AISHELL-2021A-EVAL 电动车载环境智能语音交互测试数据集

希尔贝壳AISHELL

已于 2022-03-11 11:02:42 修改

阅读量310

点赞数

分类专栏：数据评测文章标签：语音识别人工智能

于 2022-03-07 14:58:58 首次发布

本文链接：https://blog.csdn.net/AI_SHELL/article/details/123330416

版权

数据评测专栏收录该内容

9 篇文章 0 订阅

订阅专栏

电动车载环境智能语音交互测试数据集

2066 speakers in the recording

DATA Information

Total Time	7.2 Hours
Sampling Rate	16kHz
Sample Format	16bit
Environment	Car
Speech Data Type	wav
Recording Equipment	High Fidelity Microphone

语音识别实验评测

Speech Recognition Evaluation

Sample

Readme

Database

License: Apache License v.2.0

优惠劵

希尔贝壳AISHELL

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
AISHELL-2021A-EVAL 电动车载环境智能语音交互测试数据集

电动车载环境智能语音交互测试数据集
复制链接

扫一扫

专栏目录

rt-thread-code-gd32350r-eval.rar

11-20

GD32350R-EVAL是-兆易创新推出的一款GD32F350系列的评估板，板载资源，GD32450Z-EVAL板级包支持MDK5开发环境以下是具体版本信息，供电方式：开发板使用 Mini USB 接口或者 DC-005 连接器提供 5V 电源。串口连接：使用串口线连接到COM1(UART0)，或者使用USB转TTL模块连接PA9(MCU TX)和PA10(MCU RX)。如果编译 & 烧写无误，当复位设备后，会在串口上看到RT-Thread的启动logo信息：

AISHELL-1-sample数据集

10-31

包括 AISHELL-1_sample数据集和词典

参与评论您还未登录，请先登录后发表或查看评论

智能网联汽车测试场景数据车载采集平台搭建要求及方法

爱是与世界平行

11-12

3242

下列术语和定义适用于本文件。场景采集所采用的环境感知传感器用于记录车辆行驶时的外部环境信息和驾驶员信息。场景采集平台常用的环境感知传感器，按其上报数据的类型，可分为以下2类：a）记录外部环境信息的传感器；b）记录驾驶室内部的环境感知传感器。

智能驾驶技术—10万张监控场景车辆数据集

weixin_55551028的博客

09-29

924

9月28日，2021世界智能网联汽车大会圆满落幕，近年来，车联网在汽车制造业中被广泛运用，推进了智能驾驶技术的发展，和智能驾驶相关的数据采集标注行业受到持续关注。 1.自动驾驶是汽车智能化发展的最终方向据产业研究院《中国无人驾驶技术行业发展前景预测与投资战略规划分析报告》中显示，自动驾驶是汽车智能化发展的最终方向。自动驾驶并不代表无人驾驶，要实现真正的无人驾驶需要10年或更长时间的技术演进，智能网联汽车，尤其是自动驾驶的技术和产品还在持续迭代更新，需要海量的数据训练集用于算法训练，车辆拉框标注为自动驾

毕业设计：基于深度学习的电动车识别算法系统目标检测

2301_79555157的博客

02-23

1265

毕业设计：基于深度学习的电动车识别算法系统实现对电动车的自动识别和跟踪。通过深入研究深度学习技术和计算机视觉算法，我们构建了一个高效、准确的电动车识别模型。该模型能够自动从监控视频中检测并识别电动车，为城市交通管理提供有力支持。对于计算机专业、软件工程专业、人工智能专业、大数据专业的毕业生而言，本文提供了一个具有挑战性和创新性的研究课题。无论您对深度学习技术保持浓厚兴趣，还是希望探索机器学习、算法或人工智能的其他领域，都能为您提供灵感和指导。

Windows10（CPU）下运用yolov5，实现从数据集制作到样本训练到电动车检测的全过程

csbn60的博客

07-03

3437

Windows10（CPU)下运用yolov5，实现从数据集制作到样本训练到电动车检测的全过程我的毕设课题是“基于视觉检测的电动车违章进电梯的门禁控制系统”，核心任务是实现电动车检测。在此之前并没有独自完成某个物体的实现任务，在网上一番查询之后并没有找到有关电动车检测的相关公共数据集、代码等，于是想要实现电动车检测，一切只能从头开始了！多方面考虑，本文运用yolov5实现了最终的电动车检测。本人纯小白一枚，在此想分享一下整个项目的完成过程，大家一起学习交流，有问题之处欢迎指教！ ...

