超大规模驾驶员动作行为数据集出售,含396万段视频

江苏树林数据标注公司近期自主采集了30000名驾驶员动作行为数据集,类别含有12种:

抽烟,喝水,打电话,玩手机,回头拿东西,调广播,打瞌睡,连续眨眼挤眼睛,打哈欠,头连续转动,聊天,正常行驶,

总共396万段视频,包括白天和晚上的。

釆集方式:线下邀约实地釆集,模拟亘机驾驶车辆过程中违规行为及危险行为。

釆集地点:市区道路或高速道路上。

每个场景釆集数量:每人每个场景釆集6段视频。

每人釆集的数量:每人白天釆集十一个场景,晩上再次釆集这十一个场景,总

共釆集了 132段视频。

现在正在标注中,标注内容包括肢体行为,人脸拉框,人脸打点(106点),目前总共标注了144万张图片。

欢迎感兴趣的公司联系洽谈购买。

也欢迎感兴趣的朋友提宝贵意见,可以在采集和标注环节加入定制化内容,以期更好使数据发挥更大的价值。

数据集具体规格和联系方式获取:

在“OpenCV中文网”公众号后

KNN回归是一种基于实例的学习方法,它可以用于回归问题。我们可以使用KNN回归来预测波士顿房价数据集中房价的价格。 首先,我们需要导入数据集并对其进行预处理。我们可以使用sklearn中的load_boston()函数来导入数据集,并使用train_test_split()函数将数据集分成训练集和测试集。 ```python from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsRegressor from sklearn.metrics import mean_squared_error # 导入数据集 boston = load_boston() # 分割数据集 X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.3, random_state=42) ``` 接下来,我们可以使用KNeighborsRegressor()函数来创建一个KNN回归模型,设置K值为5,并将其拟合到训练数据上。 ```python # 创建KNN回归模型 knn = KNeighborsRegressor(n_neighbors=5) # 拟合模型 knn.fit(X_train, y_train) ``` 然后,我们可以使用模型对测试数据进行预测,并计算预测结果和实际结果之间的均方误差。 ```python # 预测测试数据 y_pred = knn.predict(X_test) # 计算均方误差 mse = mean_squared_error(y_test, y_pred) print("均方误差:", mse) ``` 最后,我们可以使用模型对新数据进行预测,并输出预测结果。 ```python # 预测新数据 new_data = [[0.02729, 0.0, 7.07, 0.0, 0.469, 6.421, 78.9, 4.9671, 2.0, 242.0, 17.8, 396.90, 9.14]] new_pred = knn.predict(new_data) # 输出预测结果 print("预测结果:", new_pred) ```
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
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