Advertisement

变电站内火灾检测及电力系统异常状态下的烟雾与明火同时存在的状态检测数据集VOC+YOLO格式140张2类别真实场景下非Photoshop合成.7z

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

简介：

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 电力系统隔离开关状态识别检测数据集（VOC+YOLO格式，含50张图片，2个类别）.7z
    优质
    本数据集包含50张图片及对应标注文件，旨在支持基于VOC与YOLO格式的电力系统隔离开关状态识别研究，涵盖正常和异常两类状态。 数据集格式：Pascal VOC格式+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（jpg文件个数）：50 标注数量（xml文件个数）：50 标注数量（txt文件个数）：50 标注类别数：2 标注类别名称：[close, open] 每个类别标注的框数： - close 框数 = 42 - open 框数 = 8 总框数：50 使用标注工具：labelImg 标注规则：对类别进行矩形框绘制 重要说明：暂无 特别声明：本数据集不对训练模型或权重文件的精度做出任何保证，仅提供准确且合理的标注。
  • 电力场景输电线悬垂线夹检测数据集（VOC+YOLO格式，含2538张图片，2个类别）.7z
    优质
    该数据集包含2538张图像和两个类别的标注信息，以VOC及YOLO格式提供电力场景输电线悬垂线夹的检测数据，支持训练与评估相关识别模型。 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)：2538 标注数量(xml 文件个数)：2538 标注数量(txt 文件个数)：2538 标注类别数：2 标注类别名称:[Yoke,Yoke Suspension] 每个类别标注的框数： Yoke 框数 = 1747 Yoke Suspension 框数 = 6149 总框数：7896 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
  • 电力场景输电线覆冰检测数据集（VOC+YOLO格式）148张1类别.zip
    优质
    文件体积过大，建议暂存在服务器中下载。在下载之前，请先访问资源详情页面，查看并下载所需内容。样本图片链接：https://blog..net/2403_88102872/article/details/143981057。数据集格式：Pascal VOC格式与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）：148。标注数量（xml文件个数）：148。标注数量（txt文件个数）：148。标注类别数：1。标注类别名称：[ice]。每个类别标注的框数：ice类别共有214个框。总框数：214。使用标注工具：labelImg。采用labelImg工具进行标注。标注规则：对类别进行画矩形框。特别说明：本数据集不保证对训练的模型或权重文件精度有任何保证，数据集仅提供准确且合理标注。
  • YOLOv5烟雾火灾检测数据集
    优质
    本数据集专为优化YOLOv5模型设计，包含大量标注的烟雾与火灾图像，旨在提升智能监控系统中对早期火情的识别精度。 该项目提供了一个基于YOLOv5的火焰烟雾检测解决方案，并已经训练完成可以直接使用进行推力测试。 项目特点如下： 1. 包括经过预训练的模型yolov5s-fire_smoke.pt和yolov5m-fire_smoke.pt，可以立即用于推理任务。 2. 提供了包含标记好的烟雾和火焰的数据集，标签格式包括xml和txt两种形式。 3. 如果需要重新训练模型以适应特定需求，也可以进行操作。 4. 使用PyTorch框架编写，并且代码是Python语言的。该项目还配备了基于pyqt开发的应用界面。 整个项目包含了YOLOv5火灾烟雾检测源码、预训练好的权重文件（pt格式）、数据集以及用户友好的图形界面应用，支持视频和图片等多种形式的数据进行推理测试。价格优惠合理，可以放心下载使用。
  • 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。
  • YOLO数据集（含火灾风险场景、火灾和烟雾）
    优质
    YOLO数据集包含多种火灾风险相关的场景图片，涵盖火灾与烟雾等关键要素，旨在提升火灾检测模型的实时性和准确性。 数据集概述：此数据集包含带注释的火灾和烟雾图像，专为在涉及火灾危险的场景中训练对象检测模型而设计。它非常适合用于监视、早期火灾探测系统及环境监测等应用。该数据集以YOLO格式提供清晰的注释，包括两个主要类别：火灾（0）和烟雾（1）。 类别： - 0：火灾 - 包含可见火焰或明显存在火灾区域的图像。 - 1：烟雾 - 在火灾发展的早期阶段或因环境因素而出现烟雾的图像。
  • YOLO火焰与烟雾检测数据集
    优质
    简介：YOLO火焰与烟雾检测数据集是一个专为实时视频中火焰和烟雾识别设计的高质量标注数据集合，适用于训练和评估目标检测算法性能。 该数据集包含用于YOLO火焰和烟雾检测的真实场景高质量图片，使用lableimg软件进行标注，并提供VOC格式和yolo格式的标签文件分别保存在两个不同的文件夹中。这些图像中的火焰和烟雾已经同时被详细标出，共有fire和smoke两类。数据集包含1200张图片，涵盖了多种场景。
  • Matlab火灾火焰与烟雾检测识别系统
    优质
    本系统基于MATLAB开发，专注于火灾中火焰与烟雾的自动检测和识别。通过图像处理技术分析视频或图片数据，及时准确地判断火情，为消防安全提供技术支持。 本设计为基于MATLAB的烟雾火焰火灾识别系统，能够读取视频或图像并检测其中是否有烟雾或火焰。该系统具备一个直观的人机交互式GUI界面，功能强大且识别准确，并配有相应的操作指南和运行效果图，直接运行GUI文件即可顺利使用。此外，对于车牌识别、人脸识别、图象去雾、压缩处理、水印添加及去除、疲劳检测以及人数统计等功能也有技术交流的意愿；同时欢迎探讨声音信号处理方面的相关话题。