自动驾驶数据集盘点 | 小马数据

m0_49776739的博客

04-03

1744

1.Apolloscape 网站地址：http://apolloscape.auto/ ApolloScape使用移动激光雷达扫描仪器从Reigl收集点云。这种方法产生的三维点云要比Velodyne产生点云更精确、更稠密。在采集车车顶上安装有标定好的高分辨率相机以每一米一帧的速率同步记录采集车周围的场景。而且，整个系统配有高精度GPS和IMU，相机的实时位姿都可以被同步记录。 2.Astyx Dataset HiRes2019 网站地址：https://www.astyx.com/developmen.

电动车+自行车+数据集

11-29

电动车自行车数据集.详细：https://blog.csdn.net/qq_34717531/article/details/121859188 。该数据集分为二个部分,JPEGImages和Annotations.JPEGImages文件夹中有4100+张各种场景的电动车自行车图像,共5700+个电动车650+个自行车标注框. 并对每张图片使用labelimg做了人工标注,标注对应的xml文件放在了Annotations文件夹中. 本数据集图片清晰,场景广泛,精心挑选,人工标注.适用于任意场景,可作为电动车自行车检测的模板数据集. 应用特定场景时,只需加入部分特定场景数据,即可满足对特定场景电动车自行车的检测. 免去了收集,挑选,标注电动车自行车图片的时间,可直接进行工程化应用.

数据开源 | Magic Data中英文座舱功能点泛化语料

weixin_47718443的博客

11-10

1127

Magic Data新开源NLP数据1000+，该数据为中英文座舱功能点泛化语料，欢迎下载。

语音识别数据集及性能评测指标WER

大章鱼有小学术之心的博客

06-30

4913

语音识别 LibriSpeech ASR corpus LibriSpeech 数据集共将近1000个小时的数据集。分为clean和other两类。具体见链接。 WER评价指标 WER means " word error rate" 对于语音识别的预测结果，需要对此结果进行替换删除、插入某些词使之和标注词序列完全相同。修改的总词数比上标注词序列的个数即为WER，此项指标越低越好。具体计算公式...

电梯轿厢内电动车自行车人数据集，VOC标签格式已标注

weixin_54603153的博客

08-30

3651

电梯轿厢内电动车自行车人数据集，VOC标签格式已标注

yolov8电动车检测训练权重+数据集

最新发布

04-23

1、yolov8电动车检测训练权重，包含VOC电动车检测数据集，电动摩托车识别，使用lableimg标注软件，标注好的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，即xml和txt格式的标签，分别保存在两个文件夹中，可以直接用于YOLO系列的打电话检测；类别为electric_motor； 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

电动车数据集，voc格式

11-29

已标注好，可直接用于训练

电动自行车识别检测数据集(含voc和yolo格式标签+xml转json格式脚本)（课程作业、设计、比赛、实际项目所用）.zip

11-30

电动自行车识别检测数据集(含voc和yolo格式标签+xml转json格式脚本)（课程作业、设计、比赛、实际项目所用）【实际项目应用】：电单车检测识别、电单车入梯检测等、电梯控制系统【数据集说明】：电动自行车识别检测数据集，一共3228张图片，背景丰富，多种抓拍角度，博主实际梯控项目所用，标注精准，算法拟合较好，质量可靠。该数据集标签包含voc（xml）、yolo（txt）、json三种格式，附xml转json脚本。类别名称为[“E-vehicle”]，多种目标检测算法可直接使用。

