Advertisement

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）

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

简介：
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。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 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。
     
  • 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。
     
  • 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。
     
  • Yolov5火焰检测数据集：单一类别，含训练与验证集
    优质
    本数据集专为基于YOLOv5的火焰检测模型设计，包含大量标注图像用于训练和验证。专注于单一目标分类，助力提升火灾预防系统的准确性。 项目包含火焰检测数据集（1类别），包括训练集和验证集。数据按照YOLOV5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300-800像素的RGB图片，边界框标注清晰且图像完整。该数据集中包含生活中的火焰检测实例。 【数据集介绍】 类别：火焰（fire） 训练集包含： - 图像数量：8236张 - 标签文件：8236个txt文件 验证集包含： - 图像数量：2059张 - 标签文件：2059个txt文件 【数据总大小压缩后】为591MB。 为了方便查看，提供了可视化py脚本。随机传入一张图片即可绘制边界框，并保存在当前目录下。该脚本无需更改，可以直接运行进行图像可视化。
     
  • 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。
     
  • 樱桃缺陷的YOLO数据集检测（含4类别的训练和验证集）
    优质
    本研究构建了一个包含四类别标签的高质量樱桃缺陷数据集，并应用YOLO算法进行高效准确的目标检测与分类。 项目包括大尺度下的樱桃缺陷检测（4类别：好的、严重破损等），数据集按照YOLOV5文件夹结构保存，可以直接用于目标检测训练与验证，无需额外处理。图像分辨率为约2000*2000的高分辨率RGB图片，边界框标注清晰且完整。每张图包含大量樱桃缺陷目标，前景丰富、标注效果好。 数据集分为两个部分： - 训练集（datasets-images-train）：672张图片和对应的标签txt文件。 - 验证集（datasets-images-val）：168张图片及其相应的标签txt文件。 每个类别都提供了详细的文本信息，方便查看。此外还提供了一个可视化py脚本，可以随机选取一张图进行边界框绘制，并保存在当前目录下。该脚本无需更改即可直接运行以展示图像效果。