＜数据集＞TACO垃圾识别数据集＜目标检测＞

于 2024-08-28 08:11:50 发布
阅读量173 收藏 3
点赞数 3
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
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/141503470
版权

数据集格式：VOC+YOLO格式

图片数量：6004张

标注数量(xml文件个数)：6004

标注数量(txt文件个数)：6004

标注类别数：18

标注类别名称：['Crankshaft', 'Centrifugal_body', 'Washer_container', 'Circlip_container', 'Hanging_screw_driver', 'Multi_plate_wet_clutch','Clutch_nut_container', 'Hands', 'Centrifugal_nut_container', 'Magnetic_tool', 'Dowel_pin_container', 'Vertical_Multi_plate_wet_clutch', 'Bolt_container', 'Piston', 'Gps_sensor_pin_container', 'Gasket_container', 'Oil_bin', 'Plier', 'Anabond', 'Gasket', 'Engine', 'Barcode_scanner', 'Gps_sensor_container', 'undefined', 'Spring_container', 'GPS_Sensor']

序号类别名称图片数框数
1Bottle cap12971803
2Cup661788
3Can6701000
4Pop tab255359
5Unlabeled litter10512026
6Plastic bag - wrapper20073141
7Paper427557
8Bottle9361154
9Cigarette9222834
10Other plastic6591044
11Styrofoam piece295423
12Carton724955
13Plastic container230237
14Other litter454541
15Straw432503
16Lid295349
17Aluminium foil143210
18Broken glass55550

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：

09cc6a83a2704b9a87a2612b0db14f15.jpeg

2589248da19848208810e6d85cce5616.jpeg

标注示例：

3d1e459daf154edeb542b8983003ddf5.jpeg

d750b5b8c7434bdab66f321d8edbf848.jpeg

 

 

 

