基于tensorflow+VGG19实现的手指静脉识别源码+模型+使用说明.zip
基于tensorflow实现手指静脉识别项目,带有GUI操作界面,使用说明很详细,并且模型已经提供给大家。
基于yolov5增强数据集算法mosaic来扩充自己的数据集自动生成增强图片和对应标注无需重新标注源码
mosaic增强被认为是在传统增强算法最能提升模型性能的增强手段之一,因此研究了一下如何在已有数据集和标注情况下通过这个增强扩充自己的数据集,数据集扩展后,自动生成图片和对应标注,这样无需重新标注大大加快数据集集成能力。因此我实现了这个功能,而且效果很不错。
具体实现细节参考博文:https://blog.csdn.net/FL1623863129/article/details/142479299
Udacity交通目标检测数据集VOC+YOLO格式13063张11类别.zip
数据集太大放百度云了
重要说明:数据集小于实际Udacity数据集图片数是因为里面存在空标注错误标注,已经被剔除,可以放心下载和训练自己模型,不用担心出现问题,数据集已经经过我这边自动修复、自动核验是否符合VOC格式标注规范
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):13063
标注数量(xml文件个数):13063
标注数量(txt文件个数):13063
标注类别数:11
标注类别名称:[“biker”,“car”,“pedestrian”,“trafficLight”,“trafficLight-Green”,“trafficLight-GreenLeft”,“trafficLight-Red”,“trafficLight-RedLeft”,“trafficLight-Yellow”,“trafficLight-YellowLeft”,“truck”]
基于yolov5的中国交通标志TT100K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
更多实现细节参考博文:https://blog.csdn.net/FL1623863129/article/details/142448022
中国交通标志TT100K检测数据集VOC+YOLO格式7962张45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):7962
标注数量(xml文件个数):7962
标注数量(txt文件个数):7962
标注类别数:45
更多信息访问博文:https://blog.csdn.net/FL1623863129/article/details/142448008
基于yolov8+deepsort+gradio实现目标追踪演示源码
具体实现细节和效果参考博文:https://blog.csdn.net/FL1623863129/article/details/142438034
DOTAv2.0遥感航拍目标检测数据集VOC+YOLO格式4840张16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):4840
标注数量(xml文件个数):4840
标注数量(txt文件个数):4840
标注类别数:16
标注类别名称:["baseball-diamond","basketball-court","bridge","container-crane","ground-track-field","harbor","helicopter","large-vehicle","plane","roundabout","ship","small-vehicle","soccer-ball-field","storage-tank","swimming-pool","tennis-court"]
更多信息:https://blog.csdn.net/FL1623863129/article/details/142436137
DOTAv1.0遥感航拍目标检测数据集VOC+YOLO格式1713张16类别.zip
数据集超过1GB放百度云盘去了,请下载后打开下载地址.xlsx获取下载地址
重要说明:数据集图片要低于实际官方图片属于正常现象,因为官方数据集里面标注存在部分错误,我这边已经通过代码去掉错误标注,比如坐标位置超过图片实际宽高,坐标左上角和右下角坐标不符合实际等情况。此外dota数据集目标都是小目标,因此如果训练后map非常低属于正常现象,因为小目标很难训练而且很难检测,这个是业界公认难点。
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):1713
标注数量(xml文件个数):1713
标注数量(txt文件个数):1713
标注类别数:16
更多信息参考博文:https://blog.csdn.net/FL1623863129/article/details/142434305
libomp140.x86-64.dll和vcomp140.dll
引入pytorch 报错 Error loading\\Lib\\site-packages\\torch\\lib\\fbgemm.dll\ or one of its dependences将这2个dll下载后放入C:\Windows\system32里面即可解决问题,如果提示文件存在则可能不是由于这个dll引起,如果有其中一个存在另一个dll没有的话放入另一个即可,如果2个dll都没有则都放进去,如果2个dll都有大概率不是由于缺少dll导致。请务必先到C:\Windows\system32是不是有这2个dll文件,如果都有则不是这个问题,可以确定该方法不能解决问题,如果缺少一个或者2个可以解决问题
