Advertisement

航拍屋顶检测数据集（VOC+YOLO格式）共458张，3个类别压缩包

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：7Z

简介：
数据集格式为Pascal VOC与YOLO格式结合使用（不考虑分割标签的txt文件）；图片总数（jpg文件数目）：458张；类别标签总数（xml文件数目）：458条；类别标签总数(txt文件数目)：458条；类别数量：3个，具体为屋顶类、屋顶部分遮挡类及不确定类型屋顶类。其中，屋顶类边界框数为2,451个，屋顶部分遮挡类边界框数为349个，不确定类型屋顶类边界框数为89个。总边界框数目共计2,889个；采用的标注工具是LabelImg软件；标注规则要求对各个类别进行边界框绘制操作；特别说明：本数据集不对训练过程中的模型或权重文件精度作出任何保证，仅提供准确合理的标签配置

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 三轮车俯视航拍数据集（含遮阳伞）VOC+YOLO格式，共5756张图片，3个类别.7z
    优质
    本数据集包含5756张图像，涵盖三轮车及其遮阳伞的详细信息，以VOC和YOLO两种标注格式呈现，适用于目标检测任务。 重要提示：此数据集包含航拍小目标三轮车图像，并经过部分增强处理，请在下载前查看图片预览确认符合要求。请注意，由于小目标通常较难训练，因此初始阶段的模型精度可能偏低是正常现象，只要能检测到目标即可。 样本图片请参考相关博文。 数据格式：Pascal VOC + YOLO（不包含分割路径的txt文件，仅包括jpg图像和对应的VOC xml及YOLO txt标注）。 图片数量(jpg)：5756 标注数量(xml)：5756 标注数量(txt)：5756 类别数：2 类别名称： awning-tricycle 框数 = 8260 tricycle 框数 = 12017 总框数：20,277
  • VOC+YOLO格式的排污口检测数据集（405张图片，3个类别）.zip
    优质
    本数据集包含405张图像和三个排污口相关类别标签，采用VOC与YOLO双格式标注，旨在提升排污口自动化检测效率与精度。 文件较大，请在服务器上下载，并务必查看资源详情后再进行下载。 数据集格式为Pascal VOC与YOLO格式（不含分割路径的txt文件），仅包含jpg图片、VOC格式xml文件及yolo格式txt文件。 - 图片数量：405张（jpg） - 标注数量：810个（xml和txt各405个） - 类别数：3 - EmptyPipe: 矩形框计数 = 100 - SewagePipe: 矩形框计数 = 374 - WaterPipe: 矩形框计数 = 65 总计矩形标注数量为539。 使用工具：labelImg，规则是对每个类别进行矩形框标注。 重要说明：暂无。
  • 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。
  • 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。
  • 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”。
  • 齿轮瑕疵检测数据集（VOC+YOLO格式），含2978张图片，3个类别.7z
    优质
    本数据集提供了一个包含2978张图片的齿轮瑕疵检测资源库，采用VOC与YOLO双格式标注，涵盖三种不同类型的缺陷。 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)：2978 标注数量(xml文件个数)：2978 标注数量(txt文件个数)：2978 标注类别数：3 标注类别名称:[break, lack, scratch] 每个类别标注的框数： - break 框数 = 1000 - lack 框数 = 980 - scratch 框数 = 4317 总框数：6297 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。
  • 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。