智慧养殖场肉鸡目标检测数据集VOC+YOLO格式3548张1类别.7z
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):3548
标注数量(xml文件个数):3548
标注数量(txt文件个数):3548
标注类别数:1
标注类别名称:["boiler"]
每个类别标注的框数:
boiler 框数 = 54270
总框数:54270
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
下载前请务必查看样张:https://blog.csdn.net/FL1623863129/article/details/142343495
基于yolov8的肉鸡健康状态检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】
windows10
anaconda3+python3.8
torch==1.9.0+cu111
ultralytics==8.2.95
【模型可以检测出类别】
AbNormal
Normal
更多实现细节访问博文:https://blog.csdn.net/FL1623863129/article/details/142342406
智慧养殖场肉鸡健康状态检测数据集VOC+YOLO格式4657张2类别.7z
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):4657
标注数量(xml文件个数):4657
标注数量(txt文件个数):4657
标注类别数:2
标注类别名称:["AbNormal","Normal"]
每个类别标注的框数:
AbNormal 框数 = 8447
Normal 框数 = 13163
总框数:21610
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
更多信息访问博文:https://blog.csdn.net/FL1623863129/article/details/142340382
基于yolov8的红外小目标无人机飞鸟检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】
windows10
anaconda3+python3.8
torch==1.9.0+cu111
ultralytics==8.2.95
【模型可以检测出类别】
Airplane
Bird
Drone
Helicopter
更多实现细节参考博文:https://blog.csdn.net/FL1623863129/article/details/142336946
红外微小目标无人机直升机飞机飞鸟检测数据集VOC+YOLO格式7559张4类别.7z
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):7559
标注数量(xml文件个数):7559
标注数量(txt文件个数):7559
标注类别数:4
标注类别名称:["Airplane","Bird","Drone","Helicopter"]
每个类别标注的框数:
Airplane 框数 = 971
Bird 框数 = 1214
Drone 框数 = 4242
Helicopter 框数 = 1431
总框数:7858
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
预览标注和图片更多信息参考博文:https://blog.csdn.net/FL1623863129/article/details/142334999
无人机飞鸟检测数据集VOC+YOLO格式6647张2类别.7z
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):6647
标注数量(xml文件个数):6647
标注数量(txt文件个数):6647
标注类别数:2
标注类别名称:["Bird","Drone"]
每个类别标注的框数:
Bird 框数 = 3567
Drone 框数 = 4290
总框数:7857
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
更多信息:https://blog.csdn.net/FL1623863129/article/details/142333919
棉花叶子病害检测数据集VOC+YOLO格式977张22类别.7z
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):977
标注数量(xml文件个数):977
标注数量(txt文件个数):977
标注类别数:22
重要说明:分辨率均为640x640,请仔细观看图片预览确认是否符合自己实际项目需求斟酌下载
下载前请务必参考博文确认数据集是否符合项目需求:https://blog.csdn.net/FL1623863129/article/details/142329963
基于yolov8的舌苔识别检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】
windows10
anaconda3+python3.8
torch==1.9.0+cu111
ultralytics==8.2.95
【模型可以检测出类别】
houbai(厚白)
huihei(灰黑)
houhuang(厚黄)
fenhong(粉红)
bobai(薄白)
更多实现细节参考博文:https://blog.csdn.net/FL1623863129/article/details/142324070
基于yolov8的战斗机类型识别检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【使用步骤】
使用步骤:
