油桃缺陷检测数据集VOC+YOLO格式559张2类别

于 2025-05-13 19:21:59 发布
阅读量194 收藏
点赞数 1
文章标签： YOLO 深度学习 机器学习
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/FL1623863129/article/details/147931937
版权

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)

图片数量(jpg文件个数)：559

标注数量(xml文件个数)：559

标注数量(txt文件个数)：559

标注类别数：2

标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["crack","normal"]

每个类别标注的框数：

crack 框数 = 946

normal 框数 = 1456

总框数：2402

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

图片预览：

标注例子：

【异常检测】MVTec LOCO AD 数据集
胡侃有料的博客
06-06 1449
MVTec LOCO AD 数据集介绍相比MVTec AD 增加了逻辑异常。
Fruits 360（水果数据集）
热门推荐
不务正业的猿
10-26 1万+
原文： Fruits 360 A dataset with 90483 images of 131 fruits and vegetables The following fruits and are included: Apples (different varieties: Crimson Snow, Golden, Golden-Red, Granny Smith, Pink Lady, Red, Red Delicious), Apricot, Avocado, Avocado rip.
YOLO数据集（二）：yolo餐桌水果检测数据集【6个类别、包含划分好的数据集和data.yaml】
m0_52343631的博客
10-23 964
该餐桌水果检测数据集包含6类常见的水果图像，共6265张图片，已经按照YOLO格式进行标注并划分成训练集和验证集。数据集还附带了data.yaml配置文件，用于定义类别数量和类别名称，以便于直接应用到YOLO的训练框架中。
基于yolov10的油桃成熟度检测系统，支持图像、视频和摄像实时检测【pytorch框架、python源码】
lanbo_ai的博客
10-15 829
基于yolov10的油桃成熟度检测系统是在pytorch框架下实现的，这是一个完整的项目，包括代码，数据集，训练好的模型权重，模型训练记录，ui界面和各种模型指标（准确率、精确率、召回率等）等。ui界面由pyqt5设计实现。超详细的pycharm+anaconda搭建python虚拟环境-CSDN博客​该项目可以使用已经训练好的模型权重，也可以自己重新训练，自己训练也比较简单：第一步：修改data/data.yaml中的数据集路径第二步：模型训练，即运行train.py文件。
构建自己的图像分类数据集
qq_45621016的博客
03-20 1356
安装配置环境图像采集采集函数该函数实现根据关键词和爬取数量，先在本地创建文件夹，再爬取目标图片并保存图像文件至本地爬取一类图片这里以柚子为关键词，设置爬取的数量为5爬取的结果如下图所示爬取多类图片将想要爬取的关键词写入列表中，对每一个关键词分别爬取五张图片。
【测试集mAP】yolov5中计算测试集mAP，修改类别序号为类别名称
weixin_44772147的博客
01-13 5178
yolov5计算测试集mAP
（已解决）torchvision.datasets数据集下载报错
qq_45100746的博客
05-16 783
找到刚刚出错的链接，将原来的http改为https，之后保存文件，关闭文件，重新运行，就显示已成功了。下载数据时总是出现Failed to download，在网上查了很多方法都无法解决。解决方法，按住ctrl，将鼠标移动到MNIST上点击，就会进入mnist.py文件。如果这个方法也不行的朋友们，也可以进行手动下载数据集，之后更改读取路径。
Josn数据格式
weixin_42151589的博客
03-01 5610
1.json数据格式 （Json的数据格式_BigData-CSDN博客_json数据格式) ( json数据的两种格式及两种json方法_海阔天空-CSDN博客_json数组数据格式）（ json的几种标准格式_小财迷嘻嘻的博客-CSDN博客_json格式） 标准格式： 对象是一个无序的“‘名称/值’对”集合。一个对象以“{”（左括号）开始，“}”（右括号）结束。每个“名称”后跟一个“:”（冒号）；“‘名称/值’ 对”之间使用“,”（逗号）分隔。 2.1 JSON数值 格...
mysql 一张表数据批量修改到另一张表
u011474272的博客
07-11 477
【代码】mysql 一张表数据批量修改到另一张表。
油桃缺陷检测数据集VOC+YOLO格式559张2类别.docx
最新发布
05-14
油桃缺陷检测数据集VOC+YOLO格式559张2类别.docx
农产品多类别目标检测数据集.zip
05-10
数据集介绍：农产品多类别目标检测数据集 数据集名称：农产品多类别目标检测数据集 数据规模： - 训练集：5,831张图片 - 验证集：205张图片 - 测试集：68张图片 分类类别（中英对照）： 梨(armut)、牛油果...
水果识别数据集-水果检测数据集.zip
01-05
水果识别数据集-水果检测数据集.zip水果识别数据集-水果检测数据集包含水果的高质量图像数据集。包括以下水果：苹果（不同品种：金，红，红，红，红），杏，鳄梨，鳄梨成熟，香蕉，樱桃（不同品种，瑞尼尔），克莱门...
水果和蔬菜的图像数据集+训练源码100多种蔬菜水果共9万多张图像
04-25
包含水果和蔬菜的高质量图像数据集。包括以下水果和蔬菜：苹果（不同品种：Crimson Snow、Golden、Golden-Red、Granny Smith、Pink Lady、Red、Red ...多水果集大小：103 张图片（每张图片不止一个水果（或水果类别））
水果识别数据集.zip
04-12
包含水果的高质量图像数据集。包括以下水果：苹果（不同品种：金，红，红，红，红），杏，鳄梨，鳄梨成熟，香蕉，樱桃（不同品种，瑞尼尔），克莱门蒂娜，可可，日期，百香果，葡萄（粉红，白，白2），葡萄柚（粉红...
国内警车检测数据集VOC+YOLO格式2874张1类别
FL1623863129的博客
05-10 199
