工地各类工程车，数据集，如何自己训练

已于 2024-10-28 17:15:27 修改
阅读量997 收藏 21
点赞数 16
分类专栏： 卡车工程车类别 文章标签： YOLO 目标跟踪 人工智能
于 2024-10-26 08:41:30 首次发布
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_88441190/article/details/143248012
版权

 55dfdfcee39642bf935ce930ff338758.png工程车卡车数据集 一，矿场工程车检测数据集 10类 4900张 工程车 带标注voc yolo 分类名: (图片张数，标注个数)

e25d1b9011764d338e4473b6074cc523.png
excavator :(1086，1356)
dump_ truck: (1074， 1816)
compactor: (538， 583)
mobile_ crane: (529， 589)
tower_ cr ane :(169，235)
wheel_ loader :(851，922)
concrete_ mixer_ truck: (376， 427)
backhoe_ loader: (666， 693)
dozer: (492， 536)
grader: (622， 641)
总数: (4981， 7798)
总类(nc): 10类

07964325f5394abf9c5dc7becfe6bc48.png

4d815f3ed4324c4589181e21db4333b5.png

 

矿场工程车检测数据集介绍

数据集概述

此数据集专为矿场工程车检测设计，包含了十种常见工程车辆的高清图像及相应的标注文件。数据集涵盖了多种类型的工程车辆，并且每个类别都有详细的标注信息。该数据集可以用于基于YOLO的目标检测算法模型训练。

数据集特点

  • 高清影像：所有图像均为高清影像，适合用于精确的目标检测。
  • 详细标注：每张图像都标注了不同工程车辆的位置，可以用于训练模型来识别这些车辆。
  • 多样性：涵盖了不同类型的工程车辆，适用于多种环境下的应用。
  • 直接可用性：数据集已按照标准VOC和YOLO TXT格式标注，无需进一步处理即可直接用于模型训练。
  • 多类别：数据集中标注了十种类别，适合进行多目标检测任务。

数据集统计

车辆类型图片数量标注个数
Excavator1,0861,356
Dump Truck1,0741,816
Compactor538583
Mobile Crane529589
Tower Crane169235
Wheel Loader851922
Concrete Mixer Truck376427
Backhoe Loader666693
Dozer492536
Grader622641
总计4,9817,798

数据集结构

MiningEquipmentDetectionDataset/
├── images/  # 图像文件
│   ├── train/  # 训练集图像
│   │   ├── image_00001.jpg
│   │   ├── image_00002.jpg
│   │   └── ...
│   ├── val/  # 验证集图像
│   │   ├── image_00001.jpg
│   │   ├── image_00002.jpg
│   │   └── ...
│   └── test/  # 测试集图像
│       ├── image_00001.jpg
│       ├── image_00002.jpg
│       └── ...
└── labels/  # YOLO格式标注文件夹
    ├── train/  # 训练集标签
    │   ├── image_00001.txt
    │   ├── image_00002.txt
    │   └── ...
    ├── val/  # 验证集标签
    │   ├── image_00001.txt
    │   ├── image_00002.txt
    │   └── ...
    └── test/  # 测试集标签
        ├── image_00001.txt
        ├── image_00002.txt
        └── ...

标注格式示例

YOLO格式

每行表示一个物体的边界框和类别：

class_id cx cy w h
  • class_id：类别ID（从0开始编号）
    • 0: Excavator
    • 1: Dump Truck
    • 2: Compactor
    • 3: Mobile Crane
    • 4: Tower Crane
    • 5: Wheel Loader
    • 6: Concrete Mixer Truck
    • 7: Backhoe Loader
    • 8: Dozer
    • 9: Grader
  • cx：目标框中心点x坐标 / 图像宽度。
  • cy：目标框中心点y坐标 / 图像高度。
  • w：目标框宽度 / 图像宽度。
  • h：目标框高度 / 图像高度。

例如：

0 0.453646 0.623148 0.234375 0.461111
1 0.553646 0.723148 0.134375 0.361111
2 0.353646 0.823148 0.154375 0.261111

