＜数据集＞煤矸石识别数据集＜目标检测＞

深度学习lover

已于 2024-08-08 10:35:05 修改

阅读量395

点赞数 1

分类专栏：深度学习数据集文章标签：目标检测人工智能计算机视觉 YOLO python

于 2024-07-12 08:47:07 首次发布

本文链接：https://blog.csdn.net/qq_53332949/article/details/140368768

版权

深度学习数据集专栏收录该内容

73 篇文章 12 订阅

订阅专栏

数据集格式：VOC+YOLO格式

图片数量：3091张

标注数量(xml文件个数)：3091

标注数量(txt文件个数)：3091

标注类别数：2

标注类别名称：['Coal', 'Rock']

序号	类别名称	图片数	框数
1	Coal	2219	6654
2	Gangue	1726	4049

使用标注工具：labelImg

标注规则：对类别进行画水平矩形框

图片示例：

标注示例：

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

深度学习lover

关注关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
2
评论
＜数据集＞煤矸石识别数据集＜目标检测＞

YOLO与VOC格式的煤矸石数据集，适用于YOLO系列、Faster Rcnn、SSD等模型训练，类别：Coal、Rock
复制链接

扫一扫

专栏目录

数据矿工学习-Python数据分析之pandas

翁JJ的博客

05-20

430

前言前面一篇文章我们介绍了numpy，但numpy的特长并不是在于数据处理，而是在它能非常方便地实现科学计算，所以我们日常对数据进行处理时用的numpy情况并不是很多，我们需要处理的数据一般都是带有列标签和index索引的，而numpy并不支持这些，这时我们就需要pandas上场啦！PandasWHAT?Pandas是基于Numpy构建的库，在数据处理方面可以把它理解为numpy加强版，同时Pan...

训练数据集(一)：真实场景下采集的煤矸石目标检测数据集，可直接用于YOLOv5/v6/v7/v8训练

源的博客

03-18

844

煤矸石训练数据集：891张；验证数据数据集：404张数据集类别：0代表煤炭（coal），1代表矸石（gangue），2代表煤炭和矸石的混合物（coal and gangue）所有数据都有对应的标签，可直接提供给YOLO网络进行训练，数据集已划分好。划分格式如下root_path:原图展示部分标注可视化结果展示。

2 条评论您还未登录，请先登录后发表或查看评论

深度学习——煤矸石识别

xsy_009016的博客

11-08

1463

由于矸石样本数量有限，各个地区矸石特征不一，没有统一标准大数量样本集，为不影响深度卷积网络训练精度，提出一种基于卷积生成对抗网络（DCGAN）的煤矸石图像数据扩充方法，建立有效的监督样本集进行训练。通过实验测试得出，改进后的YOLOv8能够对小块煤矸石检测，同时也能够提高目标检测模型的整体检测精度，准确率可达94%以上，完全可以替代人工检测。在本博文中，我们提出了一种基于深度学习的煤矸石检测与识别系统，该系统采用YOLOv8算法对煤矸石进行检测和识别，实现对图片中的煤矸石进行准确识别。

基于深度学习Resnet卷积神经网络实现煤矸石识别分类系统python源码带GUI界面(含数据集+模型+操作教程).zip

04-19

【训练过程】 1、先删除datasets文件夹中train.txt和val.txt里的内容。 2、修改Build_all_classes_path_to_txt.py文件中folder_path和txtfile_path的路径，照葫芦画瓢。改成自己的文件路径，需要执行两次，分别生成train.txt和val.txt(也就是数据集图片的路径及标签) 3、如果是训练其他数据，那就需要修改config.py中的配置内容了，如果不需要训练其他数据集，则不需修改。 4、运行train.py开始训练【预测】直接运行predict_gui.py打开GUI界面即可，可以任意操作。也可以运行predict.py，不要GUI。【备注】以上运行之前，确保安装了pytorch、numpy、seaborn、opencv 运行过程，如果缺少什么包就安装什么包即可。【备注】 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！有问题请及时沟通交流。 2、适用人群：计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。 3、用途：项目具有较高的学习借鉴价值，不仅适用于小白学习入门进阶。也可作为毕设项目、课程设计、大作业、初期项目立项演示等。 4、如果基础还行，或热爱钻研，亦可在此项目代码基础上进行修改添加，实现其他不同功能。欢迎下载

数据矿工学习-这是一篇献给新手的深度学习综述

翁JJ的博客

08-10

969

这篇综述论文列举出了近年来深度学习的重要研究成果，从方法、架构，以及正则化、优化技术方面进行概述。这篇综述对于刚入门的深度学习新手是一份不错的参考资料，在形成基本学术界图景、指导文献查找等方面都能提供帮助。论文：Recent Advances in Deep Learning: An Overview 论文地址：https://arxiv.org/pdf/1807.08169v1.pdf...

