口罩数据集2万张 yolo目标检测 2万张图片集，全网最多最全，目标检测任务有两个对象类名称，“Mask”代表戴口罩的数据样本，标签值为0；“No Mask”代表不带口罩的数据样 标签值为1。

最新推荐文章于 2024-10-11 07:38:49 发布
最新推荐文章于 2024-10-11 07:38:49 发布
阅读量479 收藏 4
点赞数 4
分类专栏： 数据集 文章标签： YOLO 目标检测 目标跟踪 获取QQ466170244 数据集 口罩数据集
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_83580557/article/details/142839990
版权

口罩数据集2万张 yolo目标检测



近2万张图片集，全网最多最全，



目标检测任务有两个对象类名称，“Mask”代表戴口罩的数据样本，标签值为0；“No Mask”代表不带口罩的数据样本，标签值为1。

口罩检测数据集 (Face Mask Detection Dataset)

描述: 本数据集旨在支持对戴口罩和未戴口罩的人脸进行自动检测，特别适用于公共场所的监控、健康安全管理、智能门禁系统等领域。通过使用该数据集训练的模型可以帮助及时发现并分类人脸是否佩戴口罩，提高公共卫生安全。

类别:

  • Mask (戴口罩)
  • No Mask (未戴口罩)

数据量:

  • 总图片数: 约20,000张
  • 标注格式: YOLO 格式

文件格式:

  • 图像采用常见的JPEG或PNG格式。
  • 标注文件采用YOLO格式，即每个图像对应一个文本文件，其中包含边界框坐标及类别标签。例如，对于Mask类别的标注，文本文件中的每一行将按照以下格式表示：<class_id> <x_center> <y_center> <width> <height>，其中<class_id>为0（代表Mask）或1（代表No Mask），其余参数均为归一化后的浮点数值。

数据集结构

确保您的数据集目录结构如下所示（这只是一个示例结构，您可以根据实际情况调整）：

face_mask_detection_dataset/
├── images/
│   ├── train/
│   │   ├── img1.jpg
│   │   ├── img2.jpg
│   │   └── ...
│   ├── val/
│   │   ├── img15001.jpg
│   │   ├── img15002.jpg
│   │   └── ...
├── labels/
│   ├── train/
│   │   ├── img1.txt
│   │   ├── img2.txt
│   │   └── ...
│   ├── val/
│   │   ├── img15001.txt
│   │   ├── img15002.txt
│   │   └── ...
└── data.yaml

data.yaml 配置文件

创建一个名为 data.yaml 的配置文件，内容如下：

train: ./face_mask_detection_dataset/images/train
val: ./face_mask_detection_dataset/images/val

nc: 2  # 类别数量
names: ['Mask', 'No Mask']  # 类别名称

使用方法

1. 准备环境

确保安装了必要的Python库，如ultralytics（用于YOLOv8）和其他相关依赖：

pip install ultralytics
2. 修改配置文件

根据实际路径修改 data.yaml 文件中的路径。

3. 训练脚本

以下是一个使用YOLOv8进行训练的Python脚本示例：

from ultralytics import YOLO
import torch

# 设置设备
device = 'cuda' if torch.cuda.is_available() else 'cpu'

# 加载预训练模型或从头开始训练
model = YOLO('yolov8n.pt')  # 使用预训练的YOLOv8n模型
# model = YOLO()  # 从头开始训练

# 开始训练
results = model.train(
    data='path/to/data.yaml',  # 指定数据集配置文件路径
    epochs=100,  # 训练轮次
    batch=16,  # 批处理大小
    imgsz=640,  # 输入图像尺寸
    workers=8,  # 数据加载线程数
    device=device,  # 使用GPU设备编号，默认为0
    project='face_mask_detection',  # 保存结果的项目名称
    name='exp',  # 实验名称
    exist_ok=True  # 如果存在相同实验名，覆盖旧的结果
)

# 可视化训练结果
results.plot()

# 保存模型
model.save('face_mask_detection_model.pt')

训练结果

模型: YOLOv8

性能指标:

  • 准确率 (Accuracy): [根据实际结果填写]
  • 精确度 (Precision): [根据实际结果填写]
  • 召回率 (Recall): [根据实际结果填写]
  • F1分数 (F1 Score): [根据实际结果填写]
  • 平均精度均值 (mAP@0.5:0.95): [根据实际结果填写]

模型文件:

