Dev7z的博客

本研究使用的口腔疾病图像数据集共包含 12498 张有效图像，其中训练集 11965 张、验证集 533 张，数据类别包括牙结石、龋 齿、牙龈炎、先天缺牙、口腔溃疡和牙齿变色六类。该数据集为系统模型训练、分类识别及实验结果分析提供了可靠的数据基础。

本数据集共包含 10,156 张家居场景火焰烟雾图像，标注目标框总数为 12,372 个，涵盖 2 类目标，分别为 火焰（fire） 和 烟雾（smoke）。其中，火焰类别目标框数量为 12,064 个，烟雾类别目标框数量为 308 个。数据集采用 YOLO 格式进行标注，能够满足目标检测任务对数据组织与标签表示的要求，并为火焰烟雾识别模型的训练、验证与测试提供了数据基础

本研究使用的糖尿病视网膜病变眼底图像数据集共包含 4725 张有效图像，其中训练集 3781 张、测试集 944 张，涵盖 No DR、Mild、Moderate、Severe 和 Proliferative DR 五个类别，可为模型训练、分类识别和实验分析提供可靠的数据支持

本数据集共包含 1,920 张斑点叉尾鮰鱼图像，标注目标框总数为 2,070 个，涵盖 3 类目标，分别为正常个体（normal）、轻 微损伤个体（minor_damage）和严重损伤个体（major_damage）。其中，正常类别目标框数量为 900 个，轻微损伤类别为 450 个，严重损伤类别为 720 个。数据集采用 YOLO 格式进行标注，能够满足目标检测任务对数据组织与标签表示的要求。

本数据集包含5,408张茶叶病虫害图像，共标注7,273个目标框，涵盖7类病虫害：茶树黑腐病、茶树褐斑病、茶树叶锈病、红蜘蛛侵染、茶蚊虫侵染、健康茶叶和茶树白斑病。数据集按照70%:20%:10%的比例划分为训练集（3,785张）、验证集（1,082张）和测试集（541张），总大小126MB，采用YOLO格式标注。

本研究基于自建的6类耐张线夹压接缺陷数据集（2,976张图像/4,032个标注框），采用YOLO11n模型开发了一套支持图片、视频及实时摄像头检测的输电线路耐张线夹压接缺陷检测系统。

本研究基于自建的5类柑橘病害数据集（5,658张图像/7,062个标注框），采用YOLO11n模型开发了一套支持图片、视频及实时摄像头检测的柑橘病害智能诊断与防治系统。

摘要：本研究基于自建的4类高速公路违章停车数据集（2,120张图像/2,380个标注框），采用YOLOv11n模型开发了一套支持图片、视频及实时摄像头检测的高速公路违章停车智能检测系统。

摘要：本研究基于自建的6类违章停车数据集（2313张图像/6606个标注框），采用YOLOv11模型开发了一套支持图片、视频及实时摄像头检测的违章停车智能检测系统。

本研究构建了一个面向自动扶梯危险行为检测的目标检测数据集，共包含 2772 张图像和 3168 个标注框，涵盖 10 类典型危险行为。数据集按 7:2:1 的比例划分为训练集、验证集和测试集（分别为 1940、554、278 张），采用 YOLO 标注格式

泳池溺水事故具有突发性强、识别窗口短的特点，传统人工监控方式难以实现全时段、全覆盖的有效监测。为推动基于计算机视觉的智能溺水预警技术研究，本研究构建了一个面向泳池场景的溺水行为检测数据集，旨在为目标检测模型提供可靠的训练与评估基准。

随着教育信息化的深入发展，考试监考工作面临着人力成本高、监控效率低、主观判断差异大等挑战。为推动智能监考技术的发展，本研究构建了一个面向考试异常行为检测的大规模标注数据集。该数据集包含5,463张高质量图像，按照7:2:1的比例划分为训练集（3,824张）、验证集（1,092张）和测试集（547张），确保了模型训练和评估的科学性。

