YOLO目标检测——谢韦尔钢材缺陷检测数据集下载分享【含对应voc、coco和yolo三种格式标签】

已于 2023-11-16 20:14:17 修改
阅读量419 收藏
点赞数 5
分类专栏： YOLO数据集下载 文章标签： YOLO 目标检测 人工智能 计算机视觉 python 谢韦尔钢材缺陷检测数据集 深度学习
于 2023-11-16 20:12:40 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_64879847/article/details/134449876
版权
  • 实际项目应用：钢材质量控制、钢材缺陷检测
  • 数据集说明：谢韦尔钢材缺陷检测数据集，真实场景的高质量图片数据，数据场景丰富
  • 标签说明：使用lableimg标注软件标注，标注框质量高，含voc(xml)、coco(json)和yolo(txt)三种格式标签，分别存放在不同文件夹下，可以直接用于YOLO系列的目标检测。
  • 其他：附赠YOLO环境部署、训练案例教程和数据集划分脚本，可以根据需求自行划分训练集、验证集、测试集。

数据集点击下载（如需更多数量请私信博主）：

在这里插入图片描述
在这里插入图片描述

YOLO目标检测数据集下载大全点击查看：https://blog.csdn.net/m0_64879847/article/details/132301975

YOLO数据集工作室
关注
  • 5
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
【表面缺陷检测】表面缺陷检测数据集汇总
学无止境、积少成多、厚积薄发
08-12 1万+
本文收集整理了16个表面缺陷检测相关的数据集，并对每个数据集的特点进行了简单的介绍。（文末附数据集）
基于YOLOV5的钢材缺陷检测
qq_52053775的博客
02-12 7544
数据集使用的是东北大学收集的一个钢材缺陷检测数据集，需要检测出钢材表面的6种划痕。同时，数据集格式是VOC格式，需要进行转化。
YOLO谢韦尔钢材缺陷检测数据集(含30000张图片)+对应voc、coco和yolo三种格式标签+划分脚本+训练教程.rar
最新发布
10-29
1、YOLO谢韦尔钢材缺陷检测数据集，真实场景的高质量图片数据，数据场景丰富。使用lableimg标注软件标注，标注框质量高，含voc(xml)、coco(json)和yolo(txt)三种格式标签，分别存放在不同文件夹下，可以直接用于YOLO系列的目标检测。 2、附赠YOLO环境搭建、训练案例教程和数据集划分脚本，可以根据需求自行划分训练集、验证集、测试集。 3、数据集详情展示和更多数据集下载：https://blog.csdn.net/m0_64879847/article/details/132301975 4、如需更多数量和其他数据集请私信博主~
Surface-defect-Detection-dataset
05-11
Surface-defect-Detection-dataset 读研期间遇到的一些缺陷检测的图像，在此做一个表面缺陷数据集汇总，**感谢加星！**可从CSDN阅读： 1、德国DAGM 2007的数据集 总共十类图像，有训练集和测试集，部分样例如下： 数据官方网址： 网盘下载： 链接： 提取码：47jo 2、钢材表面缺陷 这个数据集是东北大学一个老师收集的，分为三个数据集： 官方网址： ，数据官方网站中也给出了最近几年使用此数据集发表的paper。部分样例如下： 3、KTH-TIPS database 重复背景纹理数据集，样例图片如下，官方网址： 网盘下载链接： 数据集1： 数据集2： 4、磁瓦缺陷的数据集 中科院自动化所一个课题组收集的数据，官方链接登录失败，只能从github链接：. 该数据集总共包含1344张图像，对磁瓦的感兴趣区域 (ROI) 进行了裁剪。共包含6类图片 (5类缺陷
谢韦尔钢材数据集：Severstal-steel-defect
08-02
该数据集提供了4种类型的带钢表面缺陷，共包含6666张图片，像素值800×128，已打好txt格式的标签，拿到手即可直接开始训练。
钢材表面缺陷数据，训练、验证、测试
09-23
钢材表面缺陷数据，训练、验证、测试
目标检测算法——工业缺陷数据集汇总1（附下载链接）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
11-18 3927
目标检测算法——工业缺陷数据集汇总1（附下载链接）。🚀近期，小海带在空闲之余，收集整理了一批工业缺陷开源数据集供大家参考。整理不易，小伙伴们记得一键三连喔！！！🤞💕
可视化-谢韦尔钢铁公司带钢缺陷数据集的标注（标注转图像保存）
Major_S的博客
09-19 384
【代码】可视化-谢韦尔钢铁公司带钢缺陷数据集（转图像保存）
钢铁表面缺陷检测图像数据集（1800张图像，含标签）
10-18
钢铁表面缺陷检测图像数据集（1800张图像，含标签）
【图像处理】缺陷检测-Defect Eye缺陷检测附python代码.zip