使用该数据集进行模型训练

1. 数据预处理与加载

首先，我们需要加载数据并将其转换为适合YOLOv5等模型使用的格式。假设你已经安装了PyTorch和YOLOv5。

import os
from PIL import Image
import torch
from torch.utils.data import Dataset, DataLoader
from torchvision import transforms

class MiningEquipmentDetectionDataset(Dataset):
    def __init__(self, image_dir, label_dir, transform=None):
        self.image_dir = image_dir
        self.label_dir = label_dir
        self.transform = transform
        self.image_files = [f for f in os.listdir(image_dir) if f.endswith('.jpg')]

    def __len__(self):
        return len(self.image_files)

    def __getitem__(self, idx):
        img_name = self.image_files[idx]
        img_path = os.path.join(self.image_dir, img_name)
        label_path = os.path.join(self.label_dir, img_name.replace('.jpg', '.txt'))

        # 加载图像
        image = Image.open(img_path).convert('RGB')
        if self.transform:
            image = self.transform(image)

        # 加载标注
        with open(label_path, 'r') as file:
            lines = file.readlines()
            boxes = []
            labels = []
            for line in lines:
                class_id, cx, cy, w, h = map(float, line.strip().split())
                xmin = (cx - w / 2) * image.width
                ymin = (cy - h / 2) * image.height
                xmax = (cx + w / 2) * image.width
                ymax = (cy + h / 2) * image.height
                boxes.append([xmin, ymin, xmax, ymax])
                labels.append(int(class_id))

        boxes = torch.tensor(boxes, dtype=torch.float32)
        labels = torch.tensor(labels, dtype=torch.int64)

        return image, boxes, labels

# 数据增强
transform = transforms.Compose([
    transforms.RandomHorizontalFlip(),  # 随机水平翻转
    transforms.RandomRotation(10),      # 随机旋转
    transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1),  # 随机颜色变换
    transforms.Resize((640, 640)),
    transforms.ToTensor(),
])

# 创建数据集
train_dataset = MiningEquipmentDetectionDataset(image_dir='MiningEquipmentDetectionDataset/images/train/', label_dir='MiningEquipmentDetectionDataset/labels/train/', transform=transform)
val_dataset = MiningEquipmentDetectionDataset(image_dir='MiningEquipmentDetectionDataset/images/val/', label_dir='MiningEquipmentDetectionDataset/labels/val/', transform=transform)
test_dataset = MiningEquipmentDetectionDataset(image_dir='MiningEquipmentDetectionDataset/images/test/', label_dir='MiningEquipmentDetectionDataset/labels/test/', transform=transform)

train_loader = DataLoader(train_dataset, batch_size=4, shuffle=True, num_workers=4)
val_loader = DataLoader(val_dataset, batch_size=4, shuffle=False, num_workers=4)
test_loader = DataLoader(test_dataset, batch_size=4, shuffle=False, num_workers=4)

2. 构建模型

我们可以使用YOLOv5模型进行目标检测任务。假设你已经克隆了YOLOv5仓库，并按照其文档进行了环境设置。

git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt

创建数据配置文件 data/mining_equipment_detection.yaml：

train: path/to/MiningEquipmentDetectionDataset/images/train
val: path/to/MiningEquipmentDetectionDataset/images/val
test: path/to/MiningEquipmentDetectionDataset/images/test

nc: 10  # 类别数
names: ['Excavator', 'Dump Truck', 'Compactor', 'Mobile Crane', 'Tower Crane', 'Wheel Loader', 'Concrete Mixer Truck', 'Backhoe Loader', 'Dozer', 'Grader']

3. 训练模型

使用YOLOv5进行训练。

python train.py --img 640 --batch 16 --epochs 100 --data data/mining_equipment_detection.yaml --weights yolov5s.pt --cache

4. 评估模型

在验证集上评估模型性能。

python val.py --img 640 --batch 16 --data data/mining_equipment_detection.yaml --weights runs/train/exp/weights/best.pt --task test

5. 推理

使用训练好的模型进行推理。

python detect.py --source path/to/test/image.jpg --weights runs/train/exp/weights/best.pt --conf 0.5

实验报告

实验报告应包括以下内容：

  1. 项目简介：简要描述项目的背景、目标和意义。
  2. 数据集介绍：详细介绍数据集的来源、规模、标注格式等。
  3. 模型选择与配置：说明选择的模型及其配置参数。
  4. 训练过程：记录训练过程中的损失变化、学习率调整等。
  5. 评估结果：展示模型在验证集上的性能指标（如mAP、准确率）。
  6. 可视化结果：提供一些典型样本的检测结果可视化图。
  7. 结论与讨论：总结实验结果，讨论可能的改进方向。
  8. 附录：包含代码片段、图表等补充材料。

