[HSRC2016]遥感图像舰船旋转目标检测数据集——HSRC2016一类、HSRC2016四类

已于 2025-02-02 09:14:51 修改
阅读量594 收藏 8
点赞数 3
分类专栏： 付费专栏 图像处理 文章标签： 目标检测 人工智能 计算机视觉
于 2025-02-02 09:07:02 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/qq_41301570/article/details/145417681
版权

图片

注：HSRC数据集总数为1680张，但是只有1061张为有效进行标注的图像。在训练集、验证集和测试集中分别包含436、181和444张图像。

1. HRSC简介

1.1 数据说明

HRSC2016是西北工业大学采集的用于轮船的检测的数据，包含4个大类19个小类共2976个船只实例信息。论文中特别指出他们的数据集是高分辨率数据集，分辨率介于0.4m和2m之间。数据集所有图像均来自六个著名的港口，包括海上航行的船只和靠近海岸的船只，船只图像的尺寸范围从300到1500，大多数图像大于1000x600。

1.2 HRSC数据格式

原始数据链接：

HRSC2016 | Kaggle

图片

最低0.47元/天 解锁文章
【扩散模型/图像匹配/图像拼接】论文精读：DiffMatch: Diffusion Model for Dense Matching
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
01-30 1万+
建立成对图像之间的密集对应关系的目标由两个术语组成：数据项和先验项。虽然传统的技术侧重于定义难以表述的手工设计的先验项，但最近的方法侧重于使用深度神经网络学习数据项，而无需显式建模先验，假设模型本身有能力从大规模数据集中学习最优先验。然而，性能改进很明显，它们通常无法解决匹配的固有歧义，例如无纹理区域、重复模式和大位移。为了解决这个问题，我们提出了 DiffMatch，这是一个新颖的基于条件扩散的框架，旨在显式建模数据和先验术语。与以前的方法不同，这是通过利用条件去噪扩散模型来实现的。DiffMatch由两
旋转目标检测-环境配置-数据集制作
m0_56247038的博客
03-15 2002
旋转目标检测：环境配置 - 数据集制作 - 开始训练
学习经验分享之十二：HRSC-2016遥感图像舰船数据集处理（内含获取方式）
热门推荐
m0_70388905的博客
10-29 1万+
更新百度云盘下载链接——HRSC-2016遥感图像舰船数据集处理（内含获取方式）
HRSC2016 数据集 L2 L3 task
weixin_44298961的博客
05-17 5374
Oriented R-CNN 模型基于HRSC2016 数据集 L2 L3 task
HRSC2016_dataset 旋转框 + 划分数据集
weixin_66652114的博客
04-13 3615
点击解压后文件，只需要用到其中的 Test 和 Train 文件。两个文件的目录相同：Alllmages为格式为bmp的原图；Annotations为格式为xml的标签。
HRSC2016数据集分类
a276504893的博客
04-26 1565
HRSC2016数据集处理
Oriented R-CNN完整复现HRSC2016以及训练自己的HBB数据集(DIOR)
yxk666的博客
07-20 4526
Oriented R-CNN完整复现HRSC2016以及训练自己的HBB数据集(DIOR)
【论文阅读】AProNet: Detecting objects with precise orientation from aerial images
dujuancao11的博客
12-15 2999
(1) 一种新的角度表示，即基于轴投影的角度表示，它没有角度周期性问题。(2) 特征增强模块，提取几何相关信息，用于有效学习基于轴投影的角度表示。(3) 一种新颖的自适应损失函数，为具有新角度表示的有效网络训练提供指导。基于上述事实，我们的作品在理念和性能上都与现有作品有所不同。将来，我们希望利用所提出的基于轴投影的角度学习对更多类型的任意定向对象的有效性。 这样表达很说明问题
hrsc2016 下载 数据集_机器学习数据集(Dataset)
weixin_39946460的博客
12-22 1724
1. CIFAR-10 & CIFAR-100CIFAR-10包含10个类别，50,000个训练图像，彩色图像大小：32x32，10,000个测试图像。(类别：airplane，automobile, bird, cat, deer, dog, frog, horse, ship, truck)(作者：Alex Krizhevsky, Vinod Nair, and Geoffrey Hi...
HSRC框架柱抗震性能试验研究 (2010年)
05-31
为了研究HSRC( high-strength reinforced concrete )框架柱的抗震性能,对19根HSRC框架柱采用低周反复加载方法进行拟静力试验。研究了HSRC框架柱在压弯剪共同作用下的破坏特征和抗震性能;分析了含钢量、轴压比、配箍...
CrystalDiskMark7_0_0hSrc VS2019_CrystalDiskMark_VS2019_
09-29
《CrystalDiskMark 7.0.0 hSrc与VS2019：Windows磁盘性能测试利器》 在数字化时代，计算机硬件性能的评估成为衡量系统效率的重要指标，尤其是在存储设备方面。对于Windows用户而言，了解硬盘的读写速度至关重要，这...
ship detection
03-22
GF3 SS模式船只识别，使用卷积神经网络
Mask R-CNN模型：Kaggle Airbus数据集训练
11-10
Mask R-CNN模型：Kaggle Airbus Ship Detection数据集训练
旋转框目标检测mmrotate v0.3.1 训练HRSC2016数据集（二）
qq_41627642的博客
07-17 2360
无
hrsc2016 下载 数据集_中科图云
weixin_42467411的博客
01-13 2614
所有图片均来自六个著名港口。图像分辨率介于2米和0.4米之间。图像尺寸范围从300到1500，其中大多数大于1000 x 600。训练，验证和测试集包含436个图像，1207个样本，分别为包括541个样本的181个图像和包括1228个样本的444个图像。All the images are collected from six famous harbors. The image resolutio...
