绵羊脸部绵羊品种分类数据集1680张4类别.zip
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):1680
分类类别数:4
类别名称:["marino","poll_dorset","suffolk","white_suffolk"]
每个类别图片数:
marino 图片数:420
poll_dorset 图片数:420
suffolk 图片数:420
white_suffolk 图片数:420
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
猪脸分类识别数据集5909张30类别.zip
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):5909
分类类别数:30
类别名称:["01","02","03","04","05","06","07","08","09","10","11","12","13","14","15","16","17","18","19","20","21","22","23","24","25","26","27","28","29","30"]
猪脸检测数据集VOC+YOLO格式217张2类别.zip
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):217
标注数量(xml文件个数):217
标注数量(txt文件个数):217
标注类别数:2
标注类别名称:["pig","pigface"]
每个类别标注的框数:
pig 框数 = 215
pigface 框数 = 205
总框数:420
使用标注工具:labelImg
标注规则:对类别进行画矩形框
重要说明:数据集里面是手机拍摄的视频截取图片,里面的一只猪进行标注的,介意勿下载
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
新冠肺炎CT胸透识别分类数据集4035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):4035
分类类别数:3
类别名称:["COVID-19","Normal","Viral-Pneumonia"]
每个类别图片数:
COVID-19 图片数:1345
Normal 图片数:1345
Viral-Pneumonia 图片数:1345
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
光伏电池异常检测数据集VOC+YOLO格式219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):219
标注数量(xml文件个数):219
标注数量(txt文件个数):219
标注类别数:2
标注类别名称:["crackle","invalid"]
每个类别标注的框数:
crackle 框数 = 345
invalid 框数 = 132
总框数:477
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
光伏电池异常分类数据集2000张带分类文件信息csv.zip
数据集介绍
【简介】:光伏电池有划痕与失效区两种异常,两种异常构成了无缺陷、有裂纹无失效区、无裂纹有失效区、有裂纹有失效区四类情况。本数据集由这四类情况的图片构成。
【应用领域】:AI+能源——图像分类
【文件目录如下】:
│ └─光伏电池异常检测数据集
│ ├─images #异常图片
│ └─train.csv #标签,表明每张图片存在的异常
皮肤癌病变分类数据集2357张9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):2357
分类类别数:9
类别名称:["actinic_keratosis","basal_cell_carcinoma","dermatofibroma","melanoma","nevus","pigmented_benign_keratosis","seborrheic_keratosis","squamous_cell_carcinoma","vascular_lesion"]
每个类别图片数:
actinic_keratosis 图片数:130
basal_cell_carcinoma 图片数:392
dermatofibroma 图片数:111
melanoma 图片数:454
nevus 图片数:373
pigmented_benign_keratosis 图片数:478
seborrheic_keratosis 图片数:80
squamous_cell_carcinoma 图片数:197
vascular_lesion 图片数
皮肤病识别分类数据集23020张26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):23020
分类类别数:26
更多信息参考博客:blog.csdn.net/FL1768317420/article/details/138545125
cudnn-11.4-windows-x64-v8.2.2.26.zip
cudnn-11.4-windows-x64-v8.2.2.26.zip
PCL-1.14.1-AllInOne-msvc2022-win64含pdb.zip
包含文件
PCL-1.14.1-AllInOne-msvc2022-win64.exe
pcl-1.14.1-pdb-msvc2022-win64.zip
邮件盒快递盒子检测数据集VOC+YOLO格式1037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):1037
标注数量(xml文件个数):1037
标注数量(txt文件个数):1037
标注类别数:1
标注类别名称:["post"]
每个类别标注的框数:
post 框数 = 1529
总框数:1529
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
快递包裹纸箱检测数据集VOC+YOLO格式395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):395
标注数量(xml文件个数):395
标注数量(txt文件个数):395
标注类别数:2
标注类别名称:["kuaididai","zhixiang"]
每个类别标注的框数:
kuaididai 框数 = 46
zhixiang 框数 = 461
总框数:507
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
流水线包裹检测数据集VOC+YOLO格式145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):145
标注数量(xml文件个数):145
标注数量(txt文件个数):145
标注类别数:4
标注类别名称:["bag","bigbox","box","longbox"]