本数据集是一个专门针对车辆品牌与类型识别的目标检测数据集，包含 7,029 张真实场景图像和 14,058 个精确标注框。数据集采用 YOLO 格式标注，涵盖 22 个主流汽车品牌和 6 个车型类别，旨在支持智能交通、车辆管理、停车场监控等场景中的车辆识别与分析。

数据集是一个专门针对公共区域发传单行为的目标检测数据集，包含 3,443 张真实场景图像和 6,886 个精确标注框。 数据集采用 YOLO 格式标注，涵盖 person（人员）和 leaflet（传单）两个核心类别， 旨在支持公共空间中人员与传单交互行为的智能识别与分析。

本研究采用的服装厂废料（边角料）分类检测数据集由研究团队自主构建，具备完整的数据采集与标注流程，并具有自主知识产权。数据集面向车间废料分拣与智能回收应用，涵盖棉布、牛仔布、针织布、皮革、涤纶、缝纫线团及人造皮革等 7 类典型废料目标。样本来源于实际及模拟车间场景，覆盖不同堆叠、遮挡、视角与光照条件，具有较强的代表性与多样性，可为 YOLO11 模型训练与性能评估提供有效支撑。

本研究采用的人员异常行为检测数据集由研究团队自主构建，具备完整的数据采集、标注与整理流程，并具有明确的自主知识产权。数据集面向智能安防应用场景，涵盖正常行为及打架、斗殴、抢劫、盗窃等多类异常行为，样本来源于不同视角和光照条件下的模拟监控环境。数据标注严格遵循 YOLO 目标检测格式，为基于 YOLO 系列模型的人员异常行为检测提供了可靠的数据基础。

本研究使用的数据集由猿创作者团队整理优化，专门针对轨道交通车站客流监控应用场景设计，主要包含车站内行人的常规数据。所有样本均来自真实的轨道交通车站环境，能够有效反映行人在不同场景下的行为模式和复杂性。数据集采用YOLO目标检测标准格式，重点聚焦于行人检测，为轨道交通领域的智能监控与客流分析提供了宝贵的数据资源。

本研究使用的数据集由猿创作者团队自主构建，涵盖数据采集、标注与整理的完整流程，具备明确的自主知识产权属性。数据内容围绕智能养老和居家安全监护应用场景设计，包含老年人常见日常行为及摔倒、滑倒等高风险异常行为。所有样本均采集自模拟居家监控环境，并在不同拍摄视角和光照条件下获取，能够有效反映真实场景中老年人行为模式的多样性与复杂性。

该数据集是肺炎胸片图像检测数据集，包含细菌性肺炎、病毒性肺炎、结核病、健康肺部和生病影像。目标是通过YOLO模型自动识别并定位胸片中病灶的位置，同时输出分类标签和置信度，实现肺炎及相关疾病的智能检测与快速定位，辅助医生提高诊断效率。

本数据集为樱桃叶部病害图像分类数据集，包含樱桃健康叶片与多种樱桃叶部病害叶片图像。 数据集旨在基于轻量化卷积神经网络 MobileNetV3 模型，利用深度学习技术自动提取叶片特征并输出分类标签与置信度，从而实现樱桃叶部病害的智能识别与快速分类。

本数据集包含河南特色农产品图像，涵盖灵宝苹果、杞县大蒜、温县铁棍山药、信阳毛尖茶和新郑大枣等农产品。基于Swin Transformer模型，利用深度学习自动提取特征并输出分类标签和置信度，支持农产品的智能识别与分类。

本数据集包含中国交通警察手势图像，涵盖直行、变道、左转弯、左转弯待转、靠边停车、右转弯、减速慢行和停止等指令。基于Swin Transformer模型，利用深度学习自动提取特征并输出分类标签和置信度，支持交通手势的智能识别与响应。

本数据集包含帕金森症手绘图像，涵盖健康、轻度、中度和重度四个阶段。基于Swin Transformer模型，通过深度学习自动提取特征并输出分类标签和置信度，助力帕金森症的智能诊断和早期筛查。

