＜数据集＞玉米地杂草识别数据集＜目标检测＞

已于 2024-09-02 23:58:15 修改
阅读量705 收藏 3
点赞数 11
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 2024-07-24 09:34:34 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_53332949/article/details/140653756
版权

数据集格式：VOC+YOLO格式

图片数量：9900张

标注数量(xml文件个数)：9900

标注数量(txt文件个数)：9900

标注类别数：2

标注类别名称：['Maize', 'Weed']

序号类别名称图片数框数
1Maize843912514
2Weed9592310486

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：

深度学习lover
关注
专栏目录
用于深度/机器学习的杂草分类数据（Deepweed）
06-26
该数据集由17509张图像组成，包含7种不同类别的杂草图像和1个负类图像，使用csv对每一图像的类别进行标注。数据集中的每幅图像统一被缩放为256*256像素大小，该数据集主要应用于基于深度学习或机器学术的杂草分类、检测等方面的研究。
玉米地杂草检测数据集VOC+YOLO格式7436张2类别.7z
09-02
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)：7436 标注数量(xml文件个数)：7436 标注数量(txt文件个数)：7436 标注类别数：2 标注类别名称:["Maize","Weed"] 每个类别标注的框数： Maize 框数 = 9426 Weed 框数 = 232793 总框数：242219 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 更多信息：https://blog.csdn.net/FL1768317420/article/details/141822854
杂草分类数据集5998张5类别
FL1768317420的博客
03-18 646
类别名称:["bluegrass","chenopodium","cirsium","corn","sedge"]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分类存放。数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片。chenopodium 图片数：1200。图片数量(jpg文件个数)：5998。bluegrass 图片数：1200。cirsium 图片数：1200。sedge 图片数：1198。corn 图片数：1200。
杂草分类数据集5998张5类别.7z
03-18
数据集类型：图像分类用，不可用于目标检测无标注文件 数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：5998 分类类别数：5 类别名称:["bluegrass","chenopodium","cirsium","corn","sedge"] 每个类别图片数： bluegrass 图片数：1200 chenopodium 图片数：1200 cirsium 图片数：1200 corn 图片数：1200 sedge 图片数：1198 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分类存放
水稻与杂草分类数据集
11-13
数据集包含了1200幅水稻和其他杂草的图片，可以用于图像分类练习，图片名称为标签。作为深度学习初学者希望能够给大家提供帮助
自建田间作物场景杂草检测数据，基于YOLOv5[n/s/m/l/x]全系列参数模型开发构建杂草检测识别分析系统
Together_CZ的博客
10-25 880
自建田间作物场景杂草检测数据，基于YOLOv5[n/s/m/l/x]全系列参数模型开发构建杂草检测识别分析系统
可用于YOLOv5/v6/v7/v8训练的农作物杂草数据集
10-21
总的来说，这个农作物杂草数据集为开发高精度的农田杂草检测系统提供了关键的训练素材，结合YOLO系列模型的先进目标检测能力，有望在农业领域实现更加精准和高效的杂草管理，推动农业技术的现代化进程。
玉米田杂草检测VOC+YOLO数据集7436张图片
资源摘要信息: "本资源是一个专门针对农业领域中的玉米地杂草检测的计算机视觉数据集，数据集提供了7436张标注好的图片，其中包含了两个类别："Maize"（玉米）和"Weed"（杂草）。每个图片都配有一个Pascal VOC格式的...
16个图像分类方向开源数据集资源汇总（附下载链接）.pdf
11-11
1. **FruitNet水果分类/识别数据集**：这是一个专门针对水果分类的数据集，包含6种印度常见水果的14700多张高质量图像，分为优质、劣质和混合质量三个子文件夹。图像由高分辨率手机摄像头拍摄，背景和光照条件各异，...
杂草分类数据集17509张9类别.7z
05-14
