - Non-Rice: 框数 = 1298 - RBD: 框数 = 1070 - RRSD: 框数 = 972 - SBD: 框数 = 1303 总计标注框数量为：15,076个。 使用了labelImg工具进行标记，遵循对类别画矩形框的规则。
     
  • 【目标检测】飞行物检测数据集含7346张图片及3类标签（YOLO+VOC格式）.docx
    优质
    本文档提供了一个包含7346张图像的飞行物检测数据集，内含三种不同类别标签。数据以YOLO和VOC格式存储，便于目标检测模型训练与评估。 在当前的计算机视觉研究与应用领域内，目标检测技术已经发展成为一项关键任务，并且广泛应用于安全监控、自动驾驶汽车、智能交通管理和无人机监测等多个领域中。这项技术的目标是在图像或视频帧中识别并定位出一个或多个物体的位置，并给出它们的具体类别。 近年来，由于深度学习的快速发展，目标检测算法取得了显著的进步，其准确性和速度都有了大幅度提高。然而，在训练高性能模型的过程中需要大量标注数据的支持。这些数据集的质量、多样性和数量直接影响到最终模型的表现效果。 本段落档提供了一套特定应用领域的飞行物检测数据集，该数据集中包含7346张图片，并涵盖了三种类型的飞行物体：“bird”（鸟）、“drone”（无人机）和“plane”（飞机）。此数据集采用了两种主要的格式：VOC格式与YOLO格式。Pascal VOC是一种广泛应用于目标检测任务的数据标注方式，它包括了图像、注释文件以及类别信息文件；而YOLO则适合于实时对象检测系统，并要求所有的注释信息被记录在一个或多个文本段落件中。 数据集的具体结构包含三个主要的子目录：JPEGImages（所有.jpg格式图片）、Annotations（与每张图片对应的.xml格式标注）和labels（.txt格式的目标定位信息）。此外，还有一个classes.txt文档用于指定标签类别的顺序。在该数据集中，“鸟类”有26861个注释框、“无人机”类别为874个、以及“飞机”共有4559个注释框，总共32294个目标。 所有图像的分辨率均达到了清晰标准，并且经过了增强处理以提高模型泛化能力。标签形状采用矩形框的形式，这种形式广泛应用于大多数的目标检测任务中，有助于算法更有效地学习物体边界特征。 这份飞行物数据集为研究和开发高级别的目标检测系统提供了宝贵的资源支持。通过使用这个数据集，研究人员可以训练并评估面向实际应用（如飞行器避障、安全监控等）的模型性能。