本数据集包含心电图图像，涵盖房性传导阻滞、新冠病毒、心肌损伤、心肌梗死和心脏正常等五类病症。通过深度学习训练，模型自动提取特征并输出分类标签和置信度，助力临床诊断，推动心电图智能诊断和早期筛查应用。

本数据集包含肺腺癌、良性肺组织与肺鳞状细胞癌图像，通过深度学习训练，模型自动提取特征并输出分类标签与置信度，为临床提供辅助诊断，推动肺癌智能诊断与早期筛查。

本数据集包含结肠腺癌与良性结肠组织图像，通过深度学习训练，模型自动提取特征，区分结肠腺癌与正常结肠组织并输出分类标签与置信度，为临床提供辅助诊断，推动结肠癌智能诊断与早期筛查。

本数据集包含肝脏MRI影像样本：良性肿瘤（Benign）和恶性肿瘤（Malignant）。通过深度学习训练，模型能够自动提取肿瘤的关键特征，区分肝脏肿瘤类型并输出分类标签与置信度评分，为临床提供辅助诊断依据。该数据集旨在推动肝脏肿瘤的智能诊断与早期筛查，助力肝脏医学影像分析的智能化。

本数据集包含不同类型的脑部 MRI 影像样本：脑胶质瘤（Glioma）、脑膜瘤（Meningioma）、垂体瘤（Pituitary Tumor） 以及 正常脑部（Normal）。数据集旨在构建高精度的图像分类模型，实现对脑肿瘤与健康脑组织的自动识别与判定。通过对大量标注清晰、质量可控的MRI影像进行深度学习训练，模型能够自动提取病灶的关键结构与纹理特征，区分不同肿瘤类型并输出类别标签与置信度评分，从而为临床提供可靠的辅助诊断依据。该数据集的建立旨在推动深度学习与人工智能技术在脑肿瘤早期筛查、术前评估与智能诊

本数据集包含不同类型的皮肤病变影像样本：痤疮、湿疹、健康皮肤、指甲真菌感染、皮肤疣、皮肤良性痣和皮肤恶性痣。旨在构建高精度的图像分类模型，实现对皮肤病变健康状态的自动识别与判定。通过对大量标注清晰的皮肤病变影像进行深度学习训练，模型能够自动提取皮肤病变的关键特征，区分不同病变类型，从而为临床提供辅助诊断依据。该数据集的建立旨在推动深度学习与人工智能技术在皮肤病变早期筛查与智能诊断中的应用，助力实现皮肤病变医疗影像分析的标准化与智能化。

本数据集包含不同类型的糖尿病视网膜病变影像样本：轻度病变、中度病变、增殖性病变和重度病变。旨在构建高精度的图像分类模型，实现对糖尿病视网膜病变健康状态的自动识别与判定。通过对大量标注清晰的糖尿病视网膜病变影像进行深度学习训练，模型能够自动提取糖尿病视网膜病变的关键特征，区分不同病变类型，从而为临床提供辅助诊断依据。该数据集的建立旨在推动深度学习与人工智能技术在糖尿病视网膜病变早期筛查与智能诊断中的应用，助力实现糖尿病视网膜病变医疗影像分析的标准化与智能化。

本数据集包含两类甲状腺结节影像样本：良性结节和恶性结节。旨在构建高精度的图像分类模型，实现对甲状腺结节健康状态的自动识别与判定。通过对大量标注清晰的甲状腺结节影像进行深度学习训练，模型能够自动提取甲状腺结节的关键特征，区分良性结节与恶性结节，从而为临床提供辅助诊断依据。该数据集的建立旨在推动深度学习与人工智能技术在甲状腺结节早期筛查与智能诊断中的应用，助力实现甲状腺结节医疗影像分析的标准化与智能化。

本数据集包含两类脑血管疾病影像样本：健康脑部和脑中风。旨在构建高精度的图像分类模型，实现对脑血管健康状态的自动识别与判定。通过对大量标注清晰的脑中风影像进行深度学习训练，模型能够自动提取脑部关键特征，区分健康脑部与脑中风，从而为临床提供辅助诊断依据。该数据集的建立旨在推动深度学习与人工智能技术在脑中风早期筛查与智能诊断中的应用，助力实现脑中风医疗影像分析的标准化与智能化。

