Advertisement

电力行业高空作业安全带检测数据集(VOC+YOLO格式,含147张图片,4个类别).7z

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


简介:
该数据集包含147张图像和4种类别标签,采用VOC及YOLO格式标注,专为电力行业高空作业安全带识别与检测设计,助力提升相关领域AI训练精度。 数据集格式为Pascal VOC和YOLO格式(不含分割路径的txt文件)。包含147张jpg图片、对应的VOC格式xml文件以及yolo格式txt文件各147个,标注类别有4种:aqd_wpd(安全带未佩戴)、aqd_wzqpd(安全带未正确佩戴)、aqd_zqpd(安全带正确佩戴)和gkzy_yrjh(高空作业有人监护)。具体框数为: - aqd_wpd: 47个 - aqd_wzqpd: 49个 - aqd_zqpd:51个 - gkzy_yrjh:1个 总标注框数量为148。使用labelImg工具进行矩形框标注,确保每个类别的准确性和合理性。 请注意,本数据集不对训练模型或权重文件的精度提供任何保证;我们仅提供精确且合理的标注信息。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • VOC+YOLO1474).7z
    优质
    该数据集包含147张图像和4种类别标签,采用VOC及YOLO格式标注,专为电力行业高空作业安全带识别与检测设计,助力提升相关领域AI训练精度。 数据集格式为Pascal VOC和YOLO格式(不含分割路径的txt文件)。包含147张jpg图片、对应的VOC格式xml文件以及yolo格式txt文件各147个,标注类别有4种:aqd_wpd(安全带未佩戴)、aqd_wzqpd(安全带未正确佩戴)、aqd_zqpd(安全带正确佩戴)和gkzy_yrjh(高空作业有人监护)。具体框数为: - aqd_wpd: 47个 - aqd_wzqpd: 49个 - aqd_zqpd:51个 - gkzy_yrjh:1个 总标注框数量为148。使用labelImg工具进行矩形框标注,确保每个类别的准确性和合理性。 请注意,本数据集不对训练模型或权重文件的精度提供任何保证;我们仅提供精确且合理的标注信息。
  • 考场VOC+YOLO44134).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。
  • 表面工瑕疵VOC+YOLO4004).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。
  • 轮胎瑕疵VOC+YOLO),21544.7z
    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。
  • 游泳者溺水VOC+YOLO82754).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。
  • 发动机缺陷VOC+YOLO),2914.7z
    优质
    本数据集包含291张图片及四个类别的标注信息,采用VOC与YOLO格式存储,专为训练航空发动机缺陷检测模型设计。 数据集格式采用Pascal VOC与YOLO两种格式结合的方式(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)。 图片数量:291张 标注数量:291个(包括xml和txt文件) 标注类别总数为4种: 标注类别名称分别为:“crease”、“damage”、“dot”、“scratch”。
  • 设备漏油VOC+YOLO338,1).7z
    优质
    这是一个包含338张图像的数据集,用于电力设备漏油的视觉对象检测任务,采用VOC和YOLO兼容格式,专注于单一类别识别。 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):338 标注数量(xml文件个数):338 标注数量(txt文件个数):338 标注类别数:1 标注类别名称:[oil] 每个类别标注的框数: oil 框数 = 372 总框数:372 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。
  • 拐杖(VOC+YOLO2778,1).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。
  • 铁受VOC+YOLO),包1245,2.7z
    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。