<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[目标检测]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/2403_88275621</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; 2403_88275621]]></copyright><item><title><![CDATA[【78】零售收银商品数据集(有v8/v11模型)/YOLO零售收银商品检测]]></title><link>https://blog.youkuaiyun.com/2403_88275621/article/details/170443202</link><guid>https://blog.youkuaiyun.com/2403_88275621/article/details/170443202</guid><author>2403_88275621</author><pubDate>Tue, 10 Nov 2026 15:15:00 +0800</pubDate><description><![CDATA[本文介绍一个包含30000张标注图片的零售商品检测数据集，涵盖200个类别，按20983:4491:4526划分训练、验证和测试集。基于该数据集，训练了YOLOv8（mAP0.993）和YOLOv11（mAP0.995）模型，均表现优异。]]></description><category></category></item><item><title><![CDATA[【77】松树病害数据集(有v8/v11模型)/YOLO松树病害检测]]></title><link>https://blog.youkuaiyun.com/2403_88275621/article/details/170189470</link><guid>https://blog.youkuaiyun.com/2403_88275621/article/details/170189470</guid><author>2403_88275621</author><pubDate>Fri, 06 Nov 2026 10:49:08 +0800</pubDate><description><![CDATA[本文提供一个包含2057张标注图像的松树病害检测数据集，按1443:412:202划分训练、验证与测试集，类别为“bad_tree”（染病松树）。基于YOLOv8和YOLOv11模型训练，分别取得mAP0.844和mAP0.843，可直接用于目标检测任务。]]></description><category></category></item><item><title><![CDATA[【76】无人机视角车辆数据集(有v5/v8模型)/YOLO无人机视角车辆检测]]></title><link>https://blog.youkuaiyun.com/2403_88275621/article/details/170048693</link><guid>https://blog.youkuaiyun.com/2403_88275621/article/details/170048693</guid><author>2403_88275621</author><pubDate>Wed, 04 Nov 2026 16:30:55 +0800</pubDate><description><![CDATA[本文提供一个包含8626张标注图片的无人机视角车辆检测数据集，涵盖公交车、小轿车、货车、厢式货车四类，按6900:1726划分训练与验证集。基于YOLOv5s和YOLOv8n训练100轮，分别获得mAP0.608和mAP0.591，模型可直接用于目标检测任务。]]></description><category></category></item><item><title><![CDATA[【75】垃圾分类数据集(有v5/v8模型)/YOLO垃圾分类检测]]></title><link>https://blog.youkuaiyun.com/2403_88275621/article/details/169933725</link><guid>https://blog.youkuaiyun.com/2403_88275621/article/details/169933725</guid><author>2403_88275621</author><pubDate>Tue, 03 Nov 2026 11:17:51 +0800</pubDate><description><![CDATA[本文提供一个包含4147张标注图片的垃圾分类数据集，涵盖6类垃圾（生物、纸张、塑料、其他、电池、金属），按3317:830划分训练与验证集。基于YOLOv5（mAP 0.887）和YOLOv8（mAP 0.865）训练的模型已发布，可直接用于目标检测任务。]]></description><category></category></item><item><title><![CDATA[【74】水稻病害数据集(有v5/v8模型)/YOLO水稻病害检测]]></title><link>https://blog.youkuaiyun.com/2403_88275621/article/details/169833848</link><guid>https://blog.youkuaiyun.com/2403_88275621/article/details/169833848</guid><author>2403_88275621</author><pubDate>Mon, 02 Nov 2026 12:02:20 +0800</pubDate><description><![CDATA[本文提供一个包含2183张标注图片的水稻病害数据集，涵盖四种病害类别（白叶枯病、草丛矮缩病、稻瘟病、东格鲁病毒病），按1746:437划分训练与验证集。基于YOLOv5和YOLOv8模型的训练结果表明，mAP分别达0.901和0.914，具备良好检测性能。]]