皮革缺陷检测数据集采用VOC与YOLO格式的混合数据集包含共3077张图片分为三个类别 zip格式

5星

浏览量: 0

大小:None

文件类型：ZIP

简介：
样本集：将文件放置于服务器供下载，请访问电脑端资源详情页面进行查看，并下载包含JPEG图片及对应VOC与YOLO格式标签文件的数据集。该数据集包含以下内容：JPEG图片文件夹、VOC格式XML标签文件夹以及YOLO格式TXT标签文件夹（不包含分割路径的TXT文件）。具体数据统计如下：JPEG图片数量为3077张；VOC XML标签文件数量为3077个；YOLO TXT标签文件数量为3077个；标注类别共计3种：“cut”、“fold”及“stain”。各类别对应的框数分别为：cut框数2068个、fold框数1723个、stain框数2167个；总框数总计5958个。所有标签制作均遵循《labelImg》软件操作规范，并对类别标注矩形框具有重要性要求。特别提示：本数据集仅提供合理标注服务，并不对训练模型或权重参数的精度作出任何保证，请使用者谨慎对待

全部评论 (0)

还没有任何评论哟~

客服

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

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。

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

虾数据集（VOC格式+Yolo格式），含107张图片，1个类别.zip

优质

本数据集包含107张图像及对应标注文件，涵盖单一目标类别。以VOC与YOLO双格式提供，便于快速集成至各类目标检测项目中使用。在信息技术领域尤其是计算机视觉方面，数据集具有极其重要的作用。“虾数据集VOC格式+yolo格式107张1类别.zip”包含了一个专为检测虾类设计的图像集合，总计有107幅图片，并且这些图像是按照PASCAL Visual Object Classes（VOC）和You Only Look Once（YOLO）两种不同的标准进行标注。首先来看一下PASCAL VOC格式。这是一种广泛应用于计算机视觉领域的数据集类型，主要用于物体识别、分割及检测任务。该格式通常包括图像文件、XML注释文档以及类别定义等组成部分。在虾的数据集中，每个图像的XML文件详细记录了虾的位置和种类信息，这对于训练目标检测模型来说至关重要。接下来是YOLO格式。这是一种实时的目标检测系统，因其高效的性能而受到广泛欢迎。它的标注方式通常为纯文本形式，包含每张图片中所有物体位置及对应的类别标识符。相比于VOC格式的复杂性，这种简洁明了的方式更适合快速处理和应用需求，在虾数据集中同样如此。训练一个目标识别模型（例如基于YOLO或结合使用PASCAL VOC的数据集）通常涉及以下步骤： 1. 数据预处理：根据特定模型的需求调整图像大小、进行归一化等操作。 2. 训练阶段：利用提供的训练集合（本例中为虾的107张图片），通过迭代优化来改进模型参数，从而提高其对目标对象检测的能力。 3. 验证与调优：使用验证集评估当前模型性能，并根据需要调整超参以进一步提升效果。 4. 测试阶段：最后，在未见过的数据上进行测试，确保所训练出来的模型能够良好地泛化到新的场景中。尽管该数据集中仅包含一个类别（即虾），这虽然简化了分类任务的复杂度，但同时也可能限制了模型学习更多样化的特征。然而对于特定的应用领域而言，比如自动识别和计数海鲜产品等场合下，这样的单一类别的训练集已经足够实用且高效。综上所述，“虾数据集VOC格式+yolo格式107张1类别.zip”为研究者们提供了一个宝贵的资源库来开发并测试针对虾的检测算法。无论是出于学术目的还是工业应用考虑，该数据集都能帮助研究人员构建出更加精准、快速的目标识别模型，并应用于诸如海鲜处理或食品安全检查等实际场景中。

[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。

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”。

智慧工厂机械铸件缺陷检测数据集（VOC+YOLO格式，含4270张图片，8个类别）.zip

优质

本数据集包含4270张图片和8种类别的标签，采用VOC与YOLO格式标注，专为智慧工厂机械铸件缺陷检测设计。样本图展示如下：文件存储于服务器，请务必在电脑端查看资源预览或详情后再进行下载。数据集格式：Pascal VOC格式+YOLO格式（不包含分割路径的txt文件，仅包括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）：4270 标注数量（xml文件个数）：4270 标注数量（txt文件个数）：4270 标注类别总数：8 标注类别名称包括： - Casting_burr - Polished_casting - burr - crack - pit - scratch - strain - unpolished_casting

下水管道缺陷检测数据集（含7类标签，1717张图片，YOLO+VOC格式）.zip

优质

本数据集包含1717张图像，涵盖七种类别标签，旨在用于训练和评估下水管道缺陷检测模型。以YOLO及VOC格式提供，便于研究者应用与开发。数据集格式：VOC格式+YOLO格式压缩包内包含三个文件夹： 1. JPEGImages 文件夹存储了 1717 张 JPG 图片。 2. Annotations 文件夹包含了与图片对应的 1717 个 XML 标注文件。 3. labels 文件夹有用于 YOLO 格式的 1717 个 TXT 文本标注文件。标签种类共有七种，分别为：chuanru（穿入）、cuokou（错口）、duiji（堆积）、laji（垃圾）、liefeng（裂缝）、nitu（泥土）和 shugen（树根）。每个类别对应的框数如下： - chuanru 框数 = 328 - cuokou 框数 = 200 - duiji 框数 = 884 - laji 框数 = 610 - liefeng 框数 = 836 - nitu 框数 = 187 - shugen 框数 = 356 总框数量为：3401。图片的清晰度较高，且未经过数据增强处理。标签形状采用矩形框形式以实现目标检测和识别任务。重要说明：暂无其他特别需要声明的内容。请注意，本数据集不保证用于训练模型或生成权重文件时的具体精度表现，仅提供准确合理的标注信息。

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。