(1)首先根据官方框架https://github.com/ultralytics/ultralytics安装教程安装好yolov8环境,并安装好pyqt5
(2)切换到自己安装的yolov8环境后,并切换到源码目录,执行python main.py即可运行启动界面,进行相应的操作即可
【提供文件】
python源码
yolov8n.onnx模型(不提供pytorch模型)
训练的map,P,R曲线图(在weights\results.png)
测试图片(在test_img文件夹下面)
更多实现细节参考博文:https://blog.csdn.net/FL1623863129/article/details/142323060
战斗机检测数据集VOC+YOLO格式10100张43类别.7z
数据集格式:Pascal VOC格式+YOLO格式(不含分割路径的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)
图片量(jpg文件个数):10100
标注量(xml文件个数):10100
标注量(txt文件个数):10100
标注类别:43
标注类别名称:[“A10”,“A400M”,“AG600”,“AV8B”,“B1”,“B2”,“B52”,“Be200”,“C2”,“C5”,“C17”,“C130”,“E2”,“E7”,“EF2000”,“F4”,“F14”,“F15”,“F16”,“F18”,“F22”,“F35”,“F117”,“J20”,“JAS39”,“MQ9”,“Mig31”,“Mirage2000”,“P3”,“RQ4”,“Rafale”,“SR71”,“Su34”,“Su57”,“Tornado”,“Tu95”,“Tu160”,“U2”,“US2”,“V22”,“Vulcan”,“XB70”,“YF23”]
更多信息:blog.csdn.net/FL1623863129/article/details/142322747
基于yolov8+lprnet的中文车牌识别系统python源码+pytorch模型+精美GUI界面.zip
【测试环境】
windows10
anaconda3+python3.8
torch==1.9.0+cu111
ultralytics==8.2.95
【模型可以检测出类别】
plate
视频演示:https://www.bilibili.com/video/BV1B5tYeSEyg/
更多实现细节:https://blog.csdn.net/FL1623863129/article/details/142317812
智能手机屏幕缺陷检测数据集VOC+YOLO格式1200张3类别.7z
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):1200
标注数量(xml文件个数):1200
标注数量(txt文件个数):1200
标注类别数:3
标注类别名称:["oilspot","scratch","star"]
每个类别标注的框数:
oilspot 框数 = 554
scratch 框数 = 1335
star 框数 = 1135
总框数:3024
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
更多信息:https://blog.csdn.net/FL1623863129/article/details/136764515
基于USTC数据集结合mediapipe和yolov5算法实现的手语视频识别系统python源码.zip
下载后提取文件即可获取源码,注意这个需要安装pyqt5,opencv-python还有pytorch,您可以按照官方yolov5环境进行安装,然后安装完毕执行main.py函数接口看到界面出来,默认是打开摄像头,您也可以修改main.py第336行为'./video/t.avi文件路径进行测试
AI健身体能测试之基于paddlehub实现引体向上计数个数统计源码+模型+视频例子+视频结果文件.zip
使用环境:
paddlepaddle==2.4.2
paddlehub==2.4.0
理论上安装最新paddle环境也行。
实现的细节参考博文:https://blog.csdn.net/FL1623863129/article/details/142307043
基于yolov8的茶叶病害检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】
windows10
anaconda3+python3.8
torch==1.9.0+cu111
ultralytics==8.2.70
【模型可以检测出类别】
Black rot of tea
Brown blight of tea
Leaf rust of tea
Red Spider infested tea leaf
Tea Mosquito bug infested leaf
Tea leaf
White spot of tea
disease
更多实现细节参考博文:https://blog.csdn.net/FL1623863129/article/details/142305205
茶叶病害检测数据集VOC+YOLO格式9591张8类别.7z
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):9591
标注数量(xml文件个数):9591
标注数量(txt文件个数):9591
标注类别数:8
标注类别名称:["Black rot of tea","Brown blight of tea","Leaf rust of tea","Red Spider infested tea leaf","Tea Mosquito bug infested leaf","Tea leaf","White spot of tea","disease"]