  • 提供了YOLOv8的预训练模型文件，可以直接用于推理或进一步微调。

总结

这个口罩检测数据集提供了约20,000张高质量的真实场景图片，并且已经使用YOLO格式进行了标注。数据集涵盖了两种不同的目标类别：戴口罩和未戴口罩。通过使用YOLOv8框架，可以有效地识别和分类这些目标。提供的预训练模型可以在实际应用中提供可靠的检测结果。

特点

  1. 多样性:

    • 包含多种不同类型的场景，覆盖了各种光线条件和背景。
    • 图像采集自真实场景，具有较高的多样性和实用性。

  2. 标注质量:

    • 图像采用高质量的标注，包括边界框和类别标签。
    • 提供YOLO格式的标注文件，方便在深度学习框架中使用。

  3. 规模适中:

    • 20,000张图像的数据集规模适中，既足够训练模型，又不会导致过长的训练时间。

  4. 可扩展性:

    • 数据集可以进行扩充，以增加更多图像数据，提高模型的泛化能力。

标注格式转换

虽然本数据集提供的是YOLO格式的标注文件，但如果您需要将其转换为VOC或COCO格式，可以通过以下步骤实现：

  1. YOLO到VOC格式转换:

    • 可以使用现有的脚本工具，如labelme或自定义脚本来进行转换。以下是一个简单的Python脚本示例：

      import os
import xml.etree.ElementTree as ET

def yolo_to_voc(yolo_path, voc_path, image_path):
    with open(yolo_path, 'r') as f:
        lines = f.readlines()
    
    image_name = os.path.basename(image_path).split('.')[0]
    image_ext = os.path.basename(image_path).split('.')[-1]
    image = cv2.imread(image_path)
    height, width, _ = image.shape

    annotation = ET.Element("annotation")
    folder = ET.SubElement(annotation, "folder").text = "images"
    filename = ET.SubElement(annotation, "filename").text = f"{image_name}.{image_ext}"
    size = ET.SubElement(annotation, "size")
    ET.SubElement(size, "width").text = str(width)
    ET.SubElement(size, "height").text = str(height)
    ET.SubElement(size, "depth").text = "3"

    for line in lines:
        class_id, x_center, y_center, w, h = map(float, line.strip().split())
        xmin = int((x_center - w / 2) * width)
        ymin = int((y_center - h / 2) * height)
        xmax = int((x_center + w / 2) * width)
        ymax = int((y_center + h / 2) * height)

        object_elem = ET.SubElement(annotation, "object")
        ET.SubElement(object_elem, "name").text = "Mask" if class_id == 0 else "No Mask"
        ET.SubElement(object_elem, "pose").text = "Unspecified"
        ET.SubElement(object_elem, "truncated").text = "0"
        ET.SubElement(object_elem, "difficult").text = "0"
        bndbox = ET.SubElement(object_elem, "bndbox")
        ET.SubElement(bndbox, "xmin").text = str(xmin)
        ET.SubElement(bndbox, "ymin").text = str(ymin)
        ET.SubElement(bndbox, "xmax").text = str(xmax)
        ET.SubElement(bndbox, "ymax").text = str(ymax)

    tree = ET.ElementTree(annotation)
    tree.write(voc_path)

# 示例用法
yolo_to_voc('path/to/yolo_label.txt', 'path/to/voc_annotation.xml', 'path/to/image.jpg')

  2. YOLO到COCO格式转换:

    • 可以使用现有的工具，如pycocotools或自定义脚本来进行转换。以下是一个简单的Python脚本示例：

      import json
import os
from PIL import Image

def yolo_to_coco(yolo_dir, image_dir, output_file):
    categories = [
        {"id": 0, "name": "Mask"},
        {"id": 1, "name": "No Mask"}
    ]
    images = []
    annotations = []
    annotation_id = 0

    for i, filename in enumerate(os.listdir(yolo_dir)):
        image_filename = os.path.join(image_dir, filename.replace('.txt', '.jpg'))
        if not os.path.exists(image_filename):
            continue

        image = Image.open(image_filename)
        width, height = image.size

        images.append({
            "id": i,
            "file_name": os.path.basename(image_filename),
            "width": width,
            "height": height
        })

        with open(os.path.join(yolo_dir, filename), 'r') as f:
            lines = f.readlines()

        for line in lines:
            class_id, x_center, y_center, w, h = map(float, line.strip().split())
            x_center *= width
            y_center *= height
            w *= width
            h *= height
            xmin = x_center - w / 2
            ymin = y_center - h / 2
            xmax = x_center + w / 2
            ymax = y_center + h / 2

            annotations.append({
                "id": annotation_id,
                "image_id": i,
                "category_id": int(class_id),
                "bbox": [xmin, ymin, w, h],
                "area": w * h,
                "iscrowd": 0
            })
            annotation_id += 1

    coco_data = {
        "images": images,
        "annotations": annotations,
        "categories": categories
    }

    with open(output_file, 'w') as f:
        json.dump(coco_data, f, indent=4)