基于机器学习的煤矸石识别.zip

02-15

人工智能-项目实践-机器学习

煤矸分选识别代码

04-06

该压缩包中主要包含煤矸分选样本图片、测试图片、软件测试效果图片、halcon代码以及c#与halcon联合编程的工程软件代码。视觉分选所用的相机DALSA的Genie Nano M2590 NIR。注意事项：1、halcon代码运行时注意修改图片路径。 2、运行c#与halcon联合编程代码时需保证电脑上安装有halcon12。没有相关软件可以自行下载安装halcon12。压缩包中有halcon破解版。

【毕业设计选题】基于深度学习的煤矸目标检测算法系统 YOLO python 卷积神经网络 人工智能

weixin_55149953的博客

12-21

1057

毕业设计-基于深度学习的煤矸目标检测算法系统的毕业设计。该系统旨在应用最新的深度学习技术，通过自动化的煤矸目标检测，提高煤矿安全管理和环境保护水平。我们采用了预训练的 Faster R-CNN 模型作为基础，并通过使用煤矸目标数据集进行模型训练和优化，实现了高效而精确的目标检测。通过该系统，矿山工作人员能够快速准确地识别和定位煤矸目标，从而有效预防事故和环境污染的发生。还探讨了算法的性能评估和改进方法，为煤矸目标检测领域的研究人员和工程师提供了有价值的参考。通过本系统的应用，煤矿行业可以提高安全生产水平。

煤矸石图像分类方法

05-02

针对人工排矸法、机械湿选法、γ射线分选法等传统煤矸石分选方法无法兼顾快速高效性、安全无害性、简单操作性的问题，提出了基于机器视觉的煤矸石图像分类方法。对煤矸石图像进行增强、平滑去噪等预处理，采用基于距离变换的分水岭算法实现煤矸石图像分割提取。针对煤矿矸石分割图像，选取煤矸石图像的HOG特征及灰度共生矩阵，分别以支持向量机、随机森林、K近邻算法作为分类器进行基于特征提取的煤矸石分类识别；分别建立浅层卷积神经网络和基于ImageNet数据集预训练的VGG16网络，进行基于卷积神经网络的煤矸石分类识别。研究结果表明，基于VGG16网络的煤矸石图像分类方法准确率最高为99.7%，高于基于特征提取方法的91.9%和基于浅层卷积神经网络方法的92.5%。

数据集的问题

sjzwangmc的博客

11-17

1261

1 今天首先出的一个问题就是验证集的正确率比测试集的还要低。验证集的正确率是96，测试集的正确率是98。想了想之后我觉得是因为我的代码中验证集的correct是一直在累加的，没有一个回零过程，这就造成了验证集的correct从最一开始的正确率很低就开始累积，直到训练结束的时候，这个概率里面仍然统计着一开始的错误结果，然而测试集在进行测试的时候，从一开始就使用的是训练好的模型，所以测试集的正确率就比验证集还要高。 2 第二个问题就是，我使用的代码，是在训练的for循环中嵌套了一个for循环的验证过程，这个过程

大模型微调工具-torchtune

weixin_40777649的博客

08-08

516

1.定义2.安装3. 案例。

根据哈希值或者特征值判断图片是否相同

最新发布

Y_warmth

08-09

308

detectAndCompute 方法结合了特征检测和描述符计算两个步骤，可以在图像中检测出特征点并计算这些特征点的描述符。ORB（Oriented FAST and Rotated BRIEF）是一种结合了 FAST 特征检测器和 BRIEF 描述符的特征提取算法，具有旋转不变性和尺度不变性，适用于图像特征匹配、目标检测等任务。接着使用 ORB 对象的 detectAndCompute() 方法检测图像中的特征点并计算描述符，最后将特征点绘制在图像上并显示出来。