更多详细信息参考博文:https://blog.csdn.net/FL1623863129/article/details/142304275
茶叶7种常见病害数据集茶叶病害分类数据集6749张7类别.7z
数据集类型:图像分类用,不可用于目标检测无标注文件
数据集格式:仅仅包含jpg图片,每个类别文件夹下面存放着对应图片
图片数量(jpg文件个数):6749
分类类别数:7
类别名称:["Unlabeled","algal_spot","brown_blight","gray_blight","healthy","helopeltis","red_spot"]
每个类别图片数:
Unlabeled 图片数:439
algal_spot 图片数:1113
brown_blight 图片数:980
gray_blight 图片数:1000
healthy 图片数:1074
helopeltis 图片数:1000
red_spot 图片数:1143
重要说明:数据集里面茶叶均为单叶,请仔细查看图片预览,斟酌下载
更多信息查看:https://blog.csdn.net/FL1623863129/article/details/142303855
狗狗表情识别VOC+YOLO格式3971张4类别.7z
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):3971
标注数量(xml文件个数):3971
标注数量(txt文件个数):3971
标注类别数:4
标注类别名称:["angry","happy","relaxed","sad"]
每个类别标注的框数:
angry 框数 = 1051
happy 框数 = 1041
relaxed 框数 = 1038
sad 框数 = 1010
总框数:4140
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
更多信息:https://blog.csdn.net/FL1623863129/article/details/136329961
基于yolov8的谢韦尔钢材缺陷检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】
windows10
anaconda3+python3.8
torch==1.9.0+cu111
ultralytics==8.2.70
【模型可以检测出类别】
scratches
pitting
crack
patches
更多实现细节参考博文:https://blog.csdn.net/FL1623863129/article/details/142300152
谢韦尔钢材缺陷检测数据集VOC+YOLO格式6666张4类别.7z
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):6666
标注数量(xml文件个数):6666
标注数量(txt文件个数):6666
标注类别数:4
标注类别名称:["crack","patches","pitting","scratches"]
每个类别标注的框数:
crack 框数 = 321
patches 框数 = 1911
pitting 框数 = 3085
scratches 框数 = 14700
总框数:20017
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
更多信息:https://blog.csdn.net/FL1768317420/article/details/142298872
基于yolov8的无人机检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】
windows10
anaconda3+python3.8
torch==1.9.0+cu111
yolov5依赖模块
【模型可以检测出类别】
uav
更多实现细节参考博文:https://blog.csdn.net/FL1623863129/article/details/142298346
基于yolov5的混凝土缺陷检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】
windows10
anaconda3+python3.8
torch==1.9.0+cu111
yolov5依赖模块
【模型可以检测出类别】
["Armatura in vista","Delaminazione","Efflorescenza","Fessura","Scaling","Spalling","Tracce di ruggine"]
对应中文类别 [“可见裂斑”、“分层”、“风化”、“缝隙”、“剥落”、“脱落”、“锈迹”]
更多信息:https://blog.csdn.net/FL1623863129/article/details/142297313
混凝土缺陷检测数据集VOC+YOLO格式7513张7类别.7z
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):7513
标注数量(xml文件个数):7513
标注数量(txt文件个数):7513
标注类别数:7
标注类别名称:["Armatura in vista","Delaminazione","Efflorescenza","Fessura","Scaling","Spalling","Tracce di ruggine"]
总框数:40324
使用标注工具:labelImg
标注规则:对类别进行画矩形框
重要说明:对应中文类别 [“可见裂斑”、“分层”、“风化”、“缝隙”、“剥落”、“脱落”、“锈迹”]
更多信息:https://blog.csdn.net/FL1623863129/article/details/142294786
无人机识别检测数据集VOC+YOLO格式6986张1类别.7z