# 示例用法
yolo_to_coco('path/to/yolo_labels', 'path/to/images', 'output_coco.json')

希望这些信息和脚本能帮助您更好地理解和使用这个数据集。如果您需要更详细的信息或特定的帮助

look me head
关注
专栏目录
目标检测YOLO实战应用案例100讲-智能目标检测系统在FPGA中的设计与实现
qq_36130719的博客
06-06 2343
本文结合FPGA芯片的高并行、低功耗、可重配置等优势，对基于卷积神经网络结构的目标检测算法，在端侧场景下的加速与部署进行研究与实现。本章节对本文涉及到的基本理论知识与技术手段进行介绍，为后续系统的方案分析与系统设计奠定理论基础。首先，介绍了卷积神经网络的基本组成部分及其原理。然后，对FPGA及其开发技术进行简单介绍。最后，对当前常用的部分基于FPGA的卷积神经网络加速方法进行概述。
目标检测YOLO实战应用案例100讲-基于深度学习的无人机小目标检测
qq_36130719的博客
08-03 1237
近年来，随着低空飞机技术的快速发展，越来越多消费级的小型无人机受到了大众 的喜爱。无人机是一种飞行机器人，无需机载飞行员即可飞行，由人远程控制或使用机载/地面计算机系统自主导航[1]。由于具有体积小、机动性强、使用成本低等特点，在 交通、安防、医疗、工业等领域都发挥着非常重要的作用[2,3]。同时，在无人机大量使用的背景下，其拍摄的图像和视频中包含用户感兴趣的小目标。在公开数据集中，一般认为小于32×32像素的目标为小目标。如果所有小目标检测都是手动执行的，则会消耗大量的人力和资源。
口罩数据集2万张 y olo目标检测 2万张图片集，全网最多最全，目标检测任务有两个对象类名称，“Mask”代表戴口罩的数据样本，标签值为0；“No Mask”代表不带口罩的数据样 标签值为1。
最新发布
阿利同学的博客
10-11 319
口罩数据集2万张 yolo目标检测 近2万张图片集，全网最多最全，无出其右！！！ 目标检测任务有两个对象类名称，“Mask”代表戴口罩的数据样本，标签值为0；“No Mask”代表不带口罩的数据样本，标签值为1。
YOLO系列目标检测数据集大全
热门推荐
小秋的博客
04-17 12万+
YOLO系列目标检测数据集大全目标检测数据集无人机检测数据集飞鸟检测数据集人脸和口罩检测数据集安全帽检测数据集火焰检测数据集火焰和烟雾检测数据集行人检测数据集行人车辆检测数据集车辆检测数据集待更新…… 目标检测数据集 无人机检测数据集 数据集下载： 飞鸟检测数据集 人脸和口罩检测数据集 安全帽检测数据集 火焰检测数据集 火焰和烟雾检测数据集 行人检测数据集 行人车辆检测数据集 车辆检测数据集 待更新…… .....................
2024年大数据最全YOLO系列目标检测数据集大全_yolo数据集
2401_84185441的博客
05-02 1771
检测结果。
YOLO系列目标检测数据集大全_yolo数据集
2301_82241942的博客
04-27 1549
1、YOLO行人跌倒检测数据集，7500多张使用lableimg标注软件，标注好的真实场景的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中，可以直接用于YOL摔倒的行人识别，可以区分和识别到跌倒的行人和正常的行人，数据场景丰富，类别名为跌倒fall和正常状态的行人person，一共两个类别。从自动驾驶KITTI数据集中提取得到，类别为car，标签格式为VOC和YOLO两种格式，即xml和txt标签文件，数量为近1万张，可以用于YOLO算法的车辆检测。
YOLO系列目标检测数据集大全_yolo数据集(1)
2401_84187537的博客
04-30 919
1、YOLO行人跌倒检测数据集，7500多张使用lableimg标注软件，标注好的真实场景的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中，可以直接用于YOL摔倒的行人识别，可以区分和识别到跌倒的行人和正常的行人，数据场景丰富，类别名为跌倒fall和正常状态的行人person，一共两个类别。类别为metal、wood、platstic、rubber、cloth等多个类别目标。目标类别名为QR_code，数据场景丰富，大部分图片中包含有多个二维码目标。