电脑技巧：9个免费的AI图片无损放大工具和网站

08-05

941

今天小编给大家介绍9款免费的AI图片放大工具和网站，帮助你提高图片清晰度，感兴趣的朋友可以自己试一试！美图设计室是美图秀秀公司推出的一款在线图片编辑和设计工具箱，提供包括AI 抠图、AI海报、AI PPT、AI消除、AI文生图、AI变清晰、AI无损放大等AI图片编辑工具。其提供的图片无损放大功能，目前是限时免费中，可以帮助用户将JPG、JPEG、PNG、HEIC等格式的图片放大清晰不失真，细节更丰富。✅ 产品优点由美图推出，产品功能稳定，处理速度较快支持免费进行图片放大到8倍。

pytorch下载慢，如何下载到本地再去安装，本地安装pytorch

weixin_53035684的博客

08-09

210

本地安装torch

RPA+AI有什么应用？6大技术融合方向分析 | 实在RPA研究

SHIZAIZHINENG的博客

08-06

1038

随着数字化转型的加速，企业正寻求更高效、智能的方法来优化业务流程。机器人流程自动化（RPA）作为一种快速兴起的技术，已经证明了其在自动化重复性任务方面的能力。然而，当RPA与各种人工智能（AI）技术相结合时，其潜力将得到更全面的释放。本文将探讨不同的AI技术如何与RPA结合，以及这种结合为企业带来的变革性应用方向。机器学习 (ML)使系统能够从数据中学习和改进提高预测准确性，自动化决策制定风险管理、欺诈检测、个性化推荐银行使用ML增强RPA进行信用评分和欺诈识别计算机视觉 (CV)

Python面试题：结合Python技术，如何使用PyTorch进行动态计算图构建

码农超哥的博客

08-06

601

PyTorch 是一个流行的深度学习框架，它通过动态计算图（Dynamic Computation Graphs）来支持自动微分（Autograd）。动态计算图的特点是每次前向传播时都会构建新的计算图，这使得它非常灵活，适合处理可变长度的输入和复杂的模型结构。以下是如何使用 PyTorch 构建动态计算图的步骤和示例：导入必要的库：定义模型：创建输入数据：前向传播：反向传播：更新参数：以下是一个简单的线性回归示例，演示了如何使用动态计算图：关键点解析动态计算图：在方法中，每次调用都会构建新的计算

线性代数课程概要介绍

08-07

869

线性代数课程内容丰富，主要围绕向量、矩阵和线性变换等核心概念展开，旨在培养学生的空间直观和想象能力、抽象思维和逻辑推理能力。线性代数是理工科大学生必修的数学基础课之一，也是硕士研究生入学全国统一考试中必考的数学课程之一。它不仅是离散化和数值计算的理论基础，还广泛应用于自然科学、社会科学、工程技术、军事和工农业生产等领域。

打造智能障碍物检测系统：从零开始的深度学习项目

a871923942的博客

08-05

1069

随着自动驾驶技术的发展，障碍物检测成为保障行车安全的重要一环。通过深度学习模型，尤其是YOLO（You Only Look Once）模型，可以高效、准确地检测道路上的障碍物，从而提高自动驾驶系统的安全性和可靠性。

python识别车辆标志

weixin_45570158的博客

08-09

304

要使用Python来识别车辆标志，你通常会用到计算机视觉库，如OpenCV，结合深度学习框架如TensorFlow或PyTorch。这里我将提供一个基于OpenCV和TensorFlow（使用预训练模型，如MobileNetV2）的基本示例。

基于深度学习的煤矸石识别系统

09-06

基于深度学习的煤矸石识别系统是一种利用机器视觉和深度学习技术来实现对煤矸石的自动识别的系统。该系统首先采集煤矸石的图像作为训练样本，然后通过深度学习方法对这些样本进行训练，以获取一个煤矸石识别的卷积神经网络模型。这个模型可以自动学习图像中的特征，并通过优化模型参数来提高识别准确率。为了训练一个效果好的网络模型，需要提供大量不同的煤矸石图像数据，让模型能够充分学习和理解煤矸石的特征。通过该系统，可以快速、准确地对煤矸石进行识别，为后续的煤矸石分拣工作提供了基础。值得注意的是，这种基于深度学习的煤矸石识别系统是在现有煤矸石识别技术基础上的一种创新应用。它结合了机器视觉、机器人和智能控制等技术，实现了对粒度为50～260 mm的煤矸石进行高效、快速分拣。这个系统的出现使得煤矸石分拣逐渐朝着自动化和机器人化的方向发展。123 #### 引用[.reference_title] - *1* *2* *3* [基于机器视觉的多机械臂煤矸石分拣机器人系统研究](https://blog.csdn.net/qq_42722197/article/details/127711593)[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 ]