每个类别标注的框数:
bag 框数 = 238
bigbox 框数 = 19
box 框数 = 309
longbox 框数 = 9
总框数:575
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
医学OCT视网膜疾病识别分类数据集14600张4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):14600
分类类别数:4
类别名称:["CNV","DME","DRUSEN","NORMAL"]
每个类别图片数:
CNV 图片数:3650
DME 图片数:3650
DRUSEN 图片数:3650
NORMAL 图片数:3650
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
苹果香蕉橙子菠萝葡萄西瓜水果检测识别数据集VOC+YOLO格式8475张6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):8479
标注数量(xml文件个数):8479
标注数量(txt文件个数):8479
标注类别数:6
标注类别名称:["apple","banana","grape","orange","pineapple","watermelon"]
每个类别标注的框数:
apple 框数 = 7049
banana 框数 = 3536
grape 框数 = 7202
orange 框数 = 15549
pineapple 框数 = 1613
watermelon 框数 = 1976
总框数:36925
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
课堂学生学习状态检测数据集VOC+YOLO格式8884张8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,仅包含jpg图片对应的VOC格式xml文件和yolo格式txt文件)
图片数量(jpg文件数):8884
标注数量(xml文件数):8884
标注数量(txt文件数):8884
标注类别数:8
标注类名称:["ditouxie","jushou","kanshu","taolun","tingke","zhanli","zhidao","zhuantou"]
每类标注框数:
ditouxie 框数 = 72462
jushou 框数 = 4183
kanshu 框数 = 58932
taolun 框数 = 4663
tingke 框数 = 117528
zhanli 框数 = 4101
zhidao 框数 = 680
zhuantou 框数 = 5339
总框数:267888
使用标注工具:labelImg
学生低头写=ditouxie
学生看书=kanshu
学生听课=tingke
学生转头=zhuantou
学生举手=jushou
学生站立=zhanli
小组讨论=taolun
教师指导=zhidao
flavia植物叶片分类数据集1907张32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):1907
分类类别数:32
类别名称:["0","1","2","3","4","5","6","7","8","9","10","11","12","13","14","15","16","17","18","19","20","21","22","23","24","25","26","27","28","29","30","31"]
每个类别图片数:
0 图片数:59
1 图片数:63
2 图片数:72
3 图片数:73
4 图片数:56
5 图片数:62
6 图片数:52
7 图片数:59
8 图片数:55
9 图片数:65
10 图片数:50
11 图片数:63
12 图片数:52
13 图片数:65
14 图片数:60
15 图片数:56
16 图片数:77
17 图片数:62
18 图片数:61
19 图片数:66
20 图片数:60
21 图片数:55
22 图片数:55
23 图片数:65
24 图片数:54
advanced_descriptors-4.0.1-py3-none-any.whl.zip
advanced_descriptors-4.0.1-py3-none-any.whl.zip
advanced_descriptors-4.0.3-py3-none-any.whl.zip
advanced_descriptors-4.0.3-py3-none-any.whl.zip
advanced_descriptors-4.0.2-py3-none-any.whl.zip
advanced_descriptors-4.0.2-py3-none-any.whl.zip
轮胎X光缺陷检测数据集VOC+YOLO格式1903张4类别.zip
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):1903
标注数量(xml文件个数):1903
标注数量(txt文件个数):1903
标注类别数:4
标注类别名称:["belt_cuobian","cords_defects","impurity","open"]
每个类别标注的框数:
belt_cuobian 框数 = 233
cords_defects 框数 = 393
impurity 框数 = 270
open 框数 = 1007
总框数:1903
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
香烟缺陷检测数据集VOC+YOLO格式197张2类别.zip
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):197
标注数量(xml文件个数):197
标注数量(txt文件个数):197
标注类别数:2
标注类别名称:["kongtou","yiwu"]
每个类别标注的框数:
kongtou 框数 = 100
yiwu 框数 = 97
总框数:197
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
纸板缺陷检测数据集VOC+YOLO格式1055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):1055
标注数量(xml文件个数):1055
标注数量(txt文件个数):1055
标注类别数:1
标注类别名称:["defect"]
每个类别标注的框数:
defect 框数 = 2866
总框数:2866
使用标注工具:labelImg
标注规则:对类别进行画矩形框
重要说明:纸板破损、起泡、划痕等一些缺陷。
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
部署yolov8的pt模型到ros系统上yolov8-ros的python源码
yolov8-ros部署测试环境:
虚拟机中ubuntu18.04
