Advertisement

YOLO 数据集：齿轮缺陷检测【含划分好的数据集、标签及 class 文件】

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

简介：
本资源提供YOLO格式的齿轮缺陷检测数据集，包含预划分的数据子集、详细标注信息和类别文件，助力快速模型训练与验证。 数据保存格式遵循YOLOV5的文件夹结构，可以直接用于YOLO检测。 标注采用以下格式：类别、中心点x坐标、中心点y坐标、宽度w、高度h（使用的是相对比例）。 共有7个类别：孔洞、缺损、齿牙等【具体类别详见class文本段落件】。 数据分为训练集、验证集和测试集： - 训练集包含约400张图片及对应的标签txt文件； - 验证集包含约100张图片及其对应标签的txt文件。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • YOLO 数据集：齿轮缺陷检测【含划分好的数据集、标签及 class 文件】
    优质
    本资源提供YOLO格式的齿轮缺陷检测数据集，包含预划分的数据子集、详细标注信息和类别文件，助力快速模型训练与验证。 数据保存格式遵循YOLOV5的文件夹结构，可以直接用于YOLO检测。 标注采用以下格式：类别、中心点x坐标、中心点y坐标、宽度w、高度h（使用的是相对比例）。 共有7个类别：孔洞、缺损、齿牙等【具体类别详见class文本段落件】。 数据分为训练集、验证集和测试集： - 训练集包含约400张图片及对应的标签txt文件； - 验证集包含约100张图片及其对应标签的txt文件。
     
  • 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。
     
  • 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。
     
  • 手机屏幕表面缺陷检测数据集-含1200张图片及VOC-COCO-YOLO标签-附数据集划分脚本
    优质
    本数据集包含1200张手机屏幕表面缺陷图像，并提供VOC、COCO和YOLO格式的标注文件，另附数据集划分脚本。 ### 目标检测—手机屏幕表面缺陷检测数据集解析与应用 #### 数据集概述 该数据集主要聚焦于手机屏幕表面缺陷的检测，为解决实际生产中的质量问题提供了有力的数据支撑。数据集中包含了1200张高质量的真实手机屏幕图像，涵盖了多种品牌与型号的手机屏幕，例如苹果、三星及华为等知名品牌的屏幕图像。这些图像经过精心挑选，旨在覆盖手机屏幕可能遇到的各种表面缺陷情况。 #### 缺陷类型与标注方法 - **缺陷类型**：数据集内的缺陷类型主要分为五类： - Bubble气泡水滴：指屏幕上出现的微小气泡或水滴状的异常。 - Scratch划痕：屏幕表面出现的细小划痕。 - Hole破洞：屏幕上的孔洞或破损区域。 - Knock磕边：屏幕边缘受到撞击后留下的痕迹。 - Crack裂纹：屏幕表面的裂纹。 - **标注方法**：所有图像均采用`labelimg`标注工具进行了精确标注，确保了数据的质量与一致性。该工具支持多种常用的目标检测数据集格式，包括： - VOC（XML）：一种广泛使用的图像对象检测标准格式。 - COCO（JSON）：Common Objects in Context，一种包含多个任务的大型图像数据集格式。 - YOLO（TXT）：You Only Look Once，一种快速且准确的对象检测算法使用的格式。 这种多样化的格式支持使得数据集可以被广泛应用于不同的目标检测模型训练中。 #### 应用场景与价值 - **应用场景**：该数据集不仅适用于手机屏幕表面缺陷检测的实际项目，还可以作为通用工业场景下液晶屏表面缺陷检测的辅助数据来源。这对于提高生产效率、降低次品率具有重要意义。 - **研究价值**：对于从事机器视觉、深度学习等相关领域的研究人员而言，该数据集提供了丰富的样本库，有助于推动相关技术的发展。 #### 训练支持与示例 为了方便用户进行模型训练，数据集还附带了YOLOv8和YOLOv5的一键训练脚本，并提供了针对不同计算平台的支持方案，包括： - **GPU(GPUs)**：支持多GPU并行加速。 - **CPU**：在没有GPU的情况下，也可以利用CPU进行模型训练。 - **Mac(M芯片)**：特别针对苹果M系列芯片进行了优化，确保在苹果设备上也能高效运行。 此外，还提供了博主的训练结果日志，可供参考学习，帮助用户更好地理解和调整训练过程。 #### 获取方式 由于数据集较大（超过1GB），因此作者选择将其存储在网络云盘中。具体下载链接和提取码请参照相关文档说明获取。 #### 总结 总体来看，这个手机屏幕表面缺陷检测数据集不仅具有高度的实际应用价值，同时也为学术研究提供了宝贵的资源。通过利用多种目标检测格式的支持以及跨平台的训练脚本，极大地降低了用户的使用门槛，促进了模型开发与应用的进步。无论是对于工业生产还是科学研究来说，都是一个不可多得的数据宝藏。
     