外部墙体损伤缺陷检测外墙损坏等级检测数据集VOC+YOLO格式4629张4类别.7z
重要说明:数据集里面大约有一般是4张增强数据集图片请仔细查看图片预览,确认符合要求在下载,介意有增强的勿下载
样本图片参考博文:https://blog.csdn.net/FL1623863129/article/details/142420758
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):4629
标注数量(xml文件个数):4629
标注数量(txt文件个数):4629
标注类别数:4
标注类别名称:["Heavy Damage","Minor Damage","Moderate Damage","Undamage"]
每个类别标注的框数:
Heavy Damage 框数 = 2052
Minor Damage 框数 = 6475
Moderate Damage 框数 = 4094
Undamage 框数 = 742
总框数:13363
使用标注工具:labelImg
水泥外墙缺陷检测数据集VOC+YOLO格式2947张4类别.7z
下载前请查看样本图片是否符合要求,由于属于可复制产品售出一概不退,请确认符合要求再下载,博文地址:https://blog.csdn.net/FL1623863129/article/details/142420526
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):2947
标注数量(xml文件个数):2947
标注数量(txt文件个数):2947
标注类别数:4
标注类别名称:["crack","discoloration","exposed bricks","spalling"]
每个类别标注的框数:
crack 框数 = 1149
discoloration 框数 = 1642
exposed bricks 框数 = 4927
spalling 框数 = 248
总框数:7966
使用标注工具:labelImg
PCB电路板元件检测数据集VOC+YOLO格式3948张29类别.7z
重要说明:数据集有增强,请仔细查看图片预览确认符合要求在下载
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):3948
标注数量(xml文件个数):3948
标注数量(txt文件个数):3948
标注类别数:29
详细类别和样本图片数据参考博文:https://blog.csdn.net/FL1623863129/article/details/142415781
基于yolov8+openpose人体骨骼关键点实现的摔倒姿态识别检测系统源码+所有模型+项目说明
【参考源码】
github.com/HRonaldo/Openpose_YOLO
本项目参考上面框架进行全面改进,改进如下:
(1)将检测框架换成当前最流行框架yolov8,并封装成类实现模块化设计
(2)调整部分文件夹结构,比如模型归为一类文件夹,这样方便查看模型
(3)检测流程简化,使得人体骨骼关键点实现的摔倒姿态识别代码十分简单,实际只要40多行代码就实现整个检测流程
运行步骤:安装好yolov8环境后执行python main_video.py
更多实现细节参考博文:https://blog.csdn.net/FL1623863129/article/details/142413295
基于yolov5+openpose人体骨骼关键点实现的摔倒姿态识别检测系统源码+所有模型+项目说明
【参考源码】
github.com/HRonaldo/Openpose_YOLO
本项目参考上面框架进行全面改进,改进如下:
(1)封装YOLOv5检测类,这样可以加强阅读便利性,模块设计方便嵌入其他框架,后面我会换成yolov8模型进行该项目移植
(2)调整部分文件夹结构,比如模型归为一类文件夹,这样方便查看模型
(3)检测流程简化,使得人体骨骼关键点实现的摔倒姿态识别代码十分简单,实际只要40多行代码就实现整个检测流程
运行步骤:安装好yolov5环境后执行python main_video.py
更多实现细节参考博文:https://blog.csdn.net/FL1623863129/article/details/142411883
vs2015从源码编译gdal3.3.2好的库文件x64-release版本
编译各个源码版本如下:
curl-7.79.1.zip
gdal-3.3.2.zip
geos-3.9.1.tar.bz2
PROJ-8.1.1.zip
sqlite-amalgamation-3360000.zip
sqlite-dll-win64-x64-3360000.zip
tiff-4.3.0.tar.gz
用于VS2015配置C++版本的GDAL,详细配置教程可参考博客https://blog.csdn.net/FL1623863129/article/details/142391731,注意博文是VS2019配置C++版本的GDAL流程,两者配置流程一模一样,参考博文即可
vs2017从源码编译gdal3.3.2好的库文件x64-release版本
编译各个源码版本如下:
curl-7.79.1.zip
gdal-3.3.2.zip
geos-3.9.1.tar.bz2
PROJ-8.1.1.zip
sqlite-amalgamation-3360000.zip
sqlite-dll-win64-x64-3360000.zip
tiff-4.3.0.tar.gz