100种目标检测数据集【voc格式yolo格式json格式coco格式】+YOLO系列算法源码及训练好的模型
【实力派，无需多言！】
10-12 2万+
本文介绍并分享了应用于各行业、各领域非常有用的目标检测数据集（感谢您的关注+三连，数据集持续更新中…），其中绝大部分数据集作者已应用于各种实际落地项目，数据集整体质量好，标注精确，数据的多样性充分， 训练模型拟合较好，具有较高的研究和使用价值，各数据集都有下载链接及作者训练好的模型+源码下载链接，同时也有对应的检测效果视频，请放心下载~【实际项目应用】：阳光厨房、明厨亮灶智能监控方案 【数据集说明】：老鼠检测数据集已更新到2018张，图片包含有白天和黑夜老鼠出没照片，标签包含voc（xml）和yolo格式
目标检测：2如何生成自己的数据集
02-04 1822
数据标注即通过分类、画框、标注、注释等，对图片、语 音、文本、视频等数据进行处理，标记对象的特征，以作为机器学习基础 素材的过程。机器学习需要反复学习以训练模型和提高精度，同时自动驾驶、语言大模型、AI医疗、等各大应用场景都需要标注数据。
最新YOLOV5口罩检测数据集，YOLOV5口罩检测数据集+代码+模型+标注好的数据.zip
05-21
最新YOLOV5口罩检测数据集最新YOLOV5口罩检测数据集最新YOLOV5口罩检测数据集最新YOLOV5口罩检测数据集最新YOLOV5口罩检测数据集最新YOLOV5口罩检测数据集最新YOLOV5口罩检测数据集最新YOLOV5口罩检测数据集最新...
Python YOLOv5 7.0 带UI界面的基于深度学习的口罩检测识别系统，带数据集和设计报告，标注有xml和txt
06-08
（2）数据集为11200张佩戴口罩和未佩戴口罩的人脸图片，其中带口罩的占60%~70%。标注有VOC和YOLO两种格式，xml和txt （3）带 PyQt5 UI 的检测程序，基于YOLOv5 7.0 （4）带标注格式转换、数据集分割、根据标注画框等...
YOLOv5车牌和人脸识别+检测权重+标注好的数据集
04-16
附有一万张车牌人脸检测数据集，有下载链接，标签格式为txt和xml两种，分别保存在两个文件夹中， 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，python...
YOLO11 改进 | 注意力机制 | 处理原始SE通道信息丢失问题的ESE【全文干货】
kay_545
10-09 709
yolo11，yolo11改进，
毒蘑菇检测数据集 9200张 14类毒蘑菇 带标注 voc yolo
阿利同学的博客
10-07 1198
毒蘑菇检测数据集 9200张 14类毒蘑菇 带标注 voc yolo
夜间道路目标检测数据集 5000张 夜间道路 带标voc yolo
阿利同学的博客
10-03 400
夜间道路目标检测数据集 5000张 夜间道路 带标voc yolo
雨天道路目标检测数据集（黑夜和白天） 3600张 雨天 带标注 voc yolo 7类
阿利同学的博客
10-09 566
雨天道路目标检测数据集（黑夜和白天） 3600张 雨天 带标注 voc yolo 7类
计算机视觉之OpenCV vs YOLO
乐学吧
10-10 1131
OpenCV 和 YOLO 在计算机视觉领域各有特点和优势。OpenCV 是一个功能强大的计算机视觉库，提供了广泛的算法和工具；而 YOLO 是一种高效的目标检测算法，适用于特定的应用场景。在实际应用中，可以根据具体需求选择合适的工具和算法。
Yolov8轻量级网络改进GhostNet
qq_53545309的博客
10-04 261
由于内存和计算资源有限，在移动设备上部署卷积神经网络 （CNN） 很困难。我们的目标是通过利用特征图中的冗余，为 CPU 和 GPU 等异构设备设计高效的神经网络，这在神经架构设计中很少被研究。对于类 CPU 设备，我们提出了一种新颖的 CPU 高效 Ghost （C-Ghost） 模块，以从廉价操作中生成更多特征图。基于一组内在特征图，我们以较低的成本应用了一系列线性变换来生成许多幽灵特征图，这些图可以完全反映内在特征背后的信息。所提出的 C-Ghost 模块可以作为升级现有卷积神经网络的即插即用组件。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值