  • PCB板表面缺陷检测数据集-包含1000张图片及VOC-COCO-YOLO标签+划分脚本
    优质
    该数据集包含了1000张用于PCB板表面缺陷检测的高质量图像，并附有VOC、COCO和YOLO格式的标注文件以及训练测试集划分脚本，适用于机器学习与深度学习研究。 ### 目标检测-PCB板表面缺陷检测数据集详解 #### 一、数据集概述 本数据集专为 PCB（Printed Circuit Board，印刷电路板）板表面缺陷检测而设计，包含1000张高质量的真实 PCB 板表面图片。这些图像涵盖了多种不同类型的 PCB 板，并且每一张都经过精心挑选和处理。它们包括俯视、正视以及旋转等视角的拍摄角度，旨在提高模型对各种视角下PCB板表面缺陷识别的能力。 #### 二、数据集内容及特点 1. **数据集构成**： - 图片总数：1000张。 - 缺陷类别：六种典型 PCB 板表面缺陷，包括缺孔（missing_hole）、鼠咬（mouse_bite）、开路（open_circuit）、短路（short）、毛刺(spur) 和多余铜 (spurious_copper)。 2. **数据集特点**： - 多样性：涵盖多种 PCB 类型和不同视角下的图像，提高了模型泛化能力。 - 高质量标注：使用 labelimg 标注工具进行精确标注，确保标注的准确性和一致性。 - 兼容多格式：提供 VOC、COCO 和 YOLO 三种主流目标检测数据集格式，方便用户根据需求选择合适的格式训练模型。 - 训练脚本支持：附带YOLOv8和YOLOv5的一键训练脚本，并且支持GPU、CPU和Mac(M芯片)等多种计算平台。 #### 三、应用场景 - PCB表面缺陷检测：针对制造业中的PCB板制造过程，自动识别并分类各种类型的PCB板表面缺陷，提高产品质量控制效率。 - 通用工业场景：可作为其他与 PCB 相关的工业检测项目的补充数据集使用。 #### 四、数据集获取方式 该数据集托管在百度网盘上。具体下载链接和提取码会在相关文档中提供，请参考提供的PDF文件中的详细说明以获得访问权限。 #### 五、数据集使用建议 1. **预处理**：正式使用前，对图像进行缩放、归一化等操作可优化训练效果。 2. **模型选择**：根据任务需求选择合适的模型架构。YOLO系列因其速度快和精度高等优点，在目标检测领域广泛采用。 3. **参数调整**：通过调整学习率、批次大小等超参数来提升性能表现。 4. **评估测试集**：使用测试数据对训练完成的模型进行效果验证，确保其在实际场景中的有效性。 #### 六、标注说明 - 使用 labelimg 工具支持多边形和矩形框等多种方式标记缺陷类别。 - 每个类别的定义明确。例如，“missing_hole”表示缺少安装孔的情况；“mouse_bite”则指 PCB 板边缘被侵蚀的现象。 #### 七、训练脚本使用指南 1. **环境准备**：确保已安装YOLOv8或YOLOv5所需依赖，并配置好相应的计算资源（如GPU、CPU 或 Mac M芯片）。 2. **数据集准备**：按照指定格式组织图片和标注文件，例如对于 YOLO 格式，则需要将图像及其对应的 .txt 文件放置在正确目录下。 3. **运行脚本**：设置训练参数后启动训练过程。提供的脚本包含了常用的选项供调整使用。 通过以上详细介绍可以看出该数据集对 PCB 板表面缺陷检测的重要性及丰富的特性，无论是学术研究还是工业实践都极具价值。
     
