Advertisement

焊接表面缺陷图像的目标检测数据集（YOLOV5目录格式，含10类及训练/验证集）

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

简介：
本数据集采用YOLOV5目录格式，包含10种类别的焊接表面缺陷图像，分为训练和验证两部分，适用于目标检测模型的训练与评估。 项目包含：铝片表面缺陷图像目标检测（4类别），数据集分为训练集、验证集，并按照YOLOV5文件夹结构保存，可直接用于目标检测任务。 图片分辨率为2048*1000的RGB格式，该数据集是焊接表面缺陷的数据集合，包含穿孔、折痕、压痕等十类别缺陷图像。 【数据总大小】918MB（分为训练集和验证集） - 训练集：datasets-images-train 包含 1836 张图片及对应的标签 txt 文件。 - 验证集：datasets-images-val 包含 458 张图片及其对应标签的 txt 文件。 【类别文本段落件】提供了包含所有类别的txt文档，便于识别和分类处理。 为了方便查看数据，项目中提供了一个可视化py脚本。该脚本能随机选取一张图片并绘制边界框，并将结果保存在当前目录下。此脚本无需修改即可直接运行使用。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 焊接表面缺陷图像的目标检测数据集（YOLOV5目录格式，含10类及训练/验证集）
    优质
    本数据集采用YOLOV5目录格式，包含10种类别的焊接表面缺陷图像，分为训练和验证两部分，适用于目标检测模型的训练与评估。 项目包含：铝片表面缺陷图像目标检测（4类别），数据集分为训练集、验证集，并按照YOLOV5文件夹结构保存，可直接用于目标检测任务。 图片分辨率为2048*1000的RGB格式，该数据集是焊接表面缺陷的数据集合，包含穿孔、折痕、压痕等十类别缺陷图像。 【数据总大小】918MB（分为训练集和验证集） - 训练集：datasets-images-train 包含 1836 张图片及对应的标签 txt 文件。 - 验证集：datasets-images-val 包含 458 张图片及其对应标签的 txt 文件。 【类别文本段落件】提供了包含所有类别的txt文档，便于识别和分类处理。 为了方便查看数据，项目中提供了一个可视化py脚本。该脚本能随机选取一张图片并绘制边界框，并将结果保存在当前目录下。此脚本无需修改即可直接运行使用。
  • 齿轮缺陷检测数据集（YOLOV5格式，含3类标签的训练和验证集）
    优质
    本数据集包含用于齿轮缺陷检测的YOLOV5格式图像，涵盖三类标签，提供全面的训练与验证样本，助力高效模型训练。 项目包含：齿轮缺陷检测（3类别），包括训练集与验证集。数据保存遵循YOLOV5文件夹结构，可以直接用于目标检测而无需额外处理。 图像分辨率为800*600的RGB图片，数据集中是单一背景下的红色齿轮缺陷检测，分为表面擦伤、齿轮掉牙和齿轮不足三类。每张图包含多个目标框，适用于小目标或密集区域的检测任务。 【数据集介绍】 - 类别：break（断齿）、lack（缺损）、scratch（划痕） 【数据总大小压缩后】42 MB，分为训练集与验证集。 - 训练集(datasets-images-train)包含2382张图片和对应的标签txt文件共2382个 - 验证集(datasets-images-val)包括596张图片及相应的标签txt文件共596个 【类别文本信息】提供了描述三类缺陷的txt文档。 为了便于查看数据，项目中包含一个可视化py脚本。只需随机提供一张图像即可绘制边界框，并保存在当前目录下。该脚本无需修改可以直接运行以生成可视化的结果。
  • 宫颈癌检测的医学数据集（YOLOV5目录格式，含1个类别及训练和验证集）
    优质
    这是一个采用YOLOv5目录结构设计的宫颈癌检测用医学图像数据集，包含单一目标类别及其对应的训练与验证子集。 项目包含宫颈癌检测数据集（1类别），包括训练集和验证集。数据保存遵循YOLOV5文件夹结构，可以直接用于目标检测任务而无需额外处理。 图像分辨率为1000-4000像素的RGB图片，涵盖宫颈癌病状检测，边界框标注清晰且完整。由于这些高分辨率图像是为了适应小目标范围内的检测需求设计的。 数据集包含一个类别：cancer 压缩后的总大小为615MB（分为训练集和验证集）： - 训练集包括816张图片及对应的816个标签txt文件 - 验证集包括216张图片及对应的216个标签txt文件 提供了一个可视化py脚本，可以随机选取一张图像并绘制边界框，并将其保存在当前目录下。此脚本无需修改即可直接运行以查看效果。
  • 焊接件表面缺陷数据集VOC+YOLO格式2292张10类别
    优质