07-04
1.版本：matlab2014/2019a/2021a，内含运行结果，不会运行可私信 2.领域：智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，更多内容可点击博主头像 3.内容：标题所示，对于介绍可点击主页搜索博客 4.适合人群：本科，硕士等教研学习使用 5.博客介绍：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可si信 %% 开发者：Matlab科研助手 %% 更多咨询关注天天Matlab微信公众号 ### 团队长期从事下列领域算法的研究和改进： ### 1 智能优化算法及应用 **1.1 改进智能优化算法方面（单目标和多目标）** **1.2 生产调度方面** 1.2.1 装配线调度研究 1.2.2 车间调度研究 1.2.3 生产线平衡研究 1.2.4 水库梯度调度研究 **1.3 路径规划方面** 1.3.1 旅行商问题研究（TSP、TSPTW） 1.3.2 各类车辆路径规划问题研究（vrp、VRPTW、CVRP） 1.3.3 机器人路径规划问题研究 1.3.4 无人机三维路径规划问题研究 1.3.5 多式联运问题研究 1.3.6 无人机结合车辆路径配送 **1.4 三维装箱求解** **1.5 物流选址研究** 1.5.1 背包问题 1.5.2 物流选址 1.5.4 货位优化 ##### 1.6 电力系统优化研究 1.6.1 微电网优化 1.6.2 配电网系统优化 1.6.3 配电网重构 1.6.4 有序充电 1.6.5 储能双层优化调度 1.6.6 储能优化配置 ### 2 神经网络回归预测、时序预测、分类清单 **2.1 bp预测和分类** **2.2 lssvm预测和分类** **2.3 svm预测和分类** **2.4 cnn预测和分类** ##### 2.5 ELM预测和分类 ##### 2.6 KELM预测和分类 **2.7 ELMAN预测和分类** ##### 2.8 LSTM预测和分类 **2.9 RBF预测和分类** ##### 2.10 DBN预测和分类 ##### 2.11 FNN预测 ##### 2.12 DELM预测和分类 ##### 2.13 BIlstm预测和分类 ##### 2.14 宽度学习预测和分类 ##### 2.15 模糊小波神经网络预测和分类 ##### 2.16 GRU预测和分类 ### 3 图像处理算法 **3.1 图像识别** 3.1.1 车牌、交通标志识别（新能源、国内外、复杂环境下车牌） 3.1.2 发票、身份证、银行卡识别 3.1.3 人脸类别和表情识别 3.1.4 打靶识别 3.1.5 字符识别（字母、数字、手写体、汉字、验证码） 3.1.6 病灶识别 3.1.7 花朵、药材、水果蔬菜识别 3.1.8 指纹、手势、虹膜识别 3.1.9 路面状态和裂缝识别 3.1.10 行为识别 3.1.11 万用表和表盘识别 3.1.12 人民币识别 3.1.13 答题卡识别 **3.2 图像分割** **3.3 图像检测** 3.3.1 显著性检测 3.3.2 缺陷检测 3.3.3 疲劳检测 3.3.4 病害检测 3.3.5 火灾检测 3.3.6 行人检测 3.3.7 水果分级 **3.4 图像隐藏** **3.5 图像去噪** **3.6 图像融合** **3.7 图像配准** **3.8 图像增强** **3.9 图像压缩** ##### 3.10 图像重建 ### 4 信号处理算法 **4.1 信号识别** **4.2 信号检测** **4.3 信号嵌入和提取** **4.4 信号去噪** ##### 4.5 故障诊断 ##### 4.6 脑电信号 ##### 4.7 心电信号 ##### 4.8 肌电信号 ### 5 元胞自动机仿真 **5.1 模拟交通流** **5.2 模拟人群疏散** **5.3 模拟病毒扩散** **5.4 模拟晶体生长** ### 6 无线传感器网络 ##### 6.1 无线传感器定位 ##### 6.2 无线传感器覆盖优化 ##### 6.3 室内定位 ##### 6.4 无线传感器通信及优化 ##### 6.5 无人机通信中继优化 #####
Kaggle_Severstal-steel-defect
03-25
Severstal：钢缺陷检测-Kaggle 准确度：89.5％| 排名1的90.8％ 排名：345/2427 战队：岩浆蓝调 ， ， 平板钢板的生产过程特别精细。 从加热，轧制到干燥和切割，几台机器在准备装运时就接触扁钢。 如今，谢韦尔（Severstal）使用高频摄像机的图像来驱动缺陷检测算法。 竞争涉及开发模型以对钢板上的表面缺陷进行定位和分类。
YOLO谢韦尔钢材缺陷检测数据集(含20000张图片)+对应voc、coco和yolo三种格式标签+划分脚本+训练教程.rar
10-29
使用lableimg标注软件标注，标注框质量高，含voc(xml)、coco(json)和yolo(txt)三种格式标签，分别存放在不同文件夹下，可以直接用于YOLO系列的目标检测。 2、附赠YOLO环境搭建、训练案例教程和数据集划分脚本，可以...