  • YOLO 3D打印缺陷检测数据集
    优质
    简介：YOLO 3D打印缺陷检测数据集是一个专为3D打印行业设计的数据集合，包含多种类型的打印瑕疵样本。通过应用先进的计算机视觉技术，该数据集旨在提高自动化识别和分类制造过程中常见问题的效率与准确性，助力实现更加智能、高效的质量控制流程。 数据集包含5870个样本，并且所有图片均已标注为YOLO txt格式。这些数据被划分为训练集、验证集和测试集，可以直接用于YOLO算法的训练。该数据集适用于3D打印缺陷检测模型的机器学习、深度学习及人工智能研究，可在Python环境中使用PyCharm进行开发。
     
  • 瓷砖缺陷检测数据集（含VOC和YOLO标注）.zip
    优质
    该数据集包含了多种类型瓷砖的缺陷信息及其位置标注，同时提供VOC与YOLO两种格式注释文件，适用于训练机器学习模型识别瓷砖瑕疵。 【瓷砖瑕疵检测数据集VOC+YOLO标注.zip】是一个专为瓷砖瑕疵检测设计的数据集，其中包含了经过专业标注的信息，适用于深度学习模型的训练，特别是基于YOLO（You Only Look Once）的目标检测算法。该数据集旨在帮助开发更精准的自动化检测系统，以提升制造业的质量控制效率。 我们需要理解什么是数据集。在机器学习和计算机视觉领域，数据集是用于训练和验证模型的一组有标签的数据。在这个案例中，数据集包含了各种瓷砖图像，每张图片都标注了瑕疵的位置和类型，以便模型学习识别不同的瓷砖缺陷。 VOC（PASCAL Visual Object Classes Challenge）是一种广泛使用的数据集格式，它包含图像、类别、边界框等信息。VOC数据集的标注文件通常以XML格式存储，提供了每个目标对象的坐标、类别等详细信息。将数据转换为VOC格式意味着我们可以利用现有的VOC工具和库来处理和分析这些数据。 YOLO（You Only Look Once）是一种实时目标检测系统，其优势在于高效性和准确性，在单次前向传播过程中同时进行目标检测和分类。YOLO的标注文件通常包含每张图片的边界框坐标及对应的类别标签。将数据集转化为YOLO格式是为了更方便地用这种模型进行训练。 在压缩包中，“Annotations”目录可能包含了按照VOC格式标注的XML文件，这些文件记录了每张图片中的瑕疵位置。“labels”目录则可能包含YOLO格式的标注文本段落件，它们通常列出边界框坐标及相应的类别标签。 训练YOLO模型一般包括以下步骤： 1. 准备数据：将数据集分为训练集、验证集和测试集，确保模型在不同数据上都能表现良好。 2. 预处理：将图片缩放到YOLO模型所需的固定尺寸，并根据VOC或YOLO标注文件生成相应的训练标签。 3. 训练模型：使用预处理后的数据输入模型进行训练，调整超参数以优化性能。 4. 模型评估：在验证集上测试模型表现，通过调整模型结构和训练策略来提高准确率。 5. 测试与部署：在测试集上评估模型，在未知数据上的表现，并将其集成到实际应用中。 这个数据集是针对瓷砖瑕疵检测的宝贵资源。它可以帮助开发者训练和优化YOLO模型，实现更精确的自动检测，进而提升生产线的质量控制效率。通过理解和充分利用VOC和YOLO标注格式，我们可以有效地构建并训练出能够识别各种瓷砖缺陷的深度学习模型。
     
  • YOLO PCB缺陷检测数据集（包含5000张图像）及VOC/COCO/YOLO标签+划分脚本+训练指南.rar
    优质
    该资源包提供了一个用于PCB缺陷检测的数据集，内含5000张标注图片和详细的标签文件，支持VOC、COCO与YOLO格式，并附带数据集划分及模型训练指南。 本数据集包含用于YOLO目标检测的PCB缺陷图像，图片质量高且场景丰富多样。使用LabelImg软件进行标注，确保了高质量的标注框，并提供VOC (xml)、Coco (json) 和 Yolo (txt) 三种格式标签文件，分别存放在不同文件夹中，可以直接用于YOLO系列的目标检测。 此外还附赠环境搭建教程、训练案例以及数据集划分脚本。用户可以根据需求自行进行训练集、验证集和测试集的划分。 详情及更多数据集信息可参考相关文章或直接联系博主获取更多信息。