神经网络+深度学习+电动车数据集（500张-100，jpg格式）

05-24

这里是100张电动车图像数据集，还有400张在主页，都是jpg格式，可用于机器学习、神经网络、深度学习中训练模型，我是用Python的标注工具labelimg进行标注，再利用YOLOv5进行训练自己的模型。图像清晰度可观，

rt-thread-code-gd32107c-eval.rar

11-20

GD32107C-EVAL是兆易科技提供的开发板，使用 GD32F107VCT6 作为主控制器。提供包括扩展引脚在内的及 SWD, Reset, Boot, User button key, LED, CAN, I2C, I2S, USART, RTC, LCD, SPI, ADC, DAC, EXMC, CTC, SDIO,USB...

ide-eval-resetter-2.1.6非破解无限试用插件

06-17

一款IDEA好用的插件，适用于旗舰版，虽然只能使用三十天，不过三十天后可以重新配置使用。可以无限延期

ide-eval-resetter-2.2.4.jar

09-10

IDE软件试用30天：ide-eval-resetter-2.2.4.jar

1d-cnn如何做测试集无标签数据预测，请写出pytorch代码

05-31

对于1D-CNN，可以通过以下步骤对测试集无标签数据进行预测： 1. 加载已训练好的模型 ```python import torch.nn as nn import torch.optim as optim import torch.utils.data as Data # 定义1D-CNN模型 class CNN(nn.Module): def __init__(self): super(CNN, self).__init__() self.conv1 = nn.Sequential( nn.Conv1d( in_channels=1, # 输入通道数 out_channels=16, # 输出通道数 kernel_size=5, # 卷积核大小 stride=1, # 步长 padding=2, # 填充 ), nn.ReLU(), nn.MaxPool1d(kernel_size=2), ) self.conv2 = nn.Sequential( nn.Conv1d(16, 32, 5, 1, 2), nn.ReLU(), nn.MaxPool1d(2), ) self.out = nn.Linear(32 * 25, 2) # 全连接层 def forward(self, x): x = self.conv1(x) x = self.conv2(x) x = x.view(x.size(0), -1) output = self.out(x) return output # 加载模型 model = CNN() model.load_state_dict(torch.load('model.pth')) ``` 2. 加载测试集数据 ```python # 加载测试集数据 test_data = torch.from_numpy(test_data_np).float() test_loader = Data.DataLoader(test_data, batch_size=batch_size, shuffle=False) ``` 3. 预测无标签数据 ```python # 预测无标签数据 model.eval() preds = [] with torch.no_grad(): for x_test in test_loader: outputs = model(x_test) _, predicted = torch.max(outputs.data, 1) preds.extend(predicted.numpy().tolist()) ``` 完整代码如下： ```python import torch.nn as nn import torch.optim as optim import torch.utils.data as Data # 定义1D-CNN模型 class CNN(nn.Module): def __init__(self): super(CNN, self).__init__() self.conv1 = nn.Sequential( nn.Conv1d( in_channels=1, # 输入通道数 out_channels=16, # 输出通道数 kernel_size=5, # 卷积核大小 stride=1, # 步长 padding=2, # 填充 ), nn.ReLU(), nn.MaxPool1d(kernel_size=2), ) self.conv2 = nn.Sequential( nn.Conv1d(16, 32, 5, 1, 2), nn.ReLU(), nn.MaxPool1d(2), ) self.out = nn.Linear(32 * 25, 2) # 全连接层 def forward(self, x): x = self.conv1(x) x = self.conv2(x) x = x.view(x.size(0), -1) output = self.out(x) return output # 加载模型 model = CNN() model.load_state_dict(torch.load('model.pth')) # 加载测试集数据 test_data = torch.from_numpy(test_data_np).float() test_loader = Data.DataLoader(test_data, batch_size=batch_size, shuffle=False) # 预测无标签数据 model.eval() preds = [] with torch.no_grad(): for x_test in test_loader: outputs = model(x_test) _, predicted = torch.max(outputs.data, 1) preds.extend(predicted.numpy().tolist()) ```

“相关推荐”对你有帮助么？

非常没帮助
没帮助
一般
有帮助
非常有帮助

提交