数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：17509 分类类别数：9 类别名称:["chineseapple","lantana","negatives","parkinsonia","parthenium","prickly_acacia","rubber_vine","siam_weed","snake_weed"] 每个类别图片数： chineseapple 图片数：1125 lantana 图片数：1064 negatives 图片数：9106 parkinsonia 图片数：1031 parthenium 图片数：1022 prickly_acacia 图片数：1062 rubber_vine 图片数：1009 siam_weed 图片数：1074 snake_weed 图片数：1016 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分类存放
田间杂草图像数据集-杂草检测或分割
01-17
一份包含多种杂草的田间杂草图像数据集（不包含标签图像）
杂草作物图像数据集（以YOLO v5 PyTorch格式进行注释）
12-23
杂草作物图像数据集，它包括2822张图片。以YOLO v5 PyTorch格式进行注释。分为作物和杂草两个文件夹， 杂草作物图像数据集，它包括2822张图片。以YOLO v5 PyTorch格式进行注释。分为作物和杂草两个文件夹， 杂草作物图像数据集，它包括2822张图片。以YOLO v5 PyTorch格式进行注释。分为作物和杂草两个文件夹，
rgbweeddetection:来自马其顿Negotino附近农场的带有杂草的胡萝卜幼苗的RGB图像数据集
05-16
在可变光照条件下拍摄的带有RGB图像的杂草检测数据集 带有杂草的胡萝卜幼苗的RGB图像数据集（胡萝卜-杂草数据集）。 该数据集可自由用于非商业应用。 有关其他信息，请联系：Petre Lameski（ ） 如果您使用此数据集，请引用： Petre Lameski，Eftim Zdravevski，Vladimir Trajkovik，Andrea Kulakov，“杂草检测数据集以及在可变光照条件下拍摄的RGB图像”，第9届ICT创新国际会议2017年，9月18日至21日，马其顿斯科普里 本文提供了数据集描述和初步分析。
目标检测YOLO实战应用案例100讲-小麦麦穗的目标检测与杂草分类识别研究
qq_36130719的博客
07-14 1422
(1) RGB颜色模型RGB颜色空间是被广泛使用的。RGB颜色空间大部分应用于计算机、显卡 和显示器或液晶显示器等方面。RGB是通过R、G、B三原色来描述颜色的颜色 空间。在三维坐标轴中，三个轴分别对应的是R（红）（1，0，0）、G（绿）（0， 1，0）、B（蓝）（0，0，1）三种颜色，两个对角线的点对应的是黑色（Black）和 白色（white），而青（Cyan）、深红（Magenta）和黄色（Yellow）着三种颜色的 坐标如图2.1所示。
水稻慈姑类杂草检测数据集221张2类别
lwx666sl的博客
04-14 335
今天，介绍水稻慈姑类杂草检测数据集221张2类别 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)：221 标注数量(xml文件个数)：221 标注数量(txt文件个数)：221 标注类别数：2 标注类别名称:["sagittaria","sagittaria_flower"] 每个类别标注的框数： sagittaria 框数 = 744 sagittaria_flower
植物数据集-全面多种杂草识别的数据集
u012901740的博客
07-09 1279
CWD30数据集，专为作物杂草识别任务设计。CWD30包含219,770张高分辨率图像，涵盖20种杂草和10种作物的不同生长阶段、多角度视角和多种环境条件。数据集从不同地理位置和季节的农田收集，确保了数据的代表性。其分层分类法实现了细粒度分类，有助于开发更精确和强大的深度学习模型。广泛的基线实验表明，尽管存在类内差异、类间相似性和数据不平衡等挑战，CWD30能显著提升模型性能，减少收敛时间，节省训练资源。我们相信，CWD30将成为评估作物杂草识别算法的重要基准，推动精准农业进步，并促进研究人员的合作。
【天线＆空中农业】航拍图草地杂草检测系统源码＆数据集全套：改进yolo11-LVMB
最新发布
qunshansj的博客
10-31 800
本项目数据集信息介绍本项目所使用的数据集名为“grass weeds”，旨在为改进YOLOv11的航拍图草地杂草检测系统提供高质量的训练数据。该数据集专注于草地中杂草的识别与分类，特别是针对“0 ridderzuring”这一特定杂草种类。数据集的设计考虑到了航拍图像的特性，包含了多种不同环境下的草地图像，以确保模型在多样化场景中的泛化能力。“grass weeds”数据集包含丰富的图像样本，涵盖了不同光照条件、季节变化及生长状态下的“0 ridderzuring”杂草。
评论 5
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
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