数据增强

由于数据集规模适中，可以考虑使用数据增强技术来增加训练集的多样性，从而提高模型的泛化能力。可以使用的数据增强技术包括但不限于：

  • 随机旋转和裁剪
  • 随机水平翻转
  • 随机颜色变换

依赖库

确保安装了以下依赖库：

pip install torch torchvision
pip install -r yolov5/requirements.txt

总结

这个矿场工程车检测数据集提供了丰富的标注数据，非常适合用于训练和评估工程车辆检测模型。通过YOLOv5框架，可以方便地构建和训练高性能的目标检测模型。实验报告可以帮助你更好地理解和分析模型的表现，并为进一步的研究提供参考。由于数据集规模适中，建议在训练过程中使用数据增强技术以提高模型的泛化能力。

 二，垃圾车 渣土车数据集 3450张 yolo格式、voc格式 yolo格式、voc格式，直接训练

7dce0fc73a224927885487617156925b.png

垃圾车 渣土车数据集】 数据集中包含垃圾车、渣土车目标框，可用于垃圾车、渣土车目标检测； ***真人标注，保证标注质量； 共有图片数据3450张，已划分好训练集2911和测试集539； 已处理成yolo格式、voc格式，可直接用于训练； 标签类别集标签个数：
mucktruck：5039；

8b339734849b40d29ae99f5e4228da0b.png

a946ac359199416398a92a4e7bfb4612.png

 8a9042c6f0494351bab11e3ad54a705d.png

垃圾车与渣土车检测数据集介绍

数据集概述

此数据集专为垃圾车与渣土车检测设计，包含了两种常见车辆类型的高清图像及相应的标注文件。数据集涵盖了这两种车辆的详细位置标注，适用于基于YOLO或VOC格式的目标检测算法模型训练。

数据集特点

  • 高清影像：所有图像均为高清影像，适合用于精确的目标检测。
  • 详细标注：每张图像都由真人标注了不同车辆的位置，可以用于训练模型来识别这些车辆。
  • 多样性：涵盖了不同场景下的垃圾车与渣土车，适用于多种环境下的应用。
  • 直接可用性：数据集已按照标准YOLO和VOC格式标注，无需进一步处理即可直接用于模型训练。
  • 单类别：数据集中标注了一种类别（渣土车），适合进行单一目标检测任务。

数据集统计

车辆类型图片数量标注个数
Mucktruck3,4505,039
总计3,4505,039

数据集划分

  • 训练集：2,911张图片
  • 测试集：539张图片

数据集结构

TrashAndMuckTruckDetectionDataset/
├── images/  # 图像文件
│   ├── train/  # 训练集图像
│   │   ├── image_00001.jpg
│   │   ├── image_00002.jpg
│   │   └── ...
│   └── test/  # 测试集图像
│       ├── image_00001.jpg
│       ├── image_00002.jpg
│       └── ...
└── labels/  # YOLO/VOC格式标注文件夹
    ├── train/  # 训练集标签
    │   ├── image_00001.txt
    │   ├── image_00002.txt
    │   └── ...
    └── test/  # 测试集标签
        ├── image_00001.txt
        ├── image_00002.txt
        └── ...

标注格式示例

YOLO格式

每行表示一个物体的边界框和类别：

class_id cx cy w h
  • class_id：类别ID（从0开始编号）
    • 0: Mucktruck
  • cx：目标框中心点x坐标 / 图像宽度。
  • cy：目标框中心点y坐标 / 图像高度。
  • w：目标框宽度 / 图像宽度。
  • h：目标框高度 / 图像高度。

例如：

0 0.453646 0.623148 0.234375 0.461111

VOC格式

每个XML文件表示一张图像中的多个物体的边界框和类别：

<annotation>
    <folder>TrashAndMuckTruckDetectionDataset</folder>
    <filename>image_00001.jpg</filename>
    <path>/path/to/image_00001.jpg</path>
    <source>
        <database>The VOC2007 Database</database>
        <annotation>PASCAL VOC2007</annotation>
        <image>flickr</image>
    </source>
    <size>
        <width>640</width>
        <height>480</height>
        <depth>3</depth>
    </size>
    <segmented>0</segmented>
    <object>
        <name>Mucktruck</name>
        <pose>Unspecified</pose>
        <truncated>0</truncated>
        <difficult>0</difficult>
        <bndbox>
            <xmin>140</xmin>
            <ymin>120</ymin>
            <xmax>320</xmax>
            <ymax>240</ymax>
        </bndbox>
    </object>
</annotation>

