【图像/语义分割数据集汇总】语义分割COCO json格式数据集~各种数据集


前言

COCO json格式语义分割数据集,直接使用导入模型训练自己的数据集。

  1. 横向项目落地。
  2. 离线监测和在线监测。
  3. 项目结题。

相关连接:

各种数据集链接:https://item.taobao.com/item.htm?ft=t&id=686270772909


一、裂缝语义分割(484张,nc1)

nc:1 [“crack”]
在这里插入图片描述

在这里插入图片描述


二、自动驾驶语义分割(632张,nc3)

nc:3 [car truck pedestrian]
在这里插入图片描述
在这里插入图片描述


三、公路行驶线语义分割(1786张,nc1)

nc:1 [lane]
在这里插入图片描述
在这里插入图片描述


四、电线杆语义分割(1788张,nc5)

nc:5 [crossarm-wire-ransformer,crossarm, pole,transformer,wire]
在这里插入图片描述


五、待续~~各种语义分割数据(持续更新!)

var = “20aaedb4-ff86-4d92-85bd-0075eee007d9”

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
要使用YOLOv5训练自己的数据集进行语义分割,你可以按照以下步骤操作: 1. 首先,确保你已经准备好了自己的数据集,并且将其标注为JSON格式JSON文件应该包含每个图像的路径以及对应的语义分割标签。 2. 接下来,你需要下载YOLOv5实例分割模型的训练代码和权重文件。你可以从引用提供的gitcode链接中下载训练代码。 3. 在训练之前,你需要将数据集进行划分为训练集和验证集。你可以根据自己的需求自行划分。确保数据集的路径和标签信息与JSON文件中的相匹配。 4. 在终端中运行训练命令,指定训练的配置参数和数据集路径。例如,你可以使用以下命令运行训练: python train.py --img 640 --batch 16 --epochs 100 --data your_data.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt 注意替换"your_data.yaml"为你的数据集配置文件的路径。 5. 等待训练完成后,你可以导出训练好的模型。使用引用中提供的命令导出模型为ONNX格式或TensorRT格式。 6. 导出的模型将保存在与原始PyTorch模型相同的路径下。你可以使用Netron Viewer等工具进行可视化。 综上所述,这是使用YOLOv5训练自己的数据集进行语义分割的基本步骤。你需要准备好数据集,下载训练代码和权重文件,然后根据说明进行训练和模型导出。希望对你有帮助!<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [模型实战(2)之YOLOv5 实时实例分割+训练自己数据集](https://blog.csdn.net/yohnyang/article/details/128440233)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]

“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

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

youngvor

您的鼓励,一鞭子打醒了我

¥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