YOLO谢韦尔钢材缺陷检测数据集(含1000张图片)+对应voc、coco和yolo三种格式标签+划分脚本+训练教程.rar
10-21
使用lableimg标注软件标注，标注框质量高，含voc(xml)、coco(json)和yolo(txt)三种格式标签，分别存放在不同文件夹下，可以直接用于YOLO系列的目标检测。 2、附赠YOLO环境搭建、训练案例教程和数据集划分脚本，可以...
YOLO谢韦尔钢材缺陷检测数据集(含5000张图片)+对应voc、coco和yolo三种格式标签+划分脚本+训练教程.rar
10-21
使用lableimg标注软件标注，标注框质量高，含voc(xml)、coco(json)和yolo(txt)三种格式标签，分别存放在不同文件夹下，可以直接用于YOLO系列的目标检测。 2、附赠YOLO环境搭建、训练案例教程和数据集划分脚本，可以...
YOLO谢韦尔钢材缺陷检测数据集(含10000张图片)+对应voc、coco和yolo三种格式标签+划分脚本+训练教程.rar
08-24
使用lableimg标注软件标注，标注框质量高，含voc(xml)、coco(json)和yolo(txt)三种格式标签，分别存放在不同文件夹下，可以直接用于YOLO系列的目标检测。 2、附赠YOLO环境搭建、训练案例教程和数据集划分脚本，可以...
【人工智能项目】缺陷检测分割数据集相关整理分享
Mind_programmonkey的博客
11-01 5125
【人工智能项目】缺陷检测分割数据集相关整理分享 研究生阶段的课题就是有关缺陷检测的，所以在这里将截止去年年底整理出来的缺陷检测数据集进行整理分享，供大家使用。由于数据集的限制，这里就将其上传到网盘。 那么走起来！瓷！！！ 01 东北大学热轧带钢表面缺陷数据集重点 官网 包含三类数据集 a.NEU Surface defect database（CLS/DET） 数据集收集了夹杂、划痕、压入氧化皮、裂纹、麻点和斑块6种缺陷，每种缺陷300张，图像尺寸为200×200。数据集包括分类和目标检测两部分。部
Dataset：White Wine Quality白葡萄酒品质数据集的简介、下载、使用方法之详细攻略
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
07-15 3026
等级是有序的并且不平衡（例如，普通葡萄酒比优质或劣质葡萄酒多得多）。异常值检测算法可用于检测少数优秀或劣质的葡萄酒。由于隐私和逻辑问题，只有物理化学（输入）和感官（输出）变量可用（例如，没有关于葡萄类型、葡萄酒品牌、葡萄酒售价等的数据）。WhiteWineQuality白葡萄酒品质数据集，经常被用于回归或分类建模的简单而干净的练习数据集。DatasetWhiteWineQuality白葡萄酒品质数据集的简介、下载、使用方法之详细攻略。质量（得分在0到10之间），输出变量（基于感官数据）......
基于机器视觉技术快速准确地分类优秀劣质大豆品种
图像算法Imalg的博客
11-26 1659
近年来以快速、准确地机器视觉为基础的技术替代人力检测农产品质量的技术受到了广泛关注。 在这项研究中，我们描述了联合多模式特征袋（JMBoF）分类框架的低等级表示，用于检查收获后干燥大豆种子的外观质量。提取了两类加速的鲁棒特征和L * a * b *颜色特征的空间布局，以表征干大豆种子仁。特征包模型分别用于从以上两个特征生成可视词典描述符。为了准确表示图像特征，我们引入了低秩表示（LRR）方...
YOLOv5实战之输电线路绝缘子缺陷检测识别
qq_40716944的博客
10-29 8525
本教程主要是利用YOLOv5算法实现对输电线路绝缘子缺陷进行检测识别。通过无人机搭载相机头云台对输电线路上的绝缘子进行数据采集，挑选出绝缘子上有故障的图片数据，共2000张左右图片，输电线路绝缘子缺陷数据集中的部分图片如下图所示。​​对收集到的2000张左右绝缘子缺陷数据集进行数据标注， 标注了3种常见的绝缘子缺陷类型：insulator、damaged、Flashover，利用LabelImg标注软件对数据进行标注，对标注后的数据进行统计，3种缺陷的标签分布情况如下图所示。​
使用python写一个脚本将yolo格式的目标检测数据集转换为voc格式的目标检测数据集
05-16