使用该数据集进行模型训练

1. 数据预处理与加载

首先，我们需要加载数据并将其转换为适合YOLOv5等模型使用的格式。假设你已经安装了PyTorch和YOLOv5。

import os
from PIL import Image
import torch
from torch.utils.data import Dataset, DataLoader
from torchvision import transforms

class TrashAndMuckTruckDetectionDataset(Dataset):
    def __init__(self, image_dir, label_dir, transform=None):
        self.image_dir = image_dir
        self.label_dir = label_dir
        self.transform = transform
        self.image_files = [f for f in os.listdir(image_dir) if f.endswith('.jpg')]

    def __len__(self):
        return len(self.image_files)

    def __getitem__(self, idx):
        img_name = self.image_files[idx]
        img_path = os.path.join(self.image_dir, img_name)
        label_path = os.path.join(self.label_dir, img_name.replace('.jpg', '.txt'))

        # 加载图像
        image = Image.open(img_path).convert('RGB')
        if self.transform:
            image = self.transform(image)

        # 加载标注
        with open(label_path, 'r') as file:
            lines = file.readlines()
            boxes = []
            labels = []
            for line in lines:
                class_id, cx, cy, w, h = map(float, line.strip().split())
                xmin = (cx - w / 2) * image.width
                ymin = (cy - h / 2) * image.height
                xmax = (cx + w / 2) * image.width
                ymax = (cy + h / 2) * image.height
                boxes.append([xmin, ymin, xmax, ymax])
                labels.append(int(class_id))

        boxes = torch.tensor(boxes, dtype=torch.float32)
        labels = torch.tensor(labels, dtype=torch.int64)

        return image, boxes, labels

# 数据增强
transform = transforms.Compose([
    transforms.RandomHorizontalFlip(),  # 随机水平翻转
    transforms.RandomRotation(10),      # 随机旋转
    transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1),  # 随机颜色变换
    transforms.Resize((640, 640)),
    transforms.ToTensor(),
])

# 创建数据集
train_dataset = TrashAndMuckTruckDetectionDataset(image_dir='TrashAndMuckTruckDetectionDataset/images/train/', label_dir='TrashAndMuckTruckDetectionDataset/labels/train/', transform=transform)
test_dataset = TrashAndMuckTruckDetectionDataset(image_dir='TrashAndMuckTruckDetectionDataset/images/test/', label_dir='TrashAndMuckTruckDetectionDataset/labels/test/', transform=transform)

train_loader = DataLoader(train_dataset, batch_size=4, shuffle=True, num_workers=4)
test_loader = DataLoader(test_dataset, batch_size=4, shuffle=False, num_workers=4)

2. 构建模型

我们可以使用YOLOv5模型进行目标检测任务。假设你已经克隆了YOLOv5仓库，并按照其文档进行了环境设置。

git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt

创建数据配置文件 data/trash_and_muck_truck_detection.yaml：

train: path/to/TrashAndMuckTruckDetectionDataset/images/train
test: path/to/TrashAndMuckTruckDetectionDataset/images/test

nc: 1  # 类别数
names: ['Mucktruck']

3. 训练模型

使用YOLOv5进行训练。

python train.py --img 640 --batch 16 --epochs 100 --data data/trash_and_muck_truck_detection.yaml --weights yolov5s.pt --cache

4. 评估模型

在测试集上评估模型性能。

python val.py --img 640 --batch 16 --data data/trash_and_muck_truck_detection.yaml --weights runs/train/exp/weights/best.pt --task test

5. 推理

使用训练好的模型进行推理。

python detect.py --source path/to/test/image.jpg --weights runs/train/exp/weights/best.pt --conf 0.5

实验报告

实验报告应包括以下内容：

  1. 项目简介：简要描述项目的背景、目标和意义。
  2. 数据集介绍：详细介绍数据集的来源、规模、标注格式等。
  3. 模型选择与配置：说明选择的模型及其配置参数。
  4. 训练过程：记录训练过程中的损失变化、学习率调整等。
  5. 评估结果：展示模型在测试集上的性能指标（如mAP、准确率）。
  6. 可视化结果：提供一些典型样本的检测结果可视化图。
  7. 结论与讨论：总结实验结果，讨论可能的改进方向。
  8. 附录：包含代码片段、图表等补充材料。

