Advertisement

VOC+YOLO格式的流水线包裹检测数据集（145张图片，4个类别）.7z

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

简介：
这是一个包含145张图像的数据集，采用VOC和YOLO格式，专为训练和评估机器学习模型在包裹检测任务中的性能而设计。含四个不同的包裹类别。 数据集格式：Pascal VOC格式+YOLO格式（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）：145 标注数量（xml文件个数）：145 标注数量（txt文件个数）：145 标注类别数目：4 标注类别名称为:[bag, bigbox, box, longbox] 每个类别的框的数量： - bag: 238个框 - bigbox: 19个框 - box: 309个框 - longbox: 9个框 总框数：575 使用标注工具：labelImg 标注规则：对类别进行画矩形框

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • VOC+YOLO格式的流水线包裹检测数据集（145张图片，4个类别）.7z
    优质
    这是一个包含145张图像的数据集，采用VOC和YOLO格式，专为训练和评估机器学习模型在包裹检测任务中的性能而设计。含四个不同的包裹类别。 数据集格式：Pascal VOC格式+YOLO格式（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）：145 标注数量（xml文件个数）：145 标注数量（txt文件个数）：145 标注类别数目：4 标注类别名称为:[bag, bigbox, box, longbox] 每个类别的框的数量： - bag: 238个框 - bigbox: 19个框 - box: 309个框 - longbox: 9个框 总框数：575 使用标注工具：labelImg 标注规则：对类别进行画矩形框
  • 游泳者溺水检测数据集（VOC+YOLO格式，含8275张图片，4个类别）.7z
    优质
    本数据集包含8275张图片，旨在通过VOC和YOLO格式识别四种不同类型的潜在溺水事件，以帮助开发游泳者溺水检测系统。 数据集格式采用Pascal VOC与YOLO两种格式存储（不含分割路径的txt文件），仅包含jpg图片及其对应的VOC格式xml文件和yolo格式txt文件。 - 图片数量：8275张 - 标注数量： - xml文件个数：8275份 - txt文件个数：8275份 标注类别共有4种，分别为： 1. Drowning 2. Drowning-headdown 3. Person out of water 4. Swimming 各类别的具体框数如下： - Drowning 框数 = 8835 - Drowning-headdown 框数 = 4 - Person out of water 框数 = 477 - Swimming 框数 = 5383 总计标注框数量为：14699个。 使用工具：labelImg 重要说明： 由于溺水图片较难获取，数据集中超过80%的图片是经过增强处理而来，并且大部分图像分辨率较低，请谨慎考虑是否下载。
  • 室内积水检测数据集（VOC+YOLO格式），包含761张图片，1个类别.7z
    优质
    本数据集提供761张室内图像用于积水检测，采用VOC和YOLO双格式存储，专注于单一目标类别——积水区域的识别与标注。压缩包为7z文件格式。 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)：761 标注数量(xml文件个数)：761 标注数量(txt文件个数)：761 标注类别数：1 标注类别名称:[jishui] 每个类别标注的框数： jishui 框数 = 902 总框数：902 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。
  • 轮胎瑕疵检测数据集（VOC+YOLO格式），含2154张图片，4个类别.7z
    优质
    本数据集包含2154张图像，用于轮胎瑕疵检测，支持VOC和YOLO格式，涵盖四种不同类型缺陷，适用于训练高效的瑕疵识别模型。 数据集采用Pascal VOC格式与YOLO格式（不含分割路径的txt文件），仅包含jpg图片及其对应的VOC格式xml文件和yolo格式txt文件。 总共有2154张图片，每一张都有相应的标注文件。 - 使用了四种不同的类别进行标注：debris、ground、side 和 side_cut。 - 各类别的具体框数如下： - debris: 1599个 - ground: 564个 - side: 188个 - side_cut: 493个 总计标注了2844个边界框。 使用的标注工具为labelImg。
  • 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。
  • 考场作弊行为检测数据集（VOC+YOLO格式，含4413张图片，4个类别）.7z
    优质
    本数据集包含4413张图像，用于识别考试中的作弊行为，采用VOC和YOLO格式标注，涵盖4种类别，适用于训练检测模型。 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)：4413 标注数量(xml文件个数)：4413 标注数量(txt文件个数)：4413 标注类别数：4 标注类别名称:[Cheatcode,Cheating,NonCheating,mobiledetrction] 每个类别标注的框数： - Cheatcode 框数 = 428 - Cheating 框数 = 8730 - NonCheating 框数 = 4022 - mobiledetrction 框数 = 3611 总框数：16791 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。
  • 铝片表面工业瑕疵检测数据集（VOC+YOLO格式，含400张图片，4个类别）.7z
    优质
    本数据集包含400张图像及对应的标注文件，适用于铝片表面瑕疵检测任务。采用VOC与YOLO双格式存储，涵盖裂纹、划痕等4种常见缺陷类型。 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）：400 标注数量（xml文件个数）：400 标注数量(txt文件个数)：400 标注类别数：4 标注类别名称: [ca_shang, zang_wu, zhe_zhou, zhen_kong] 每个类别标注的框数： - ca_shang 框数 = 270 - zang_wu 框数 = 456 - zhe_zhou 框数 = 124 - zhen_kong 框数 = 212 总框数：1062 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。
  • 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。
  • 高铁受电弓检测数据集（VOC+YOLO格式），包含1245张图片，2个类别.7z
    优质
    本数据集提供针对高铁受电弓的图像识别资源，包括1245张图片及对应标注，支持VOC和YOLO两种格式，涵盖2种类别。 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图片及其对应的VOC格式xml文件和yolo格式txt文件） 图片数量（jpg文件个数）：1245 标注数量（xml文件个数）：1245 标注数量（txt文件个数）：1245 标注类别数：2 标注类别名称：[roi, sdg] 每个类别标注的框数： - roi 框数 = 1245 - sdg 框数 = 1245 总框数：2490 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。
  • 小麦病害检测数据集（VOC+YOLO格式），含899张图片，12个类别.7z
    优质
    本数据集包含899张图片及12种类别的小麦病害标注信息，同时提供VOC和YOLO两种格式文件，便于模型训练与检测。 数据集采用Pascal VOC格式与YOLO格式（不含分割路径的txt文件），仅包含jpg图片及其对应的VOC格式xml文件及yolo格式txt文件。 - 图片数量：899张 - 标注数量（xml文件）：899个 - 标注数量（txt文件）：899个 标注类别包括12种，具体如下： - CrownAndRootRot 框数 = 268 - HealthyWheat 框数 = 282 - LeafRust 框数 = 131 - PowderyMildew 框数 = 323 - WheatAphids 框数 = 173 - WheatCystNematode 框数 = 103 - WheatLooseSmut 框数 = 171 - WheatRedSpider 框数 = 182 - WheatScab 框数 = 300 - WheatSharpEyespot 框数 = 105 - WheatStalkRot 框数 = 136 - WheatTake-all 框数 = 117 总框数：2291个。 使用标注工具为labelImg，规则是对类别进行矩形框标注。