Advertisement

DOTA v1.0 遥感航拍目标检测数据集（VOC+YOLO格式，含1713张图片，16个类别）.zip

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

简介：
该数据集为DOTA v1.0版本，包含1713张遥感航拍图像及16类目标标注信息，支持VOC与YOLO格式，适用于目标检测任务研究。 数据集已上传至百度云盘，请下载后通过下载地址.xlsx文件获取下载链接。 重要说明：由于官方数据集中存在部分错误标注（如坐标位置超出图片实际宽高、左上角与右下角坐标不匹配等情况），我们已经使用代码去除了这些错误，因此您在本地打开的数据集中的图片数量可能会低于官方发布的数量。此外，请注意Dota数据集的目标都是小目标，在训练过程中如果mAP值较低属于正常现象，因为小目标的检测难度较大。 数据格式：Pascal VOC + YOLO（不含分割路径的txt文件，仅包含jpg图片、对应的VOC格式xml文件和yolo格式txt文件）。 图片数量(jpg)：1713 标注数量(xml)：1713 标注数量(txt)：1713 类别数：16 更多信息请参考相关博文。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • DOTA v1.0 遥感航拍目标检测数据集（VOC+YOLO格式，含1713张图片，16个类别）.zip
    优质
    该数据集为DOTA v1.0版本，包含1713张遥感航拍图像及16类目标标注信息，支持VOC与YOLO格式，适用于目标检测任务研究。 数据集已上传至百度云盘，请下载后通过下载地址.xlsx文件获取下载链接。 重要说明：由于官方数据集中存在部分错误标注（如坐标位置超出图片实际宽高、左上角与右下角坐标不匹配等情况），我们已经使用代码去除了这些错误，因此您在本地打开的数据集中的图片数量可能会低于官方发布的数量。此外，请注意Dota数据集的目标都是小目标，在训练过程中如果mAP值较低属于正常现象，因为小目标的检测难度较大。 数据格式：Pascal VOC + YOLO（不含分割路径的txt文件，仅包含jpg图片、对应的VOC格式xml文件和yolo格式txt文件）。 图片数量(jpg)：1713 标注数量(xml)：1713 标注数量(txt)：1713 类别数：16 更多信息请参考相关博文。
     
  • 《DOTA v1.0 遥感航拍目标识别数据集》
    优质
    本数据集为DOTA v1.0版本，包含大量遥感图像及其标注信息，适用于航拍场景下的目标检测与识别研究。 YOLO与VOC格式的DOTA v1.0遥感航拍目标识别数据集适用于包括YOLO系列、Faster R-CNN 和 SSD 等模型训练。该数据集中包含15类交通及建筑等目标，具体类别为：[plane, baseball-diamond, bridge, ground-track-field, small-vehicle, large-vehicle, ship, tennis-court, basketball-court, storage-tank, soccer-ball-field, roundabout, harbor, swimming-pool, helicopter]。文件中包括图片、txt标签以及指定类别信息的yaml文件，并已将数据划分为了训练集、验证集和测试集，可以直接用于YOLOv5、YOLOv6、YOLOv7、YOLOv8等系列算法的训练。由于资源超过1G，因此上传至百度网盘分享永久有效链接。
     