数据增强

由于数据集规模适中，可以考虑使用数据增强技术来增加训练集的多样性，从而提高模型的泛化能力。可以使用的数据增强技术包括但不限于：

  • 随机旋转和裁剪
  • 随机水平翻转
  • 随机颜色变换

依赖库

确保安装了以下依赖库：

pip install torch torchvision
pip install -r yolov5/requirements.txt

总结

这个垃圾车与渣土车检测数据集提供了丰富的标注数据，非常适合用于训练和评估车辆检测模型。通过YOLOv5框架，可以方便地构建和训练高性能的目标检测模型。实验报告可以帮助你更好地理解和分析模型的表现，并为进一步的研究提供参考。由于数据集规模适中，建议在训练过程中使用数据增强技术以提高模型的泛化能力。

 

目标检测———工程车辆数据集
qq_38220914的博客
03-07 298
通过目标检测，可以实时监测工程车辆的运行状态和位置，及时发现异常情况并采取相应措施，从而保障工程车辆的安全和稳定运行。通过安装摄像头和图像采集设备，可以获取工程车辆的实时图像或视频，然后利用图像处理和计算机视觉技术对图像或视频进行处理和分析，实现目标检测和识别。工程车辆是建筑工程机械的重要组成部分，常见的有汽车吊、随车吊、挖掘机、推土机、压路机、工程抢险车等，它们承担运载、挖掘、吊运、平整和抢修等工作。然而，工程车辆由于体积庞大、吨位重、驾驶盲区大、惯性大等因素，容易引发事故，造成比较严重的后果。
工程车辆数据集 （挖掘机 推土机 渣土车）已标注完成 各有700张左右 coco数据集
05-05
工程车辆数据集 （挖掘机 推土机 渣土车）已标注完成 各有700张左右 coco数据集 深度学习 目标检测 有需要其他格式的可以私信我
工程车辆数据集3+1000IMG+已标注.zip
01-07
工程车辆数据集1000张，项目数据，已标注，可直接进行训练，几乎包括所有工程车辆，种类包括：重型卡车，沥青车，搅拌车，清障车，洒水车，拖拉机，挖掘机，压路机，吊车，自卸车等
【YOLO系列（V5-V12）通用数据集-工程用车检测数据集】
最新发布
qq_41304809的博客
04-04 904
YOLO格式的工程车检测数据集，适用于YOLOv5-v11所有版本，可以用于本科毕设、发paper、做课设等等，
如何使用yolov5训练使用目标检—1，矿场工程车检测数据集 挖掘机 自卸车 压路机起重机 装载机 搅拌车推土机平地机等 矿场工程车检测数据集 10类 4900张 2,垃圾车 渣土车数据集 3450，
2401_88440984的博客
10-26 1280
工地各类工程车数据集 一，矿场工程车检测数据集 10类 4900张 工程车 带标注voc yolo 二，垃圾车 渣土车数据集 3450张 yolo格式、voc格式 yolo格式、voc格式，直接训练
工程车辆数据集1+1000张IMG+已标注
01-07
工程车辆数据集1000张，项目数据，已标注，可直接进行训练，几乎包括所有工程车辆，种类包括：重型卡车，沥青车，搅拌车，清障车，洒水车，拖拉机，挖掘机，压路机，吊车，自卸车等
目标检测数据集VOC格式工程车辆数据集系列14重型卡车数据集-782张
01-02
数据集格式：Pascal VOC格式(不包含分割路径的txt文件和yolo格式的txt文件，仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数)：782 标注数量(xml文件个数)：782 标注类别数：1 标注类别名称:["zhongxingkache"] 每个类别标注的框数： zhongxingkache count = 1030 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
工程车检测数据集，准确识别率90.7％，9999张原始图片，支持darknet格式标注，可识识别起重机，挖掘机，装载机，卡车
01-17
例如，在智能建筑工地管理系统中，通过安装在工地上的摄像头实时监测，结合本数据集训练得到的模型，可以有效地监控和管理各类工程车辆，提升工地的安全性和管理效率。 在链接中提到的博文，为想要更深入了解数据集...
工程车辆检测，识别率超高，可准确识别 推土机,自卸卡车,挖掘机，压路机，平路机，装载机，搅拌车，移动吊车（起重机）等8种常见的工程车，包含18282张图片和对应的yolov11标注
11-29
工程车辆检测和识别是利用计算机视觉与深度学习技术，在大量工程车辆图片数据集上训练模型，以达到高准确率识别各类工程车辆的能力。本项目主要针对的是八种常见的工程车辆，包括推土机、自卸卡车、挖掘机、压路机、...
工程车辆目标检测训练数据集，9000张标注图像
在信息技术和人工智能领域中，“目标检测”是一个重要的研究方向，它涉及对图像或视频中物体的识别和定位。本段落旨在深入探讨与给定文件信息...此数据集的应用前景广泛，能够推动各类与工程车辆相关的智能技术进步。
