羊目标检测数据集VOC+YOLO格式2900张

本文介绍了羊目标检测数据集,包含2900张图片和相应的PascalVOC和YOLO格式文件,专注于羊这一类别。数据集强调了环保和动物福利的重要性,同时提供了关于如何使用labelImg工具进行标注的规则。
摘要由CSDN通过智能技术生成

羊是一种古老的哺乳动物,被人类驯化了数千年,成为了人类重要的家畜之一。它们是一种草食性动物,主要生活在草原、山区和农村地区。羊的体型较小,体长可达1.5米,体重可达100千克。

羊是一种非常有用的动物,它们可以提供丰富的肉类、奶制品、毛皮和肥料等。在农村地区,羊也是一种重要的劳动力,可以用来耕地、拉车、搬运等。因此,羊在人类的生产和生活中扮演着非常重要的角色。

羊的品种很多,根据不同的用途和地区,可以分为肉羊、奶羊、绒羊等多个品种。其中,肉羊是最为常见的品种之一,它们可以提供丰富的羊肉,是人类主要的肉类来源之一。奶羊则主要用于生产羊乳制品,如羊奶、羊奶酪等。绒羊则主要用于生产羊毛制品,如羊毛衫、毛毯等。

虽然羊是一种非常有用的动物,但也面临着一些问题。随着人类社会的发展,羊的数量逐渐增加,导致了一些环境问题,如土地过度利用、水资源浪费等。此外,羊的饲养和运输也会产生一定的温室气体排放,对气候变化造成一定的影响。

因此,在保障人类生产和生活的同时,我们也需要注意保护羊的生态环境和福利。例如,加强羊场管理,减少污染和浪费;推广有机农业,减少化肥和农药的使用;提高羊的福利,保障它们的健康和生存。这样,我们才能更好地利用羊的资源,同时也保护了生态环境和动物福利。

 

今天,要介绍的就是羊目标检测数据集:

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):2900

标注数量(xml文件个数):2900

标注数量(txt文件个数):2900

标注类别数:1

标注类别名称:["Sheep"]

每个类别标注的框数:

Sheep 框数 = 8238

总框数:8238

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

 

如下为标注图片案列:e9177ee0178d49e8ad46fefd777db2c6.png

453d6cb969f94c6f95263a4aba6fe57f.png 

 

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
基于YOLOv8的牛识别检测系统源码(部署教程+训练好的模型+各项评估指标曲线).zip 平均准确率:0.91 类别:“sheep”,“cow” 【资源介绍】 1、ultralytics-main ultralytics-main为YOLOv8源代码,里面涵盖基于yolov8分类、目标检测额、姿态估计、图像分割四部分代码,我们使用的是detect部分,也就是目标检测代码 2、搭建环境 安装anaconda 和 pycharm windows系统、mac系统、Linux系统都适配 在anaconda中新建一个新的envs虚拟空间(可以参考博客来),命令窗口执行:conda create -n YOLOv8 python==3.8 创建完YOLOv8-GUI虚拟空间后,命令窗口执行:source activate YOLOv8 激活虚拟空间 然后就在YOLOv8虚拟空间内安装requirements.txt中的所有安装包,命令窗口执行:pip install -r requirements.txt 使用清华源安装更快 3、训练模型过程 进入到\ultralytics-main\ultralytics\yolo\v8\detect\文件夹下,datasets即为我们需要准备好的数据集,训练其他模型同理。 data文件夹下的bicycle.yaml文件为数据集配置文件,该文件为本人训练自行车检测模型时创建,训练其他模型,可自行创建。博文有介绍https://blog.csdn.net/DeepLearning_?spm=1011.2415.3001.5343 train.py中238行,修改为data = cfg.data or './bicycle.yaml' # or yolo.ClassificationDataset("mnist") 237行修改自己使用的预训练模型 若自己有显卡,修改239行,如我有四显卡,即改成args = dict(model=model, data=data, device=”0,1,2,3“) 以上配置完成后运行train.py开始训练模型,训练完毕后会在runs/detect/文件夹下生成train*文件夹,里面包含模型和评估指标等 4、推理测试 训练好模型,打开predict.py,修改87行,model = cfg.model or 'yolov8n.pt',把yolov8n.pt换成我们刚才训练完生成的模型路径(在\ultralytics-main\ultralytics\yolo\v8\detect\runs\detect文件夹下),待测试的图片或者视频存放于ultralytics\ultralytics\assets文件夹, 运行predict.py即可,检测结果会在runs/detect/train文件夹下生成。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

熬夜写代码的平头哥

你的鼓励将是我创作的最大动力

¥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
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