2401_88440984的博客

煤矿炭井下 1.煤矿采掘工作面智能分析数据集-安全帽检测，工人行为检测液压支撑防护yolo和coco两种标注格式）井下 2. 煤矿井下钻场智能分析数据集-夹持器、钻机卡盘、煤矿工人、矿井安全帽和钻杆

使用PyTorch框架和YOLOv5模型训练矿场矿车坐人数据集 来识别乘坐的煤矿矿车、正常情况下的矿车人员乘坐情况 构建矿场矿车坐人检测深度学习模型

采用基于深度学习的目标检测方法 RoI Transformer模型处理尾矿库检测数据集来构建一个用于尾矿库检测的系统——利用有向检测框准确地识别和定位尾矿实例

如何使用Yolov8训练使用——智慧煤矿检测井下作业 矿工煤矿工作人员检测 液压支撑防护板检测 大煤块检测 矿工不安全行为检测13万张真实拍摄影像，实现可视化及评估，训练及推理

如何训练使用煤矿井下钻场目标检测数据集（夹持器、钻机卡盘、煤矿工人、矿井安全帽和钻杆等五类目标，70948张，PASCAL VOC，8.8GB）进行训练并实现可视化

如何使用yolov8使用YOLOv8进行目标检测训练使用煤矿类——智慧煤矿矿井井工人行为检测及安全帽煤炭检测数据集 行走，站立，坐，操作，弯腰，靠，摔，爬

如何使用这些高精度露天矿场分割和检测数据集进行模型训练。我们将从数据准备、模型选择、训练、评估等多个方面进行详细说明。涵盖铁，铜，金，煤炭等露天矿场的遥感影像高比例精度露天煤场矿场分割，检测数据集

如何用YOLOv8进行目标检测，并使用DeepLabV3+进行分割任务——煤矿类 露天矿场分割检测数据集 标注1400余张遥感影像，800×800尺寸，超过3000个矿场目标，标注格式为coco格式。

如何使用深度学习目标检测算法Yolov5训练使用 煤矿安全帽检测数据集 7242张 1类 yolo格式。

如何使用YOLOv8训练一个煤炭传送带异物破损检测数据集。该数据集包含以下类别和标注信息：数据集介绍数据集描述类别：foreign：异物block：块状物crack：裂缝hole：孔洞数据集划分：训练集：1810张图像验证集：453张图像每个类别的图片数量和标注框数量：foreign：图片数1482张，标注框数2455个block：图片数751张，标注框数10671个crack：图片数329张，标注框数448个hole：图片数112张，标注框数413个数据集特点：针对性强

矿井安全帽检测】6388张 3类数据集包括3个类：carry objects（携带工具）、helmet（戴头盔）、no-helmet（没带头盔）按8:1:1比例划分为train：5110张，val：639张，test：639张yolo系列可以直接拿来进行训练本数据集面对的是复杂场景的安全帽图片，数据集中包含有煤矿场景，因图片目标较为单一，为扩充数据集，对其他安全帽数据集的图片进行了复杂场景的处理，同时重新使用新的类标注图片。

使用PyTorch和YOLOv8的官方实现来进行训练—粉尘识别数据集。工地/矿下粉尘数据识别，数据集已划分，YOLO格式-有权重，相关指数，map相当高 2000多张

yolo煤矸石检测 数据集 pt模型 界面，添加图片注释，不超过 140 字（可选）✓3091张图片和txt标签，标签类别两类：“coal”、“rock”。如何使用YOLOv8训练煤矸石检测数据集的详细步骤和代码。我们将使用PyTorch和YOLOv8的官方实现来进行训练，并介绍数据集的准备和使用方法。一、数据集介绍数据集结构总共有3091张图片和对应的txt标签文件。标签类别：两类，分别是“coal”和“rock”。目录结构添加图片注释，不超过 140 字（可选）深色版本Coal

如何使用YOLOv8来训练一个包含12000张图像的煤炭运输异物石头检测数据集，并附上详细的训练代码和步骤。数据集描述该数据集包含以下信息：数据量：12000张图像类别：1类（Stone）标注：每个图像都带有VOC格式的XML标注文件，并且有对应的YOLO格式TXT标注文件数据集组织假设你的数据集目录结构如下：深色版本coal_transport_stone_detection_dataset/├── train/│ ├── images/│ └── labels/├