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)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。标注类别名称:["policecar"]policecar 框数 = 3765。图片数量(jpg文件个数)：2874。标注数量(xml文件个数)：2874。标注数量(txt文件个数)：2874。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
YOLOv1 目标检测算法深度解析
sinat_34897952的博客
05-12 736
YOLOv1是一种革命性的目标检测算法，通过将检测任务转化为单一回归问题，实现了端到端的优化。其核心创新包括空间网格划分机制和联合预测编码策略，将输入图像划分为7×7网格，每个网格预测两个边界框和20类概率。网络架构由24个卷积层和2个全连接层组成，输入图像尺寸为448×448×3，最终输出7×7×30的张量。损失函数采用加权MSE损失，包含坐标损失、置信度损失和分类损失。YOLOv1在速度上具有显著优势，但存在小目标检测召回率低和定位精度不足的局限性。
计算机视觉——基于树莓派的YOLO11模型优化与实时目标检测、跟踪及计数的实践
知来者逆的博客
05-01 2934
YOLO11模型是专门为边缘设备优化的目标检测模型，与YOLOv8相比，它在显著降低模型复杂度（最多降低37%）的同时，仍保持了较高的检测精度（约85%的平均精度均值）。这种优化使得YOLO11能够在资源受限的树莓派上实现高效的实时目标检测，为边缘设备上的复杂计算机视觉任务提供了可能。其轻量级的模型结构和高效的推理性能，使其成为在树莓派上部署目标检测应用的首选模型之一。
棉花杂草检测数据集VOC+YOLO格式4279张2类别
FL1623863129的博客
05-12 204
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["noweed","weed"]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。图片数量(jpg文件个数)：4279。标注数量(xml文件个数)：4279。标注数量(txt文件个数)：4279。
物品识别 树莓派4 YOLO v11
caoyongsheng的博客
05-10 279
下面这条命令将安装 OpenCV 以及运行 YOLO 所需的基础设施。安装完毕，接着，打开Thonny，切换到常规模式。官方PyPI源在2025年Q1出现过区域性访问故障。用 Thonny 创建个文件 yolo.py。树莓派换清华源，bookworm。还会安装大量其他软件包，容易失败。如果安装失败（会显示一大片红色）如果有问题，再用这个装一下。点一下绿色 Run 按钮。可以识别身边的一些物品。
yolo水果识别数据集
03-22
### YOLO模型水果检测数据集下载 对于YOLO模型进行水果识别的任务，可以考虑使用已有的公开数据集来训练模型。以下是一些相关内容： #### 数据集介绍 存在一个名为“水果新鲜程度检测”的数据集，该数据集提供了丰富的标注信息，适用于目标检测任务[^1]。此数据集中包含了多种类型的水果图像及其对应的标签文件，能够满足YOLO模型的需求。 具体来说，这个数据集涵盖了六种不同种类的水果，分别是金冠苹果（Golden Delicious）、绿苹果（Granny Smith）、梨（Pear）、Red Delicious、红色油桃（Red Nectarine）以及黄色桃子（Yellow Peach）[^2]。 #### 数据集获取方式 可以通过访问链接地址 `https://download.csdn.net/download/zhiqingAI/85448544` 来直接下载上述提到的水果新鲜度检测数据集。请注意，在实际操作前确认网络环境允许并遵循资源分享平台的相关规定。 #### 转换至YOLO格式 为了使这些数据适配于YOLO框架下的训练过程，可能需要将原始标注转换成特定格式。通常情况下，每张图片对应一个`.txt`文件记录边界框坐标及相关类别编号。下面给出一段Python脚本作为参考实现这一功能： ```python import xml.etree.ElementTree as ET from os import getcwd def convert_annotation(image_id, list_file, classes): in_file = open('annotations/%s.xml' % (image_id)) tree=ET.parse(in_file) root = tree.getroot() for obj in root.iter('object'): difficult = obj.find('difficult').text cls = obj.find('name').text if cls not in classes or int(difficult)==1: continue cls_id = classes.index(cls) xmlbox = obj.find('bndbox') b = (int(xmlbox.find('xmin').text), int(xmlbox.find('ymin').text), int(xmlbox.find('xmax').text), int(xmlbox.find('ymax').text)) list_file.write(" " + ",".join([str(a) for a in b]) + ',' + str(cls_id)) sets=[('train'), ('val')] classes = ["GoldenDelicious", "GrannySmith", "Pear", "RedDelicious", "RedNectarine", "YellowPeach"] for image_set in sets: image_ids = open('ImageSets/Main/%s.txt'%(image_set)).read().strip().split() list_file = open('%s.txt'%(image_set), 'w') for image_id in image_ids: list_file.write('data/images/%s.jpg'%(image_id)) convert_annotation(image_id, list_file, classes) list_file.close() ``` 以上代码片段展示了如何读取标准VOC格式的XML标注并将它们转化为适合YOLO使用的TXT格式。
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

打赏作者

FL1623863129

你的打赏是我写文章最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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