好的，以下是一个将yolo格式的数据集转换为voc格式的脚本。请确保您已经安装了必要的Python库，如xml.etree.ElementTree和opencv。 ```python import os import cv2 import xml.etree.ElementTree as ET classes = ['class1', 'class2', 'class3'] # 填写您的类别列表 yolo_labels_folder = 'yolo_labels/' # 填写您的yolo标签文件夹 voc_labels_folder = 'voc_labels/' # 填写您要输出的voc标签文件夹 image_folder = 'images/' # 填写您的图像文件夹 def convert(size, box): dw = 1. / size[0] dh = 1. / size[1] x = (box[0] + box[1]) / 2.0 y = (box[2] + box[3]) / 2.0 w = box[1] - box[0] h = box[3] - box[2] x = x * dw w = w * dw y = y * dh h = h * dh return (x, y, w, h) for filename in os.listdir(yolo_labels_folder): if filename.endswith('.txt'): img_id = filename[:-4] img_path = image_folder + img_id + '.jpg' img = cv2.imread(img_path) h, w, _ = img.shape # 创建新的voc标签文件 root = ET.Element('annotation') ET.SubElement(root, 'folder').text = 'VOC2007' ET.SubElement(root, 'filename').text = img_id + '.jpg' source = ET.SubElement(root, 'source') ET.SubElement(source, 'database').text = 'Unknown' size = ET.SubElement(root, 'size') ET.SubElement(size, 'width').text = str(w) ET.SubElement(size, 'height').text = str(h) ET.SubElement(size, 'depth').text = '3' ET.SubElement(root, 'segmented').text = '0' with open(yolo_labels_folder + filename, 'r') as f: lines = f.readlines() for line in lines: line = line.strip().split(' ') class_id = int(line[0]) x_min = int(float(line[1]) * w - float(line[3]) * w / 2) y_min = int(float(line[2]) * h - float(line[4]) * h / 2) x_max = int(float(line[1]) * w + float(line[3]) * w / 2) y_max = int(float(line[2]) * h + float(line[4]) * h / 2) obj = ET.SubElement(root, 'object') ET.SubElement(obj, 'name').text = classes[class_id] ET.SubElement(obj, 'pose').text = 'Unspecified' ET.SubElement(obj, 'truncated').text = '0' ET.SubElement(obj, 'difficult').text = '0' bbox = ET.SubElement(obj, 'bndbox') ET.SubElement(bbox, 'xmin').text = str(x_min) ET.SubElement(bbox, 'ymin').text = str(y_min) ET.SubElement(bbox, 'xmax').text = str(x_max) ET.SubElement(bbox, 'ymax').text = str(y_max) # 保存voc标签文件 tree = ET.ElementTree(root) tree.write(voc_labels_folder + img_id + '.xml') ``` 请将代码中的“classes”，“yolo_labels_folder”，“voc_labels_folder”和“image_folder”替换为您的自定义变量。此脚本假定yolo标签文件和图像文件具有相同的文件名（但文件扩展名不同），并且它们都位于yolo_labels_folder和image_folder中。 此脚本将在voc_labels_folder中生成与yolo标签文件相对应的voc标签文件。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

YOLO数据集工作室

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

实付元
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