深度学习lover
关注
  • 3
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
RK3568笔记二十二：基于TACO的垃圾检测和识别
04-16 905
若该文为原创文章，转载请注明原文出处。基于TACO数据集，使用YOLOv8分割模型进行垃圾检测和识别，并在ATK-RK3568上部署运行。
YOLOv5街道塑料垃圾检测和绘图
sybh的博客
05-22 1008
塑料污染是一个严重的环境问题，检测和监测塑料垃圾对于减轻其影响至关重要。本文提出了绘制街道垃 圾地图的方法，主要关注塑料垃圾和垃圾桶的位置。我们的方法涉及采用深度学习技术，从安装在车辆上 的摄像头拍摄的街道图像中识别垃圾和垃圾箱。随后，我们利用热图来直观地表示整个城市的垃圾和垃圾 箱的分布。此外，我们提供了关于创建开源数据集(“pLitterStreet”)的详细信息，该数据集是在我们的方法 中开发和使用的。该数据集包含从车载相机收集的13000多张完全注释的图像，并包括边界框标签。
垃圾数据集分享 目标识别
weixin_45762696的博客
01-06 1350
垃
Taco数据集的yolo格式
m0_54882506的博客
03-31 916
将Taco数据集的1500张图片和原本的coco标注改为yolo格式，方便用yolo算法对垃圾数据集进行目标检测操作。并配上改成中文标签的yaml文件。yaml文件链接：https://pan.baidu.com/s/1ZI9GKeRoysCMYK_y6bvebQ。数据集和标注链接：https://pan.baidu.com/s/1Vo15u1_-k9P4oU1-R1xxcw。
垃圾检测+数据集
qq_34717531的博客
03-30 4574
城市路边垃圾检测数据集： 城市路边垃圾检测数据集分享：垃圾检测+数据集（非垃圾分类数据集）-深度学习文档类资源-CSDN下载
计算机视觉之目标检测数据集：污染物垃圾检测数据集60分类（yolo标注格式的txt文件）
01-16
项目包含污染物垃圾检测数据集60个类别（TACO垃圾识别），可直接用作目标检测数据集，无需额外处理。 图像背景为海滩、树林、道路等为背景的垃圾检测数据，总类别共60个，例如可乐罐、塑料袋等等 数据集介绍：分为...
来自不同行业领域的50多个对象检测数据集
TensorFlowNews
11-07 3897
作者|Abhishek Annamraju 编译|Flin 来源|medium 计算机视觉是一个快速发展的领域，每天都有大量的新技术和算法出现在不同的会议和期刊上。说到目标检测，理论上你会学到很多算法，比如Faster-rcnn、Mask rcnn、Yolo、SSD、Retinenet、级联rcnn、Peleenet、EfficientDet、CornerNet…。这张算法清单是永远列不完的！ 通过将其应用到不同的数据集来巩固你的学习经验总是有益的！！！ 这样一来，你往往会更好地理解算法，并且可以直观了解
内陆水域浮游废物检测的数据集和基准
109530FloW：内陆水域浮游废物检测的数据集和基准0Yuwei Cheng � 1, 2，Jiannan Zhu � 1, 4，Mengxin Jiang 1, 2，Jie Fu 3，Changsong Pang 1, 4，Peidong Wang 1, 20Kris Sankaran 3，...
Spark MLlib模型训练—分类算法Multinomial Logistic Regression
08-27 245
多项逻辑回归（Multinomial Logistic Regression）是对二项逻辑回归（Binary Logistic Regression）的扩展，适用于多分类问题。当目标变量不再是二分类（如 0 或 1），而是多于两个类别（如 A, B, C），多项逻辑回归便成为了适用的选择。与二项逻辑回归类似，多项逻辑回归基于线性模型，但其核心区别在于输出类别不再局限于两个，而是扩展至多个。，模型预测的标签为 0，对应的概率为 0.876，表明该样本属于类别 0 的可能性最大。使得训练数据的似然最大。
python 实现convolution neural network卷积神经网络算法
luthane的博客
08-26 1741
卷积神经网络（Convolutional Neural Networks, CNN）是一种包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks, FNN），是深度学习的代表算法之一。基本原理CNN的核心思想是通过模拟人类视觉系统的工作方式，自动提取图像中的特征，并将其用于分类、检测、分割等任务。它主要受到了生物学上感知机制的启发，模拟了人类视觉系统中的感知细胞和复杂细胞的工作方式。
透明性和解释性AI：概念与应用
weixin_49007164的博客
08-25 1073
透明性AI指的是AI系统的操作过程、决策机制、数据流动和模型行为是可理解和可追踪的。换句话说，透明性AI使得人们可以清楚地看到AI系统是如何做出决策的，这一过程包括输入数据的处理方式、模型的内部计算过程、以及最终决策的产生机制。解释性AI是指AI系统不仅能够给出决策结果，还能够提供关于该决策如何产生的解释。解释性AI的目标是帮助用户理解AI的行为，尤其是当AI的决策与预期不符时，提供合理的解释来消除用户的疑虑。
【python计算机视觉编程——1.基本的图像操作和处理】
m0_53694086的博客