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):6986
标注数量(xml文件个数):6986
标注数量(txt文件个数):6986
标注类别数:1
标注类别名称:["uav"]
每个类别标注的框数:
uav 框数 = 7588
总框数:7588
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
更多信息:https://blog.csdn.net/FL1623863129/article/details/142292919
痤疮严重程度分级分类数据集999张3类别.7z
数据集类型:图像分类用,不可用于目标检测无标注文件
数据集格式:仅仅包含jpg图片,每个类别文件夹下面存放着对应图片
图片数量(jpg文件个数):999
分类类别数:3
类别名称:["Level_0","Level_1","Level_2"]
每个类别图片数:
Level_0 图片数:387
Level_1 图片数:473
Level_2 图片数:139
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分类存放
更多信息:https://blog.csdn.net/FL1623863129/article/details/142283582
铁路列车手势分类数据集3852张5类别.7z
数据集格式:仅仅包含jpg图片,每个类别文件夹下面存放着对应图片
图片数量(jpg文件个数):3852
分类类别数:5
类别名称:["fache","jinzhanxinhao","tingchexinhao","yibiaozhengchang","zhenxiantinche"]
每个类别图片数:
fache 图片数:783
jinzhanxinhao 图片数:882
tingchexinhao 图片数:684
yibiaozhengchang 图片数:1098
zhenxiantinche 图片数:405
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分类存放
更多信息:https://blog.csdn.net/FL1768317420/article/details/142282367
智慧交通铁路工人工服安全帽检测数据集VOC+YOLO格式3065张3类别.7z
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):3065
标注数量(xml文件个数):3065
标注数量(txt文件个数):3065
标注类别数:3
标注类别名称:["cloth","hat","person"]
每个类别标注的框数:
cloth 框数 = 7883
hat 框数 = 6515
person 框数 = 7973
总框数:22371
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
智慧交通铁路人员危险行为躺站坐检测数据集VOC+YOLO格式3766张4类别.7z
图片数量(jpg文件个数):3766
标注数量(xml文件个数):3766
标注数量(txt文件个数):3766
标注类别数:4
标注类别名称:["sitting","sleeping","standing","track"]
每个类别标注的框数:
sitting 框数 = 1406
sleeping 框数 = 689
standing 框数 = 1782
track 框数 = 1819
总框数:5696
使用标注工具:labelImg
标注规则:对类别进行画矩形框
重要说明:数据集里面有很多增强图片请仔细查看图片斟酌下载。这个数据集主要是检测铁路上人的行为,铁路上动物等没有标注
更多信息:https://blog.csdn.net/FL1623863129/article/details/142281361
智慧交通铁轨裂缝检测数据集VOC+YOLO格式4类别.7z
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):2709
标注数量(xml文件个数):2709
标注数量(txt文件个数):2709
标注类别数:4
标注类别名称:["crack","large-gap","medium-gap","small-gap"]
每个类别标注的框数:
crack 框数 = 878
large-gap 框数 = 275
medium-gap 框数 = 442
small-gap 框数 = 1663
总框数:3258
使用标注工具:labelImg
标注规则:对类别进行画矩形框
重要说明:数据集有部分存在增强图片请仔细看出图片预览斟酌下载
更多信息:https://blog.csdn.net/FL1623863129/article/details/142280337
智慧交通铁路异物入侵检测数据集VOC+YOLO格式802张7类别.7z
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):802
标注数量(xml文件个数):802
标注数量(txt文件个数):802
标注类别数:7
标注类别名称:["Train","bucket","motorbike","person","stone","vehicle","wood"]
每个类别标注的框数:
Train 框数 = 242
bucket 框数 = 95
motorbike 框数 = 32
person 框数 = 822
stone 框数 = 193
vehicle 框数 = 299
wood 框数 = 84
总框数:1767
使用标注工具:labelImg
标注规则:对类别进行画矩形框
重要说明:异物包括检测人、石头、木头、车、摩托车等
更多信息:https://blog.csdn.net/FL1623863129/article/details/142280171
葡萄成熟度检测数据集VOC+YOLO格式1123张3类别.7z