用于VS2017配置C++版本的GDAL,详细配置教程可参考博客https://blog.csdn.net/FL1623863129/article/details/142391731,注意博文是VS2019配置C++版本的GDAL流程,两者配置流程一模一样,参考博文即可
vs2019从源码编译gdal3.5.3好的库文件x64-release版本
编译各个源码版本如下:
curl-8.2.1.zip
gdal-3.5.3.zip
geos-3.12.1.tar.bz2
PROJ-9.2.1.zip
sqlite-amalgamation-3360000.zip
sqlite-dll-win64-x64-3360000.zip
tiff-4.5.0.tar.gz
用于VS2019配置C++版本的GDAL,详细配置教程可参考博客https://blog.csdn.net/FL1623863129/article/details/142391731,注意这个博文是3.3.2版本但是配置流程是一样的,参考即可
vs2019从源码编译gdal3.3.2好的库文件x64-release版本
编译各个源码版本如下:
curl-7.79.1.zip
gdal-3.3.2.zip
geos-3.9.1.tar.bz2
PROJ-8.1.1.zip
sqlite-amalgamation-3360000.zip
sqlite-dll-win64-x64-3360000.zip
tiff-4.3.0.tar.gz
用于VS2019配置C++版本的GDAL,详细配置教程可参考博客https://blog.csdn.net/FL1623863129/article/details/142391731
基于C++opencv实现玉米粒计数源码.zip
测试环境:
vs2019
opencv==4.8.0
运行步骤:打开sln解决方案,重新配置opencv release所需路径,选x64 release运行
基于C# winform+openvsharp实现玉米粒计数演示源码.zip
【测试环境】
vs2019
netframework4.7.2
opencvsharp=4.8.0
运行步骤:打开sln解决方案,选择x64 debug即可运行
更多实现细节参考博文:https://blog.csdn.net/FL1623863129/article/details/142380558
手机识别检测数据集VOC+YOLO格式9997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):9997
标注数量(xml文件个数):9997
标注数量(txt文件个数):9997
标注类别数:1
标注类别名称:["phone"]
每个类别标注的框数:
phone 框数 = 11700
总框数:11700
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
样本图片及详细信息参考博文:https://blog.csdn.net/FL1623863129/article/details/142374302
中草药类型识别检测数据集VOC+YOLO格式7976张45类别.7z
样本图片请参考博文:https://blog.csdn.net/FL1623863129/article/details/142373824
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):7976
标注数量(xml文件个数):7976
标注数量(txt文件个数):7976
标注类别数:45
蘑菇类型识别检测数据集VOC+YOLO格式8430张21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):8430
标注数量(xml文件个数):8430
标注数量(txt文件个数):8430
标注类别数:21
样本图片和详细信息参考博文:https://blog.csdn.net/FL1623863129/article/details/142370471
俯视场景航拍小目标三轮车遮阳伞三轮车检测数据集VOC+YOLO格式5756张3类别.7z
重要说明:此数据集为航拍小目标三轮车,数据集部分有增强,请查看图片预览确认符合要求再下载,注意小目标一般很难训练,即训练map和精度可能偏低属于正常现象,只要能检测到目标即可。
样本图片请参考博文:https://blog.csdn.net/FL1623863129/article/details/142365294
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):5756
标注数量(xml文件个数):5756
标注数量(txt文件个数):5756
标注类别数:2
标注类别名称:["awning-tricycle","tricycle"]
每个类别标注的框数:
awning-tricycle 框数 = 8260
tricycle 框数 = 12017
总框数:20277
基于yolov8的DMS驾驶员抽烟打电话喝水吃东西检测系统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】
Sleepy
Cigarette
Drinking
Phone
microsleep
HandsOnWheel
Eating
HandsNotOnWheel
Seatbelt
更多实现细节参考博文:https://blog.csdn.net/FL1623863129/article/details/142355532