  • 滑坡遥感检测数据集(VOC+YOLO格式，含3588张图片，1个类别).zip
    优质
    本数据集提供一套专为滑坡遥感监测设计的图像资源，包含3588张图片及标注信息，并采用VOC和YOLO两种格式，便于深度学习模型训练与应用开发。 遥感技术在滑坡检测中的应用是地质灾害监测的重要组成部分，能够有效提升对滑坡事件的快速响应能力。随着深度学习技术的发展，YOLO（You Only Look Once）算法因其速度快、准确率高的特点，在物体检测领域得到了广泛应用。“遥感滑坡检测数据集VOC+YOLO格式3588张1类别.zip”正是为此设计的数据集，它包含了3588张遥感图像及其标注信息，并专门针对滑坡这一特定类别进行标注。该数据集遵循了VOC（Visual Object Classes）和YOLO两种标准的结构，方便研究者在模型训练和评估中使用。 VOC格式是一种广泛使用的图像标注方式，它定义了一种用于描述图像中的对象位置、大小及类别的XML文件结构。而YOLO格式则简化为文本段落件形式，每行代表一个对象，并包含类别ID以及该对象的中心点坐标、宽度与高度等信息，使得YOLO算法可以直接读取并应用于快速训练。 本数据集旨在用于机器学习和深度学习模型的训练及验证过程。在深度学习领域中，数据集的质量和规模对模型性能有着直接的影响。此数据集中共有3588张图像，为开发一个能够准确识别滑坡现象的深度学习模型提供了充足的样本数量。由于该数据集仅包含一种类别——即滑坡——因此它特别适合用于特定任务场景下的训练工作，并有助于提高模型对于滑坡特征识别的精确度。 通过使用本数据集，研究人员可以研发出更为精准和高效的滑坡检测系统，在实际应用中如灾害预防、城市规划及应急响应等领域发挥关键作用。完成模型训练后，研究者可将其部署于实时监控体系内，利用遥感图像来自动探测潜在的滑坡风险，并及时发出警报以减少可能造成的损失。 鉴于该数据集同时提供了VOC和YOLO两种格式版本供研究人员选择使用：VOC格式以其详细性和规范性在多种图像识别任务中具有良好的通用适用性；而简洁高效的YOLO格式则特别适合于需要实时处理的应用场景之中。 这份“遥感滑坡检测数据集”为提升地质灾害监测与预防能力提供了一个强大的研究平台，有助于促进相关技术的发展，并在实际应用中发挥重要的作用。通过对该数据集的有效利用，可以提高对地质灾害的识别及预警水平，从而更好地支持相关领域的科学研究和决策制定工作。
     
  • 机场跑道检测用遥感数据集（VOC+YOLO格式，含8116张图片，2个类别）.zip
    优质
    本数据集包含8116张图片，旨在用于机场跑道检测任务，支持VOC和YOLO两种格式，涵盖两个类别。有助于提升遥感图像中的目标识别精度与效率。 样本图：请在电脑端资源详情查看并下载文件。 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)：8116 标注数量(xml文件个数)：8116 标注数量(txt文件个数)：8116 标注类别数：2 标注类别名称: [机场, 跑道] 每个类别的框的数量： - 机场 框 数量 = 17251 - 跑道 框 数量 = 27810 总框数量：45061 使用工具：labelImg 标注规则：对类别进行矩形框绘制。 重要说明：暂无。
     
  • 智慧农场农田与农机航拍检测数据集（VOC+YOLO格式，含4596张图片，4个类别）.zip
    优质
    本数据集包含4596张图片，涵盖农田及农机设备的航拍图像，并提供VOC和YOLO两种标注格式，支持四种不同类别的精准识别。 样本图展示在服务器上，请务必通过电脑端资源详情页面查看并下载。 重要提示：数据集的一半经过了增强处理，由于文件超过1GB，建议使用百度云盘进行下载。 **数据格式**： - Pascal VOC 格式 + YOLO 格式（不包含分割路径的txt文件，仅提供jpg图片及对应的VOC格式xml文件和yolo格式txt文件） **图像数量 (jpg 文件个数)**：4596 **标注数量 (xml 文件个数)**：4596 **标注数量 (txt 文件个数)**：4596 **类别总数**：4 具体类别名称及框的数量： - car: 7345 - people: 7958 - tractor: 6177 - van: 7524 总标注数量（所有框）：29004 使用的标签工具为 LabelImg，标注规则是对每个类别进行矩形框标记。 **特别说明**: 提供的数据集不保证训练模型或权重文件的精度，仅确保提供的标注准确且合理。
     
  • 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。
     
  • 远距离小目标仰拍无人机检测数据集（VOC+YOLO格式，含10672张图片，1个类别）.7z
    优质
    该数据集包含10672张图像，专为训练和评估无人机在远距离条件下对小型目标的仰拍识别性能设计。以VOC与YOLO两种格式提供，专注于单一类别检测任务。 数据集格式为Pascal VOC与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：10627张 标注数量(xml文件)：10627个 标注数量(txt文件)：10627个 标注类别数：1类 标注类别名称：visdrone 每个类别中的框数： visdrone 框数 = 10627 总框数：10627 使用工具为labelImg，对类别进行画矩形框。 重要说明：该数据集由大约5段视频截取而成。每张图片都有对应的标注文件。所有照片均为仰拍视角拍摄，并且无人机都是远距离拍摄的小目标，因此更贴合实际场景需求。 更多信息：此为包含10627个样本的远距离小目标仰拍无人机检测数据集，采用VOC+YOLO格式，仅有一个类别。
     
  • 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。
     
  • 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”。