08-26 890
参数sigma为标准差（σ），是高斯滤波器的一个重要参数，它控制滤波器的平滑程度。标准差越大，高斯函数的曲线越宽，滤波器的影响范围就越大。标准差较大: 高斯滤波器会在更大范围内进行平滑，使得图像变得更加模糊，细节和边缘特征会被更强地平滑掉。标准差较小: 高斯滤波器会产生较小范围的平滑效果，图像的细节保留更多。还可以给定转换矩阵，将RGB图像转换为CIE XYZ色彩空间。图像像素值被分成128个区间，用于计算每个区间的像素值频率。可以返回目录中所有jpg图像的列表。
【论文解读】自由能原理在多个领域的统一视角
神经美学_茂森的博客
08-27 264
自由能原理作为一个统一的理论框架，成功地将多个看似不相关的领域（如神经科学、物理学、经济学、信息论、控制论、认知科学和生物学进化）联系在一起。通过自由能原理，我们可以更深刻地理解不同系统如何在给定条件下实现最优行为或状态。#自由能原理 #跨领域统一框架 #优化逻辑 #参数调节 #贝叶斯大脑 #预测编码 #最优控制 #注意力机制 #自然选择 #机器学习。：自由能原理、跨领域统一框架、优化逻辑、参数调节、贝叶斯大脑、预测编码、最优控制、注意力机制、自然选择、机器学习。
直播美颜API与视频美颜SDK的开发指南：构建高效实时美颜工具
q1031691172的博客
08-23 304
不同用户对美颜效果的需求各异，因此，直播美颜API与视频美颜SDK应具备良好的可扩展性和自定义功能。开发者可以通过提供丰富的接口和插件机制，允许用户根据自己的需求调整美颜参数或添加新的美颜效果，从而提升用户满意度。
论大模型在金融行业的应用场景
m0_53773302的博客
08-25 608
需要指出的是，虽然上面这些场景都是大家能够最先想到的，但真正要做的很好，也不是那么容易，必须结合优质的技术架构与工具设计，模型优化，数据准备与处理，以及反复的尝试与试错，同时也不可避免的需要对所在行业与场景知识的专业性通过实操深入理解。但如果想到达到90%以上的准确率，那就必须结合专业细致的行业数据、话术抽象、切分，上下文学习/RAG使用，知识图谱的构造，人类反馈的常态化，模型的选择，模型微调中参数调优、数据质量与混合比例的调优、减少遗忘的策略设计，甚至模型结构的创新改造设计等手段综合起来，才可以达到。
yolo7 自定义数据训练
hzh839900的专栏
08-27 101
数据定义文件train.txt val.txt。预定义标签 格式name label。数据集定义文件errimg.yaml。图片文件和标签文件放在一起。数据打标labelimg。
OpenCV4深度神经网络DNN实战教程
最新发布
qq_44870829的博客
08-27 555
OpenCV DNN模块传统的HAAR级联人脸检测器不可靠到DNN的高可靠各种操作，如何将TensorFlow训练出来的模型导入到，实现很好的调用OpenCVDNN模块可以解决OpenCV4不再是单纯的计算机视觉库，还有深度学习推理库OpenCV4后与神经网络扩展模块在3.3中放到了release版本中旧的教程下线有瑕疵此时已经很成熟了，通过IE加速（推理引擎，7、8倍的效率提升）OpenCV4模型数很多。
并行计算的艺术：PyTorch中torch.cuda.nccl的多GPU通信精粹
2401_85763639的博客
08-27 363
是PyTorch提供的一个用于多GPU通信的API，它基于NCCL库，专门针对NVIDIA GPU优化，支持高效的多GPU并行操作。NCCL提供了如All-Reduce、Broadcast等集合通信原语，这些操作在多GPU训练中非常关键。
怎么使用TACO数据集
04-13
TACO（Trash Annotations in Context）数据集是一个用于垃圾物体检测和分类的数据集。它包含了超过15000张图像，其中包含了40个不同类别的垃圾物体。使用TACO数据集可以帮助我们训练模型来自动检测和分类垃圾物体。 要使用TACO数据集，你可以按照以下步骤进行： 1. 下载数据集：你可以从TACO数据集的官方网站（https://github.com/pedropro/TACO）上下载数据集。数据集包括图像和相应的标注文件。 2. 数据预处理：下载完成后，你需要对数据进行预处理。这包括将图像和标注文件放置在正确的文件夹中，并确保文件名和标注文件中的图像路径匹配。 3. 数据探索：在开始训练之前，你可以先对数据进行探索，了解图像和标注的内容。可以使用图像处理库（如OpenCV）加载图像，并根据标注文件中的坐标信息绘制边界框。 4. 数据划分：为了训练和评估模型，你需要将数据集划分为训练集、验证集和测试集。通常，你可以将数据集按照一定比例划分，例如80%用于训练，10%用于验证，10%用于测试。 5. 模型训练：使用划分好的训练集进行模型训练。你可以选择使用深度学习框架（如TensorFlow、PyTorch）来实现垃圾物体检测和分类模型。可以使用已有的模型架构（如Faster R-CNN、YOLO）或自定义模型。 6. 模型评估：使用验证集对训练好的模型进行评估。通过计算准确率、召回率、F1分数等指标来评估模型的性能。 7. 模型应用：在模型训练和评估完成后，你可以使用测试集来测试模型的泛化能力。将模型应用于新的图像数据，检测和分类垃圾物体。
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
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