Advertisement

口罩佩戴规范检测数据集 4000张左右 适用于人工智能与机器学习 VOC标注

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

简介：
本数据集包含约4000张图片，专为AI和机器学习设计，涵盖多种场景下的口罩佩戴情况，采用VOC格式标注，有助于开发精准的面部识别及防护监测系统。 目标检测之口罩数据集采用VOC格式：JPEGImages文件夹保存图片；Annotations文件夹包含与每张图片对应的XML标注文件，用于记录目标检测的信息。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 口罩佩戴规范检测数据集 4000张左右 适用于人工智能与机器学习 VOC标注
    优质
    本数据集包含约4000张图片，专为AI和机器学习设计，涵盖多种场景下的口罩佩戴情况，采用VOC格式标注，有助于开发精准的面部识别及防护监测系统。 目标检测之口罩数据集采用VOC格式：JPEGImages文件夹保存图片；Annotations文件夹包含与每张图片对应的XML标注文件，用于记录目标检测的信息。
     
  • 口罩佩戴规范识别 数据集 3000张左右 AI与机器学习 VOC标注
    优质
    本数据集包含约3000张图片，旨在训练AI及机器学习模型识别公众在不同情境下是否正确佩戴口罩，采用VOC格式进行标注。 口罩规范佩戴识别检测数据集包含约3000张图片，适用于人工智能与机器学习领域，并采用VOC标注格式。
     
  • 口罩佩戴规范识别 数据集 6000张左右 全网最全面 适用于人工智能与机器学习 VOC标注
    优质
    本数据集包含约6000张图片，涵盖各类口罩佩戴情况，提供详尽VOC格式标注，助力研发精准的AI及机器学习模型。 目标检测之口罩检测数据集采用VOC格式：JPEGImages文件夹包含图片；Annotations文件夹存储与图片对应的XML标注文件。每个XML文件对应一张图像中的目标物体的标注信息。
     
  • 口罩正确佩戴检测数据集 约1000张图片 适用于AI与机器学习 YOLO格式标注
    优质
    本数据集包含约1000张图像，专为训练和测试AI及机器学习模型在检测口罩正确佩戴情况方面的性能而设计，采用YOLO格式标注。 该数据集包含约1000张图片，用于训练人工智能模型识别口罩规范佩戴情况。这些图片采用YOLO格式进行标注，并适用于机器学习算法的训练与检测任务。
     
  • 关于佩戴口罩、未佩戴口罩和不规范佩戴口罩的数据及对应的.xml标签
    优质
    本资料分析了在不同情境下人们佩戴口罩的行为情况，并提供了对应于佩戴、未佩戴以及不规范佩戴口罩的相关数据及其XML标签，便于进一步的数据处理与应用。 我们有一个包含约3000张图片的数据集，这些图片展示了佩戴口罩、未佩戴口罩以及不规范佩戴口罩的情况，并且每张图片都配有对应的.xml标签文件。
     
  • 人脸佩戴口罩的人工智能识别数据集
    优质
    本数据集专为训练和评估人脸识别算法在佩戴口罩情况下的性能而设计，包含大量标注图像，旨在促进疫情期间及以后的相关技术研究。 基于口罩人脸数据设计相应的算法来检测和识别被口罩遮挡的人脸。该技术可以应用于社区封闭管理下的人员进出管控、车站与机场的人脸识别闸机系统以及带有人脸识别功能的门禁考勤设备，以适应佩戴口罩的情况。
     
  • 口罩识别数据集，用于检测用户是否佩戴口罩
    优质
    本数据集专为训练和测试机器学习模型而设计，旨在精准识别个体是否佩戴口罩，助力公共安全与健康监控系统。 口罩数据集用于检测用户是否佩戴口罩。
     
  • 口罩规范佩戴识别的 人工智能 项目答辩PPT
    优质
    本项目利用人工智能技术开发了一种自动检测系统，能够有效识别并评估人们在公共场合是否正确佩戴了口罩。通过此系统可以提高公众对疫情期间卫生规定的遵守程度，保障公共卫生安全。 人工智能口罩规范佩戴识别项目答辩PPT目标检测之口罩检测 该项目旨在利用人工智能技术进行口罩规范佩戴的识别与检测，通过制作相关的演示文稿（PPT）来展示在目标检测领域中针对口罩的具体应用研究和技术实现过程。
     
  • 人体佩戴口罩检测实战
    优质
    本项目专注于研究和开发高效的算法模型，用于准确识别并分析人类在公共场合佩戴口罩的情况，旨在提高公共卫生安全水平。 《人体口罩佩戴检测实战》 本教程主要探讨如何运用深度学习模型YOLOv3来实现对人体是否正确佩戴口罩的检测，在2020年全球爆发新型冠状病毒背景下，这一技术对于公共场所防疫工作具有重要意义。我们将详细介绍从数据集准备、模型训练到实际应用的全过程。 首先明确使用的开发环境。项目基于Python 3.7.4版本，并利用Tensorflow-GPU 1.14.0和Keras 2.2.4这两个深度学习库进行开发。本教程采用一个包含约1k张图片的数据集，这些数据是从互联网收集并整理的。 在准备训练所需的数据过程中，需要按照PASCAL VOC的标准格式组织数据集，包括ImageSets、Annotations以及JPEGImages三个子目录。其中，ImageSets用于存放数据列表文件；Annotations保存每一张图像对应的XML标签信息；JPEGImages则存储实际图片内容。为了生成这些必要的文件和结构，可以使用voc2yolo3.py脚本。 接下来是准备YOLOv3训练所需的数据集格式。在项目根目录下运行python voc_annotation.py命令来创建所需的标注文件。此步骤会输出包含图像信息及其口罩佩戴标签的文件，这是训练模型不可或缺的部分。 开始训练YOLOv3时，首先需要下载预训练权重，并通过convert.py脚本将darknet配置与权重转换为Keras可读取的h5格式。完成转换后运行train.py启动正式训练流程，在此期间可以根据实际情况调整如学习率和批次大小等参数以优化模型性能。 在训练结束后进行验证测试环节，对于单张图片检测任务，需要修改yolo.py中的模型路径指向已训练好的权重文件，并执行predict_img.py脚本。若要实现摄像头输入的实时口罩佩戴监控，则运行predict_video.py即可实现在电脑上对视频流中的人脸是否佩戴口罩情况进行识别。 通过此教程不仅掌握了YOLOv3在人体口罩检测的应用，还学习到了数据预处理、模型训练及测试的整体流程，这对于开展其他目标检测任务也具有重要的参考价值。
     
  • 无重复图像的口罩佩戴目标检测数据集
    优质
    本数据集专注于提供多样化的口罩佩戴场景图像，确保每张图片的独特性，旨在提升机器学习模型在不同环境下准确识别佩戴口罩情况的能力。 该数据集包含7193张已标注的口罩图片，分为戴口罩、未戴口罩以及没戴好口罩三类，并已经转换为YOLO格式。可以直接用于训练YOLO系列的目标检测算法。所有图像均不重复且非通过数据增强生成的数据集，可用于后续进行数据增强处理。此外，文件结构清晰明了，便于进一步的拆分与使用。