TILDA纺织缺陷数据集

2301_78240361

于 2024-09-18 09:30:31 发布

阅读量697

点赞数 8

分类专栏：数据集文章标签： QQ767172261 数据集 TILDA纺织缺陷数据集

本文链接：https://blog.csdn.net/2301_78240361/article/details/142324573

版权

数据集专栏收录该内容

448 篇文章 28 订阅

订阅专栏

TILDA纺织缺陷数据集，用于目标检测
896张数据集，共4个类别，已标注好txt标签，包含yaml文件
可转化为txt，直接用于yolov8训练。

TILDA纺织缺陷数据集介绍

数据集名称

TILDA纺织缺陷数据集（TILDA Textile Defect Detection Dataset）

数据集概述

TILDA纺织缺陷数据集是专为纺织品表面缺陷检测设计的数据集，包含896张图像，涵盖了4种不同的纺织缺陷类别。该数据集已经完成了详细的标注工作，使用了YOLO格式的.txt标签文件，并且随数据集一起提供了.yaml文件，方便用户快速配置和使用。数据集可以直接用于YOLOv8模型的训练，无需额外的预处理步骤。

数据集特点

针对性强：专门针对纺织品表面的缺陷检测，适用于纺织行业的质量控制。
高清图像：虽然数据集的图像数量相对较少，但每张图像均为高清画质，确保了缺陷细节的清晰可见。
标准化标注：所有的图像都已经标注好了.txt标签文件，方便直接用于YOLOv8模型的训练。
配置文件：提供了一个.yaml文件，简化了数据集的配置过程，使用户可以快速设置并开始训练。

数据集构成

图像数量：896张图像
缺陷种类：4种不同的纺织缺陷类别
数据格式：
- 图像格式：.jpg或.png
- 标签格式：.txt（YOLO格式）
- 配置文件：.yaml
数据划分：
- 由于数据集较小，具体的划分比例可以根据实际需要调整。一般建议至少保留一部分数据作为独立的测试集来评估模型的泛化能力。

数据集用途

缺陷检测：可用于训练机器学习模型识别纺织品表面的多种缺陷类型，提高检测精度。
质量控制：帮助纺织企业及时发现和处理表面缺陷，提高产品质量。
自动化检测：结合自动化设备，实现纺织品表面缺陷的实时检测，提高生产线的效率。
研究与开发：作为基准数据集，支持学术研究和技术开发，推动目标检测技术在纺织品表面缺陷检测中的应用。
教育与培训：作为教学资源，帮助学生和从业人员理解并掌握纺织品表面缺陷检测的相关技术和方法。

示例代码

以下是一个简单的Python脚本示例，用于加载数据集中的图像及其对应的标签，并绘制出标注的边界框：

1import os
2import cv2
3import numpy as np
4import matplotlib.pyplot as plt
5
6# 数据集目录路径
7data_dir = 'path/to/tilda_textile_defect_dataset'
8train_image_dir = os.path.join(data_dir, 'images/train')
9train_label_dir = os.path.join(data_dir, 'labels/train')
10
11# 选取一张图像及其标签文件
12image_files = os.listdir(train_image_dir)
13image_file = image_files[0]  # 假设取第一张图
14image_path = os.path.join(train_image_dir, image_file)
15
16label_file = os.path.splitext(image_file)[0] + '.txt'
17label_path = os.path.join(train_label_dir, label_file)
18
19# 加载图像
20image = cv2.imread(image_path)
21
22# 加载标签文件
23with open(label_path, 'r') as f:
24    annotations = [line.strip().split() for line in f.readlines()]
25
26# 绘制图像和边界框
27plt.figure(figsize=(10, 10))
28plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
29plt.axis('off')
30
31colors = {0: 'red', 1: 'blue', 2: 'green', 3: 'yellow'}
32
33for ann in annotations:
34    class_id, x_center, y_center, box_width, box_height = map(float, ann)
35    x_min = (x_center - box_width / 2) * image.shape[1]
36    y_min = (y_center - box_height / 2) * image.shape[0]
37    x_max = (x_center + box_width / 2) * image.shape[1]
38    y_max = (y_center + box_height / 2) * image.shape[0]
39    
40    plt.gca().add_patch(plt.Rectangle((x_min, y_min), x_max - x_min, y_max - y_min, edgecolor=colors[int(class_id)], facecolor='none'))
41    plt.text(x_min, y_min, str(int(class_id)), color=colors[int(class_id)], fontsize=8)
42
43plt.show()

数据集使用指南

数据准备：确认数据集路径是否正确，并且图像和标签文件均存在指定的目录下。
数据划分：根据需要调整训练集、验证集和测试集的比例，通常建议至少保留10%的数据作为测试集。
配置文件：编辑提供的.yaml文件，确保类别名称和数量与数据集中的标签一致。
模型训练：使用YOLOv8框架加载数据集，并开始训练模型。确保模型配置文件中数据集路径正确。

引用出处

为了确保正确引用该数据集，请查看原始数据集发布者的具体要求。如果该数据集来自某个特定的研究项目或竞赛，引用格式可能类似于以下示例：

1@misc{dataset_paper,
2  title={Title of the Data Set},
3  author={Author Names},
4  year={Publication Year},
5  publisher={Publishing Institution},
6  url={URL of the data set}
7}