基于YOLOv10和UI界面的微小船只目标检测：HRSC2016数据集应用
最新发布
m0_52343631的博客
04-07 327
该数据集包含高分辨率的卫星图像，其中包含了各种类型的船只目标，包括微小船只，适合进行微小船只目标的检测任务。特别是对于微小船只目标的检测，由于其尺寸较小，背景复杂，检测难度较大，传统的计算机视觉技术面临着诸多挑战。本文将通过HRSC2016数据集进行微小船只目标检测，并结合UI界面展示检测结果，从而实现一个高效且直观的船只目标检测系统。通过HRSC2016数据集的处理、YOLOv10模型的训练以及UI界面的实现，我们展示了如何高效地解决微小船只目标检测中的挑战。每个XML文件标注了图像中船只目标的位置（
HRSC2016遥感舰船数据yolov5格式
gitblog_09749的博客
09-07 840
HRSC2016遥感舰船数据yolov5格式 dataset.rar_0项目地址:https://gitcode.com/open-source-toolkit/a4907 项目简介 本项目旨在方便研究人员和开发者利用流行的YOLOv5目标检测框架进行舰船识别任务。针对经典遥感图像数据集——HRSC2016（High Resolution Ship Classification），我们进行了适应...
Learning Center Probability Map for Detecting Objects in Aerial Images 论文学习笔记
weixin_43179892的博客
09-23 777
论文基本信息 标题：Learning Center Probability Map for Detecting Objects in Aerial Images 作者：Jinwang Wang , Wen Yang , Senior Member, IEEE, Heng-Chao Li ,Haijian Zhang , and Gui-Song Xia, Senior Member, IEEE 机构：School of Electronic Information, Wuhan University, W
hrsc2016数据集下载 yolo
04-03
### 下载并应用 HRSC2016 数据集于 YOLO 模型训练 HRSC2016 是一个专注于遥感场景下的船舶检测数据集。为了将其应用于 YOLO 模型的训练，以下是具体的操作方法： #### 1. 数据集下载 HRSC2016 的官方资源通常可以通过其官方网站或其他公开学术平台获取。需要注意的是，在下载之前应仔细查阅该数据集的相关版权和使用条款[^1]。 - **访问官网**：前往 HRSC2016 官方网站或相关发布页面。 - **注册账号**：部分数据集可能需要用户注册账户以获得下载权限。 - **下载链接**：找到对应的下载区域，按照提示完成数据包的下载。 #### 2. 数据预处理 YOLO 模型对输入数据有一定的格式要求，因此需将 HRSC2016 数据转换为适合 YOLO 使用的形式。 ##### (a) 文件结构调整 创建符合 YOLO 需求的数据目录结构。典型的文件夹布局如下： ``` dataset/ ├── images/ # 存放原始图像 │ ├── train/ │ └── val/ └── labels/ # 存放标注文件（txt） ├── train/ └── val/ ``` ##### (b) 标签格式转换 HRSC2016 原始标签可能采用不同的坐标表示方式（如多边形），而 YOLO 支持的标准标签格式为归一化的边界框中心点坐标及宽高比例[^3]。 假设某目标的真实尺寸为 `(x_min, y_min)` 和 `(x_max, y_max)`，则对应 YOLO 格式的计算公式为： ```python width = abs(x_max - x_min) height = abs(y_max - y_min) center_x = x_min + width / 2 center_y = y_min + height / 2 # 归一化到 [0, 1] normalized_center_x = center_x / image_width normalized_center_y = center_y / image_height normalized_width = width / image_width normalized_height = height / image_height ``` 最终每行标签内容形式为 `<class_id> normalized_center_x normalized_center_y normalized_width normalized_height`。 ##### (c) 划分数据集 根据实际需求划分训练集、验证集以及可选的测试集，并记录各子集中图片的绝对路径至 `train.txt` 和 `val.txt` 中。 #### 3. 修改配置文件 编辑 YOLO 所使用的 YAML 配置文件 (`myvoc.yaml`) 来指定新数据集的位置及其类别数: ```yaml train: path/to/train.txt # 训练集列表 val: path/to/val.txt # 验证集列表 nc: 1 # 类别总数（此处仅为舰船一类） names: ['ship'] # 类别名称数组 ``` 同时更新模型架构定义文件（如 `yolov5s.yaml`）中的分类数目字段。 #### 4. 开始训练 执行命令启动训练过程，确保 GPU 可用的情况下加速运算效率: ```bash python train.py --weights yolov5s.pt \ --cfg models/yolov5s.yaml \ --data data/myvoc.yaml \ --epochs 100 \ --batch-size 16 \ --img 640 \ --device 0 ``` --- ### 注意事项 - 如果遇到内存不足的情况，尝试降低批量大小参数 `--batch-size` 或减少分辨率选项 `--img`。 - 在正式训练前推荐先运行少量迭代次数的小规模调试版本来确认一切正常工作。
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

MatpyMaster

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