YOLO 数据集：用于汽车车身缺陷检测，包含预先划分的数据集、类别定义文件以及数据可视化脚本。

5星

浏览量: 0

大小:None

文件类型：ZIP

简介：
数据存储将遵循YOLOV5文件夹的组织结构，从而可以直接用于进行YOLO检测任务。标注规范采用指定类别、中心点坐标（x_centre）、中心点纵坐标（y_centre）、宽度（w）和高度（h），这些参数均采用YOLO相对坐标系统进行表示。类别数量（17）：包括车身面板凹痕、车门外部凹痕以及后保险杠凹痕等多种情况。数据被划分为训练集和验证集，具体如下：训练集数据集名为 datasets-images-train，包含2391张图片和对应的2391个标签txt文件；验证集数据集名为 datasets-images-val，则包含680张图片以及相应的680个标签txt文件。该文本属于“txt类别文本文件”标签，并采用txt格式。为了便于数据浏览和分析，我们设计并提供了可视化Python文件，只需随机输入一张图片，即可自动绘制出边界框并将其保存至当前工作目录。该脚本无需用户进行任何修改，可以直接执行以生成可视化的图像效果。 Yolov5的实践改进：通过对Yolov5模型的深入调整和实际应用，旨在提升其性能表现。该资源涵盖了相关技术的详细阐述和操作步骤，为读者提供了一个全面的学习和探索平台。

全部评论 (0)

还没有任何评论哟~

客服

YOLO 数据集：货架商品布局检测【含划分数据集、类别文件及数据可视化脚本】

优质

简介：该数据集专注于使用YOLO算法进行货架商品布局检测，包含详细的数据划分、类别定义以及用于数据分析和可视化的实用脚本。项目包含货架商品摆放检测的相关内容：划分好的数据集、类别class文件以及用于数据可视化的脚本。这些数据按照YOLOV5的文件夹结构保存，可以直接用作目标检测的数据集，无需额外处理。图像分辨率为640*640的大分辨率RGB图片，涵盖商品零售架上的商品状态（如是否有货或摆放是否倾斜等）。标注信息完整，并且每张图中包含多个需要识别的目标。部分图像进行了增强处理，包括椒盐噪声和马赛克拼接两种方式。数据集的类别有三种：1. 有货；2. 空的；3. 商品摆放错误。整个数据集压缩后的大小为228 MB，分为训练集和验证集： - 训练集（datasets-images-train）包含2104张图片及对应的标签txt文件； - 验证集（datasets-images-val）则有152张图片及其标签。此外还提供了类别信息的文本段落件，方便查看。为了更好地了解数据情况，项目中还包括一个可视化脚本。只需随机传入一张图即可绘制边界框，并保存在当前目录下。此脚本无需做任何更改，可以直接运行以进行图像可视化操作。

YOLO 数据集：九种岩石检测【含划分好的数据集、类别Class文件及数据可视化脚本】

优质

该资料提供了一个专为九种不同岩石类型设计的YOLO数据集，包括预划分的数据集、类别定义文件以及用于数据可视化的Python脚本。项目包含：9种岩石检测【包括划分好的数据集、类别class文件、数据可视化脚本】，数据保存按照YOLOV5的格式存储，可以直接用作目标检测的数据集，无需额外处理。图像分辨率为640*640的大分辨率RGB图片，涵盖各种各样的岩石样本。对原始图像进行了马赛克增强（即四张图片融合在一起），标注完整且每张图包含多个目标物体。标签格式为：类别、x中心点坐标、y中心点坐标、宽度和高度（YOLO的相对坐标）。【数据集类别】9种类型：玄武岩、石灰岩、沉积岩等【数据分组】 - 训练集(datasets-images-train)包含12501张图片及对应的标签文件。 - 验证集(datasets-images-val)包括1104张图片和相应的标签文件。项目还提供了类别信息的txt文本，方便分类识别。为帮助用户更好地理解数据集内容，我们提供了一个可视化脚本（py文件），只需输入一张图像即可绘制出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图。

YOLO 数据集：鱼类疾病图像识别【含预划分数据集、类别文件及可视化脚本】

优质

这是一个用于鱼类疾病的图像识别的数据集，包含已分类的图片和可视化工具，旨在帮助研究者进行模型训练与验证。 YOLO 数据集：鱼身上疾病图像目标检测【包含划分好的数据集、类别class文件、数据可视化脚本】该数据集按照YOLOV5文件夹结构保存，可以直接用于yolo模型训练。类别个数（5）：细菌性疾病、真菌性疾病、健康鱼、寄生虫病、白尾病【具体参考classes文件】数据结构如下： - 训练集包含约720张图片和对应的标签txt文件。 - 验证集包括大约100张图片及其对应标签的txt文件。 - 测试集中有约100张图片及相应的标签txt文件。为了方便查看数据，提供了可视化py脚本。只需随机传入一张图像即可绘制边界框，并且保存在当前目录中。此脚本无需修改，可以直接运行以生成可视化图像。