本数据集包含两类乳腺肿瘤影像样本：乳腺良性肿瘤和乳腺恶性肿瘤。旨在构建高精度的图像分类模型，实现对乳腺肿瘤类型的自动识别与判定。通过对大量标注清晰的乳腺肿瘤影像进行深度学习训练，模型能够自动提取乳腺组织的关键特征，区分良性与恶性肿瘤，从而为临床提供辅助诊断依据。该数据集的建立旨在推动深度学习与人工智能技术在乳腺癌早期筛查与智能诊断中的应用，助力实现乳腺医疗影像分析的标准化与智能化。

本数据集包含五类宠物皮肤病影像样本：湿性皮炎、脓疱病、脂溢性皮炎、皮肤肿瘤和酵母菌感染。旨在构建高精度的图像分类模型，实现对宠物皮肤病状态的自动识别与判定。通过对大量标注清晰的宠物皮肤病影像进行深度学习训练，模型能够自动提取皮肤组织的关键特征，区分不同类型的皮肤病变，从而为临床提供辅助诊断依据。该数据集的建立旨在推动深度学习与人工智能技术在宠物皮肤病早期筛查与智能诊断中的应用，助力实现宠物医疗影像分析的标准化与智能化。

本数据集包含两类儿童肺炎影像样本：肺部正常与肺部炎症。旨在构建高精度的图像分类模型，实现对儿童肺炎状态的自动识别与判定。通过对大量标注清晰的医学影像进行深度学习训练，模型能够自动提取肺部组织的关键特征，区分正常与炎症组织，从而为临床提供辅助诊断依据。该数据集的建立旨在推动深度学习与人工智能技术在儿童肺炎早期筛查与智能诊断中的应用，助力实现医疗影像分析的标准化与智能化。

本数据集包含两类肾脏影像样本：肾脏正常与肾脏癌症。旨在构建高精度的图像分类模型，实现对肾脏肿瘤状态的自动识别与判定。通过对大量标注清晰的医学影像进行深度学习训练，模型能够自动提取肾脏组织的关键特征，区分正常与癌变组织，从而为临床提供辅助诊断依据。该数据集的建立旨在推动深度学习与人工智能技术在肾脏癌症早期筛查与智能诊断中的应用，助力实现医疗影像分析的标准化与智能化。

本数据集包含四类认知障碍影像样本：轻度认知障碍、中度认知障碍、无认知障碍和极轻度认知障碍。旨在构建高精度的分类模型，实现对不同认知状态的自动识别，为临床提供辅助诊断依据，推动深度学习与人工智能技术在阿尔茨海默病早期诊断和认知障碍检测中的应用。

本数据集包含六类恶意软件样本：病毒（Virus）、蠕虫（Worm）、特洛伊木马（Trojan）、间谍软件（Spyware）、广告软件（Adware）和勒索软件（Ransomware）。该数据集旨在构建高精度的分类模型，实现对不同类型恶意软件行为的自动识别与检测，为网络安全分析和威胁防御提供辅助决策依据，推动深度学习与人工智能技术在恶意软件分析与网络安全防护中的应用。

本数据集包含六类舌苔样本：红色舌苔厚腻、白色舌苔厚腻、黑色舌苔、白霉舌苔、紫色舌苔和红色舌苔黄腻厚，旨在构建高精度的分类模型，实现对不同舌苔状态的自动识别，为临床提供辅助诊断依据，推动智能医疗技术在中医诊断和疾病早期检测中的应用。

本数据集采用包含心肌梗死（MI）、心律不齐（ARR）和正常心律（Normal, NL）三类样本的心电图数据集，旨在构建高精度的分类模型，实现对不同心脏状态的自动识别，为临床提供辅助诊断依据，推动智能医疗技术在心血管疾病早期检测与预警中的应用。