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):1123
标注数量(xml文件个数):1123
标注数量(txt文件个数):1123
标注类别数:3
标注类别名称:["ripe grape","semiripe grape","unripe grape"]
每个类别标注的框数:
ripe grape 框数 = 956
semiripe grape 框数 = 118
unripe grape 框数 = 59
总框数:1133
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
更多信息:https://blog.csdn.net/FL1623863129/article/details/142276677
疟疾恶性疟原虫物种目标检测数据集VOC+YOLO格式948张1类别.7z
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):948
标注数量(xml文件个数):948
标注数量(txt文件个数):948
标注类别数:1
标注类别名称:["plasmodium"]
每个类别标注的框数:
plasmodium 框数 = 7628
总框数:7628
使用标注工具:labelImg
标注规则:对类别进行画矩形框
重要说明:网上看到同类数据集他们标注都存在问题。这个数据集专门经过写代码经过修复
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
更多信息:https://blog.csdn.net/FL1623863129/article/details/142275131
windows将网易云ncm格式转换为mp3-flac的小工具.zip
在windows平台上,用户经常遇到的问题之一是无法直接播放网易云音乐下载的NCM格式音频文件,因为这是一种专有的加密格式。本压缩包提供了一个小工具,帮助用户将NCM格式转换为更通用的MP3或FLAC格式,以便在其他设备或音乐播放器上自由享用。:
智慧交通基于yolov8的行人车辆检测计数系统python源码+onnx模型+精美GUI界面.zip
测试环境】
windows10
anaconda3+python3.8
torch==1.9.0+cu111
ultralytics==8.2.70
【模型可以检测出类别】
person,car,bus,truck,traffic light
更多实现细节参考博文:https://blog.csdn.net/FL1623863129/article/details/142265382
oracle好用卸载工具2个.zip
Oracle完全卸载工具,需要安装,一键卸载,亲测可用。
基于yolov8的行人检测计数系统python源码+onnx模型+精美GUI界面.zip
【测试环境】
windows10
anaconda3+python3.8
torch==1.9.0+cu111
ultralytics==8.2.70
【模型可以检测出类别】
person(使用是官方coco 80类,可修改检测80类里面任意几个类别都行)
更多实现细节参考博文:https://blog.csdn.net/FL1623863129/article/details/142261234
基于python实现的深度强化学习开发的网络入侵检测系统源码+数据集.zip
通过A3C(Asynchronous Advantage Actor-Critic)算法实现入侵检测系统(IDS),我们能够显著提升对网络空间中流量数据的识别与异常分类能力。A3C算法作为一种高效的强化学习算法,通过多个并行的智能体异步训练,有效解决了传统方法在连续动作空间和高维状态空间中的局限。在IDS中,A3C算法扮演智能决策引擎的角色,实时分析网络流量数据,利用Actor网络学习策略函数以选择最合适的响应策略,同时Critic网络评估这些策略的价值,并提供反馈以优化策略更新。这种并行化、异步化的学习方式不仅提高了训练效率,还增强了系统的稳定性和适应性,使得IDS能够更准确地识别正常流量模式与潜在的异常行为,从而在网络安全防护中发挥重要作用。
Mask-RCNN-TF2.10.0可训练推理源码+预训练模型+测试数据集.zip
官方原版框架为:github.com/matterport/Mask_RCNN,很可惜这个框架只支持tf1.x版本,现在显卡都RTX40系列了,RTX30系列及其以上没法正常用tf1.x的GPU版本,所以改写这个框架支持最新显卡,在windows上tensorflow-gpu==2.10.0可以正常预测和训练,理论支持tensorflow>=2.5.0,在linux上测试tensorflow-gpu==2.14.0也可以正常跑。源码里面提供了我自己标注数据集可以安装环境后直接运行train.py。安装环境需要和requirements_firc.txt模块版本一致,不一样可能跑不起来,尤其注意numpy版本。具体训练流程matterport/Mask_RCNN是一样的,可以百度随便找个教程跟着流程走即可
俯拍航拍森林火灾检测数据集VOC+YOLO格式6116张2类别.7z
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):6116
标注数量(xml文件个数):6116
标注数量(txt文件个数):6116
标注类别数:2
标注类别名称:["fire","smoke"]
每个类别标注的框数:
fire 框数 = 15380
smoke 框数 = 12613
总框数:27993
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
更多信息:https://blog.csdn.net/FL1623863129/article/details/142254946