航拍路面直行和转弯标志检测数据集VOC+YOLO格式566张9类别.7z
重要说明:图片很难找,数据集有增强,请仔细查看图片预览确认符合要求在下载
样本图片请参考博文:https://blog.csdn.net/FL1623863129/article/details/142359950
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):566
标注数量(xml文件个数):566
标注数量(txt文件个数):566
标注类别数:9
标注类别名称:["left","left_back","left_right","right","straight","straight_back","straight_left","straight_left_right","straight_right"]
基于yolov5的不同颜色安全帽检测系统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】
blue
none
red
white
yellow
更多实现细节参考博文:https://blog.csdn.net/FL1623863129/article/details/142358335
不同颜色的安全帽检测数据集VOC+YOLO格式7574张5类别.7z
重要说明:数据集里面有2/3是增强数据集,请仔细查看图片预览,确认符合要求在下载,分辨率均为640x640
样本图片请参考博文:https://blog.csdn.net/FL1623863129/article/details/142357410
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):7574
标注数量(xml文件个数):7574
标注数量(txt文件个数):7574
标注类别数:5
标注类别名称:["blue","red","white","without_helmet","yellow"]
每个类别标注的框数:
blue 框数 = 6098
red 框数 = 10623
white 框数 = 8815
without_helmet 框数 = 10456
yellow 框数 = 9121
总框数:45113
使用标注工具:labelImg
DMS驾驶员抽烟打电话喝水吃东西检测数据集VOC+YOLO格式5743张9类别.7z
重要说明:数据集存在增强图片,重复场景有点多,请仔细查看图片,确认符合要求在下载
样本图片查看请参考博文:https://blog.csdn.net/FL1623863129/article/details/142355532
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):5743
标注数量(xml文件个数):5743
标注数量(txt文件个数):5743
标注类别数:9
标注类别名称:[“Cigarette”,“Drinking”,“Eating”,“HandsNotOnWheel”,“HandsOnWheel”,“Phone”,“Seatbelt”,“Sleepy”,“microsleep”]
水稻病害数据集YOLO+VOC格式3355张4类别.zip
重要说明:一共三种水稻病害,褐斑病、Hispa 和叶瘟病,图片里面均是单个叶子背景简单,请仔细查看图片预览确认符合要求再下载
样本图片查看请参考博文:https://blog.csdn.net/FL1623863129/article/details/135105493
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):3355
标注数量(xml文件个数):3355
标注数量(txt文件个数):3355
标注类别数:4
标注类别名称:["Hispa","Healthy","LeafBlast","BrownSpot"]
每个类别标注的框数:
BrownSpot 框数 = 525
Healthy 框数 = 1489
Hispa 框数 = 565
LeafBlast 框数 = 779
总框数:3358
使用标注工具:labelImg
基于yolov8的文本表格检测系统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】
figure
list
table
text
title
更多实现细节参考博文:https://blog.csdn.net/FL1623863129/article/details/142349553
文本表格检测数据集VOC+YOLO格式6688张5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):6688
标注数量(xml文件个数):6688
标注数量(txt文件个数):6688
标注类别数:5
标注类别名称:["figure","list","table","text","title"]
每个类别标注的框数:
figure 框数 = 3388
list 框数 = 1671
table 框数 = 1855
text 框数 = 45018
title 框数 = 10497
总框数:62429
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
样本预览参考博文:https://blog.csdn.net/FL1623863129/article/details/142349514
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