Advertisement

华为云垃圾分类比赛的数据集.zip

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


简介:
该数据集是为华为云举办的垃圾分类比赛所准备的资源包,包含了各类垃圾图像及其标签信息,旨在促进智能垃圾分类算法的发展与应用。 数据集来自华为云垃圾分类比赛的资源包。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • .zip
    优质
    该数据集是为华为云举办的垃圾分类比赛所准备的资源包,包含了各类垃圾图像及其标签信息,旨在促进智能垃圾分类算法的发展与应用。 数据集来自华为云垃圾分类比赛的资源包。
  • .zip
    优质
    该数据集为华为云举办的垃圾分类比赛中使用,包含大量标记明确的各种垃圾图片,旨在促进AI技术在环保领域的应用与研究。 数据集来自华为云举办的垃圾分类比赛。
  • 文件.rar
    优质
    该资源为华为云提供的垃圾分类数据集,包含多种分类标签及对应的图片文件,适用于训练图像识别模型以实现智能垃圾分类。 华为云垃圾分类数据.rar
  • 挑战杯决PPT合.pdf
    优质
    本PDF文档收录了华为云举办的垃圾分类挑战杯决赛中各参赛团队的演示文稿,涵盖了创新技术在环保领域的应用与实践。 华为云垃圾分类挑战杯决赛正在进行。
  • 挑战——涵盖40种
    优质
    华为云举办的垃圾分类挑战赛旨在通过技术手段提高公众对环保的认识与参与度,比赛涵盖了包括可回收物、有害垃圾等在内的40种详细分类。参赛者需运用创新思维和AI技术来优化垃圾分类系统,促进可持续发展的生活方式。 在 garbage/ 目录下共有40个文件夹,用于存放相同类别的垃圾图片。这些类别分为四大类: 第一大类:其他垃圾/ - 一次性快餐盒(编号0) - 污损塑料(编号1) - 烟蒂(编号2) - 牙签(编号3) - 破碎花盆及碟碗(编号4) - 竹筷(编号5) 第二大类:厨余垃圾/ - 剩饭剩菜 (编号6) - 大骨头 (编号7) - 水果果皮 (编号8) - 水果果肉 (编号9) - 茶叶渣 (编号10) - 菜叶菜根( 编号11 ) - 蛋壳( 编号12 ) - 鱼骨( 编号13) 第三大类:可回收物/ - 充电宝 (编号14) - 包( 编号15 ) - 化妆品瓶 (编号16) - 塑料玩具( 编号17 ) - 塑料碗盆( 编号18 ) - 塑料衣架( 编号19 ) - 快递纸袋 (编号20) - 插头电线 ( 编号21) - 旧衣服( 编号22 ) - 易拉罐 (编号23 ) - 枕头 (编号24 ) - 毛绒玩具( 编号25 ) - 洗发水瓶 ( 编号26) - 玻璃杯( 编号27 ) - 皮鞋( 编号28 ) - 砧板 (编号29 ) - 纸板箱( 编号30 ) - 调料瓶 ( 编号31) - 酒瓶 ( 编号32) - 金属食品罐( 编号33) - 锅( 编号34 ) - 食用油桶(编号 35 ) - 饮料瓶 (编号36) 第四大类:有害垃圾/ - 干电池 ( 编号37) - 软膏( 编号38) - 过期药物( 编号39)
  • .zip_
    优质
    该资料为垃圾分类相关研究提供支持的数据集合,包含了多种垃圾图片及其分类标签,旨在促进机器学习模型在垃圾分类领域的应用与开发。 垃圾分类数据集
  • .zip
    优质
    该数据集包含各类生活垃圾的详细分类信息,旨在促进垃圾智能识别与管理系统的开发,推动资源的有效回收和环保教育。 垃圾分类数据集适用于训练深度学习模型的垃圾分类系统。该数据集包含超过10000个样本,并且每种分类大约有400张图片,总共约有17500多张图像。由于文件大小较大(总计约为500MB),因此以百度云的形式提供下载链接。
  • Kaggle.zip
    优质
    该数据集为Kaggle平台上的垃圾分类项目资源包,包含各类垃圾图像及其标签信息,适用于训练机器学习模型识别和分类不同类型的废弃物。 该数据集包含图片数据,并分为训练集85%和测试集15%。其中O代表Organic(有机垃圾),R代表Recycle(可回收)。
  • Kaggle.zip
    优质
    该数据集为Kaggle平台上的垃圾分类项目资源,包含大量图像文件及其标签信息,适用于训练机器学习模型以实现自动化垃圾分类。 该数据集包含图片资料,并按85%的比例划分为训练集(Train),剩余15%为测试集(Test)。其中,“O”标识有机垃圾(Organic)类别,而“R”则代表可回收物品(Recycle)类别。
  • 优质
    垃圾分类数据集是一套用于训练机器学习模型识别和分类各类垃圾的数据集合,涵盖多种垃圾类别及大量标注图片。 垃圾分类数据集已经完成了必要的处理工作: 1. 训练集已进行图像增广,请勿再对训练集进行此类操作以避免影响训练效果。 2. 图像尺寸统一为 1280 * 720。 3. 数据集中包含训练集、测试集和验证集。