python3.6.9
博客地址:https://blog.csdn.net/FL1623863129/article/details/132624335
演示视频:https://www.bilibili.com/video/BV1Fu411K78p/
部署yolov7的pt模型到ros系统上yolov7-ros的python源码
测试环境:
yolov7部署ROS测试环境:
虚拟机ubuntu18.04
python3.6.9
博客地址:https://blog.csdn.net/FL1623863129/article/details/132624418
视频演示:https://www.bilibili.com/video/BV1Fp4y177PX/
部署yolov5的pt模型到ros系统上yolov5-ros的python源码
博客地址:https://blog.csdn.net/FL1623863129/article/details/132624638
部署视频演示:https://www.bilibili.com/video/BV1ZG411d7c3/
测试环境:
虚拟机环境ubuntu18.04
python3.6.9
半导体晶圆缺陷图谱分类数据集25519张8类别.zip
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):25519
分类类别数:8
类别名称:["center","donut","edge-loc","edge-ring","loc","near-full","random","scratch"]
每个类别图片数:
center 图片数:4294
donut 图片数:555
edge-loc 图片数:5189
edge-ring 图片数:9680
loc 图片数:3593
near-full 图片数:149
random 图片数:866
scratch 图片数:1193
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
python_Levenshtein-0.12.2-cp311-cp311-win_amd64.whl.zip
python_Levenshtein-0.12.2-cp311-cp311-win_amd64.whl.zip
python_Levenshtein-0.12.2-cp38-cp38-win_amd64.whl.zip
python_Levenshtein-0.12.2-cp38-cp38-win_amd64.whl.zip
python_Levenshtein-0.12.2-cp310-cp310-win_amd64.whl.zip
python_Levenshtein-0.12.2-cp310-cp310-win_amd64.whl.zip
python_Levenshtein-0.12.2-cp39-cp39-win_amd64.whl.zip
python_Levenshtein-0.12.2-cp39-cp39-win_amd64.whl.zip
python_Levenshtein-0.12.2-cp36-cp36m-win_amd64.whl.zip
python_Levenshtein-0.12.2-cp36-cp36m-win_amd64.whl.zip
python_Levenshtein-0.12.2-cp37-cp37m-win_amd64.whl.zip
python_Levenshtein-0.12.2-cp37-cp37m-win_amd64.whl.zip
python_Levenshtein_wheels-0.13.2-cp39-cp39-win_amd64.whl.zip
python_Levenshtein_wheels-0.13.2-cp39-cp39-win_amd64.whl.zip
python_Levenshtein_wheels-0.13.2-cp37-cp37m-win_amd64.whl.zip
python_Levenshtein_wheels-0.13.2-cp37-cp37m-win_amd64.whl.zip
python_Levenshtein_wheels-0.13.2-cp36-cp36m-win_amd64.whl.zip
python_Levenshtein_wheels-0.13.2-cp36-cp36m-win_amd64.whl.zip
python_Levenshtein_wheels-0.13.2-cp38-cp38-win_amd64.whl.zip
python_Levenshtein_wheels-0.13.2-cp38-cp38-win_amd64.whl.zip
小麦穗检测数据集VOC+YOLO格式1691张1类别.zip
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):1691
标注数量(xml文件个数):1691
标注数量(txt文件个数):1691
标注类别数:1
标注类别名称:["wheat"]
每个类别标注的框数:
wheat 框数 = 73810
总框数:73810
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
水下垃圾检测数据集VOC+YOLO格式7666张13类别.zip
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):7666
标注数量(xml文件个数):7666
标注数量(txt文件个数):7666
标注类别数:13
标注类别名称:["bio","cloth","fishing","metal","paper","papper","plastic","platstic","rov","rubber","timestamp","unknown","wood"]
每个类别标注的框数:
bio 框数 = 2417
cloth 框数 = 6
fishing 框数 = 13
metal 框数 = 82
paper 框数 = 12
papper 框数 = 2
plastic 框数 = 6351
platstic 框数 = 1
rov 框数 = 2244
rubber 框数 = 16
timestamp 框数 = 12449
unknown 框数 = 170
wood 框数 = 64
总框数:23827
使用标注工具:labelI
手势分类数据集5790张10类别.zip
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):5790
分类类别数:10
类别名称:["0","1","2","3","4","5","6","7","8","9"]
每个类别图片数:
0 图片数:489
1 图片数:536
2 图片数:636
3 图片数:635
4 图片数:522
5 图片数:528
6 图片数:596
7 图片数:612
8 图片数:594
9 图片数:642
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