    焊接件表面缺陷检测是工业领域中不可或缺的质量控制环节。随着计算机视觉技术的快速发展，特别是深度学习在图像识别领域的广泛应用，目标检测技术已成为实现自动化检测 welding 接口缺陷的有效手段。基于此背景需求，本数据集应运而生。该数据集主要采用 Pascal VOC 与 YOLO 两种标准的标注格式，包含共计2292张 jpg 格式的图片。每张图片均经过精确标注，其中标注内容涵盖10种典型焊接件表面缺陷类型。每个图像不仅配有相应的 annotation 文件，具体而言，VOC 格式数据集提供2292个 xml 文件，YOLO 格式则提供2292个 txt 文件。这些 annotation 文件详细记录了缺陷位置及其类别信息。整个数据集总计包含3563个 bounding box 标记，覆盖10种不同缺陷类型。具体分布如下：折痕（crease）74个、月牙形间隙（crescent_gap）265个、夹杂（inclusion）347个、油斑（oil_spot）569个、冲孔（punching）329个、轧制坑（rolled_pit）85个、丝痕（silk_spot）884个、腰部折皱（waist_folding）143个、水斑（water_spot）354个以及焊缝线（welding_line）513个。在注释数据集的过程中，研究者主要依赖 labelImg 这一通用图像标注工具，通过绘制矩形框并分配类别标签完成标注操作，并将相关信息存储至相应 annotation 文件中。具体步骤包括：首先打开图片，随后在图像上绘制相应的矩形框，并为每个框分配具体的类别标签。保存标注信息到 xml 或 txt 文件。需要注意的是，该数据集仅提供经过精准标注的图片资源，无法保证训练出模型后达到的高度精度。因此，在实际应用中，研究者需自行完成模型训练并对其效果负责。尽管如此，本数据集所包含的高质量标注图片依然具备极高的实用价值。它不仅能够帮助相关领域的研究者和工程师节省大量标注时间和成本，更能加速目标检测算法的发展进程。更重要的是，该数据集为计算机视觉与深度学习技术在工业缺陷检测中的应用提供了强有力的技术支撑。通过本数据集，研究人员可更高效地训练和测试目标检测算法，并进一步推动相关技术在工业领域的深入发展和创新。对于那些致力于提升生产效率和产品质量的企业而言，该数据集同样展现出显著的应用潜力。
  • 香烟破损检测数据集（YOLOV5格式，含6类及训练/验证集）
    优质
    这是一个专为YOLOv5设计的香烟破损检测数据集，包含六种类别标签和独立的训练、验证数据子集，适用于图像识别与缺陷检测任务。 项目包含香烟破损检测的数据集（6个类别），包括训练集与验证集，并按照YOLOV5文件夹结构保存，可直接用于目标检测任务而无需额外处理。 图像分辨率为3024*4032的大尺度RGB图片，数据集中包含了各种香烟破损缺陷的样本。该数据集分为六个类别：头部破损、滤嘴破损等六类。 【数据集介绍】 - 数据总大小为388MB（训练集和验证集分开） - 训练集包含320张图像及对应的标签txt文件 - 验证集中有80张图像及其相应的标签txt文件 为了便于查看，提供了一个可视化py脚本。该脚本能随机选取一张图片并绘制边界框，并将结果保存在当前目录下。此脚本无需修改即可直接运行。
  • 烟草叶片病害的Yolov5目标检测数据集（含15类及训练/验证集）
    优质
    本数据集包含15种类别的烟草叶片病害图像，采用YOLOv5框架进行目标检测模型训练与验证，适用于深度学习研究和应用。 项目包含烟草叶片病害检测的数据集（15类别），该数据集包括训练集与验证集，并按照YOLOV5文件夹结构进行保存，可以直接用于目标检测任务而无需额外处理。 图像分辨率为640*640的RGB图片，每个图片都有清晰标注的目标边界框且无任何遮挡。烟草叶片病害的数据集中包含15种不同的类别：蛀虫、霉菌、细菌斑点等。 数据集压缩后的总大小为134MB，分为训练集和验证集两个部分。 - 训练集（datasets-images-train）包括2246张图片及其对应的标签txt文件； - 验证集（datasets-images-val）则包含211张图像及相应的标签。 此外还提供了一个用于可视化的py脚本，用户可以随机选取一张图片输入该脚本来绘制边界框，并保存到当前目录。此可视化工具无需任何修改即可直接运行并查看结果。
  • 目标检测数据集（YOLOV5目录格式）：针对安检机X光扫描图像的物品分类数据集（含10类）
    优质
    本数据集专为安检机X光扫描图像设计，包含10种类别的物品分类信息，采用YOLOv5标准目录结构，便于目标检测模型训练与应用。 项目包括一个用于X光扫描下包内物品目标检测的数据集（10类别），该数据按照YOLOV5文件夹结构保存，可以直接使用而无需额外处理。 图像分辨率为300-500像素的RGB图片，这些图像是通过机场或高铁站安检机对行李进行X射线扫描后生成的物体检测样本。 【数据集介绍】 此数据集包含10个类别：剪刀、充电宝、手机等。 【总大小】378 MB 该数据集分为训练集和验证集： - 训练集（datasets-images-train）包括2880张图片及对应的2880个标签txt文件 - 验证集（datasets-images-val）包含720张图片及相应的720个标签txt文件 此外，还提供了一个检测类别的字典文本段落件。 为了方便查看数据，我们提供了可视化py脚本。该脚本可以随机选取一张图片并绘制边界框，并将结果保存在当前目录下。此脚本无需修改即可直接运行。
  • 目标检测数据集的TXT格式划分（训练集、验证集、测试集）
    优质
    本文介绍了如何将目标检测的数据集按照标准的比例划分为训练集、验证集和测试集，并以TXT文件的形式存储各自包含的图片ID，便于模型训练与评估。 目标检测数据集划分可以通过txt格式进行（训练集、验证集、测试集），只需填写绝对路径即可将图片和标签划分为所需部分。注意，标签文件应为txt格式。