YOLO 数据集: 家具检测(3类)，包括划分好的数据集、类别class文件和数据可视化脚本

优质

数据采用YOLOV5指定文件夹存储，在实际应用中可以直接用于YOLo模型检测工作流程。具体而言，在该系统中所有标注信息均遵循以下格式：类别名称为classes；坐标参数包括x_centre、y_centre、宽度w和高度h（均为YOLo的相对坐标）。这些标注信息被系统划分为训练集和验证集两部分进行处理。其中训练集中包含来自datasets-images-train目录下的528张图片及其对应的528份标签文件；而验证集中则包含来自datasets-images-val目录下的161张图片及其对应的161份标签文件。为了便于直观查看数据分布情况，在当前目录中提供了可视化py脚本（完整代码可参考https://blog..net/qq_44886601/category_12605353.html），通过随机加载一张测试图片即可实时显示预测边界框位置，并将其结果图像保存在当前工作目录中。

YOLO 数据集：水稻稻穗识别（1类）【含划分好数据集、类别文件及数据可视化脚本】

优质

该资源提供了一个专门用于水稻稻穗识别的数据集，包含完整的标注图像和类别定义，并附带数据可视化工具。数据保存按照YOLOV5文件夹结构进行组织，可以直接用于Yolo检测。标注格式如下：classes、x_centre、y_centre、w、h（使用的是YOLO的相对坐标系统）。【数据集类别】包含1个类别：稻穗该数据集分为训练集和验证集： - 训练集(datasets-images-train)包括6108张图片及对应的6108个标签txt文件。 - 验证集(datasets-images-val)则有530张图片及其相应的530个标签txt文件。【类别文本段落件】：每个类别的标注信息都保存在单独的.txt格式文档中，方便查看和管理。为了便于直观地检查数据情况，我们提供了一个可视化py脚本。只需随机选取一张图像作为输入参数即可绘制出边界框，并将其保存至当前工作目录下。此脚本无需任何修改就可以直接运行以生成可视化的图像结果。对于YOLOV5的改进与实战应用相关内容，请参考相关博客文章或官方文档获取更多信息。

YOLO 数据集：瓷砖裂缝识别与检测（含2类分类）【内附划分好的数据集、类别文件及数据可视化脚本】

优质

本项目提供了一个用于瓷砖裂缝识别的数据集，包含两类分类标签。数据集已划分为训练集和测试集，并配有类别文件及数据可视化脚本，便于快速上手使用。 1700 张左右使用lableimg标注软件进行标记的图片，格式为png，标签以txt文本形式保存在不同目录下。这些数据可用于瓷砖裂缝检测，并可通过翻转、添加噪声等方法增强部分数据集。总共包含两个类别：裂缝和正常。具体类别的信息可以在classes.txt 文件中查看。为了方便查看数据，提供了一个可视化py文件，可以随机传入一张图片来绘制边界框并保存在当前目录下。此脚本无需更改即可直接运行以生成可视化图像。

YOLO 息肉检测数据集(Kvasir-SEG) 【含分类别数据集、类文件及数据可视化工具】

优质

本项目提供YOLO格式的息肉检测数据集Kvasir-SEG，包括各类别图像数据、标签文件以及用于数据可视化的工具，助力医学影像研究。项目包含：息肉（Kvasir-SEG）检测（1类别），包括划分好的数据集、类别class文件以及数据可视化脚本。数据保存遵循YOLO项目的文件夹结构，可以直接用于目标检测任务，无需额外处理。图像分辨率为332x487到1920x1072的RGB图片，涵盖息肉检测的数据集。每张图中的标注边界框完整且清晰可见。标注格式为：类别、中心点（x坐标和y坐标）、宽度w和高度h （YOLO相对坐标）。数据集中包含一个类别：息肉（具体信息可查看classes.txt文件）压缩后的总大小为57 MB，分为训练集和验证集： - 训练集由800张图片及其对应的800个标签txt文件组成。 - 验证集则包括200张图片及相应的200个标签txt文件。为了便于查看数据，提供了可视化py脚本。只需随机传入一张图像即可绘制边界框，并保存到当前目录下。该脚本无需修改，可以直接运行以生成可视化的图象。