建筑工地场景物体检测系统源码和数据集：改进yolo11-goldyolo.zip
02-10
“建筑工地场景物体检测系统源码和数据集：改进yolo11-goldyolo.zip”这一压缩包文件，为用户提供了一个深入理解和应用物体检测技术在建筑行业中的实际案例。它包含了完整的源代码，允许开发者复现和测试模型，以及...
工程车检测数据集，准确识别率90.7％，9999张原始图片，支持YOLOV9格式标注，可识识别起重机，挖掘机，装载机，卡车
01-17
工程车检测数据集，准确识别率90.7％，9999张原始图片，支持YOLO，COCO JSON，PASICAL VOC XML等多种格式标注，可识识别起重机，挖掘机，装载机，卡车 标签和图片可以参考博文： https://backend.blog.csdn.net/article/details/145199065
工程车辆目标检测模型+已训练目标检测模型+yolo系列+.pt+工程车辆目标检测数据集
03-19
工程车辆目标检测模型 已训练完成的模型，可直接使用，不需再进行训练 yolo系列目标检测 工程车辆目标检测数据集也可提供
工程车辆数据集2+1000IMG+已标注.zip_半自动标注数据集
01-07
工程车辆数据集1000张，项目数据，已标注，可直接进行训练，几乎包括所有工程车辆，种类包括：重型卡车，沥青车，搅拌车，清障车，洒水车，拖拉机，挖掘机，压路机，吊车，自卸车等
工程车水泥搅拌运输车识别检测数据集4000张带yolo格式txt标签(已划分训练、测试、验证集，直接用).zip
09-14
工程车水泥搅拌运输车识别检测数据集4000张带yolo格式txt标签(已划分训练、测试、验证集，直接用).zip 【数据集介绍】 1、标注工具labelimg 2、标签格式yolo，txt文件，里面还有类别及框的坐标信息 3、数据可以用于YOLO全系列算法，从YOLOV3到YOLOv10都可用 4、类别只有一类：“水泥搅拌运输车(工程车)” 5、数据集已划分训练集、验证集、测试集、下载后直接使用。 6、数据集中图片有从视频中提取的关键帧进行标注的，不影响训练和使用，介意者勿下载。 【备注】 数据集适用于毕业设计、课程设计、作业、实训实验、实际落地项目应用等，欢迎同学、工程师、教师下载，欢迎交流学习！
目标检测数据集VOC格式工程车辆数据集系列18水泥泵车车数据集-604张
05-17
数据集格式：Pascal VOC格式(不包含分割路径的txt文件和yolo格式的txt文件，仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数)：604 标注数量(xml文件个数)：604 标注类别数：1 标注类别名称:["shuinibengche"] 每个类别标注的框数： shuinibengche count = 626 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：由于水泥泵车图片难找，截取视频图片，部分可能看起来有点重复，但是都已经经过MD5去重，且已经标注号，介意者请勿购买 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
施工车辆，工程车类型识别，可识别装载机，搅拌车，挖掘机，拉土车等，支持voc.zip
11-28
施工车辆和工程车在现代社会中扮演着极为重要的角色，尤其是在各类工程建设中，其类型繁多，包括但不限于装载机、搅拌车、挖掘机、拉土车等。为了提高效率和安全水平，对这些车辆进行精确识别成为了迫切需求。在技术...
[深度学习][数据集][目标检测]工程车辆数据集16881张15种类别车辆介绍
FL1623863129的博客
01-02 5014
标注类别名称:["chanche","wajueji","car","yaluji","dazhuangji","dianliqiangxiuche","diaoche","zhongxingkache","tuituche","zixieche","jiaobanche","qingzhangche","youguanche","sashuiche","shoufu","tuolaji"]特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。
第4期 工程车辆数据集
weixin_36861964的博客
08-02 241
工程车辆是建筑工程机械的重要组成部分，常见的有汽车吊、随车吊、挖掘机、推土机、压路机、工程抢险车等，它们承担运载、挖掘、吊运、平整和抢修等工作。工程车辆的存在大大提高了建筑工程的进度，减少了人力需求。然而，工程车辆由于体积庞大、吨位重、驾驶盲区大、惯性大等因素，容易引发事故，造成比较严重的后果。具体来说，工程车辆的危害主要...
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