></description><category></category></item><item><title><![CDATA[【73】墙壁建筑缺陷数据集(有v5/v8模型)/YOLO墙壁建筑缺陷检测]]></title><link>https://blog.youkuaiyun.com/2403_88275621/article/details/162042298</link><guid>https://blog.youkuaiyun.com/2403_88275621/article/details/162042298</guid><author>2403_88275621</author><pubDate>Tue, 16 Jun 2026 18:01:06 +0800</pubDate><description><![CDATA[本文介绍了一个用于目标检测的墙壁建筑缺陷数据集，包含1522张已标注图片，划分为1217张训练集和305张验证集。数据集涵盖8类缺陷：裂缝、分层/脱层、钢筋外露、锈迹、剥落/掉块、瓷砖裂缝、瓷砖脱层和瓷砖缺失，并提供标注txt文件。作者使用该数据集训练了YOLOv5和YOLOv8模型，分别达到0.654和0.661的mAP值。]]></description><category></category></item><item><title><![CDATA[【72】水上垃圾数据集(有v5/v8模型)/YOLO水上垃圾检测]]></title><link>https://blog.youkuaiyun.com/2403_88275621/article/details/161807040</link><guid>https://blog.youkuaiyun.com/2403_88275621/article/details/161807040</guid><author>2403_88275621</author><pubDate>Mon, 08 Jun 2026 20:07:42 +0800</pubDate><description><![CDATA[本文介绍了一个水上垃圾检测数据集及其训练结果。数据集包含6048张已标注图片，分为9类（如铝罐、塑料瓶等），按4838:1210划分训练集和验证集。使用YOLOv5和YOLOv8模型训练100轮后，分别达到mAP 0.978和0.980的准确率。]]></description><category></category></item><item><title><![CDATA[【71】缝线缺陷数据集(有v5/v8模型)/YOLO缝线缺陷检测]]></title><link>https://blog.youkuaiyun.com/2403_88275621/article/details/161775528</link><guid>https://blog.youkuaiyun.com/2403_88275621/article/details/161775528</guid><author>2403_88275621</author><pubDate>Sun, 07 Jun 2026 17:48:50 +0800</pubDate><description><![CDATA[本文介绍了一个缝线缺陷检测数据集及预训练模型。数据集包含1884张已标注图片，分为5类缺陷（断线/正常/重叠针迹/跳针/针痕），按1507:377划分训练集和验证集。提供了基于YOLOv5和YOLOv8的预训练模型，其中YOLOv5模型（yolov5s.pt）训练100轮达到mAP 0.866，YOLOv8模型（yolov8n.pt）训练100轮达到mAP 0.854。]]></description><category></category></item><item><title><![CDATA[【70】室内物品数据集(有v5/v8模型)/YOLO室内物品检测]]></title><link>https://blog.youkuaiyun.com/2403_88275621/article/details/160691224</link><guid>https://blog.youkuaiyun.com/2403_88275621/article/details/160691224</guid><author>2403_88275621</author><pubDate>Fri, 01 May 2026 18:02:33 +0800</pubDate><description><![CDATA[本文介绍了一个包含4315张标注图片的室内物品检测数据集，已划分为3452张训练集和863张验证集。数据集涵盖10类常见家居物品（如电视机、床、椅子等），标注格式为txt。作者提供了基于YOLOv5（mAP 0.879）和YOLOv8（mAP 0.870）的预训练模型结果，均训练100轮。]]></description><category></category></item><item><title><![CDATA[【69】果蔬新鲜度数据集(有v5/v8模型)/YOLO果蔬新鲜度检测]]></title><link>https://blog.youkuaiyun.com/2403_88275621/article/details/160657653</link><guid>https://blog.youkuaiyun.com/2403_88275621/article/details/160657653</guid><author>2403_88275621</author><pubDate>Thu, 30 Apr 2026 13:24:00 +0800</pubDate><description><![CDATA[本文介绍了一个用于目标检测的果蔬新鲜度数据集，包含8666张已标注图片，按7:1比例划分为训练集（6932张）和验证集（1734张）。数据集涵盖20个类别，包括10种新鲜水果蔬菜（如苹果、香蕉等）及其对应的腐烂状态。同时提供了YOLOv5和YOLOv8两种模型的训练结果，分别达到0.917和0.924的mAP值。]]></description><category></category></item><item><title><![CDATA[【68】无人机视角行人数据集(有v5/v8模型)/YOLO无人机视角行人检测]]></title><link>https://blog.youkuaiyun.com/2403_88275621/article/details/160281548</link><guid>https://blog.youkuaiyun.com/2403_88275621/article/details/160281548</guid><author>2403_88275621</author><pubDate>Sat, 18 Apr 2026 15:54:38 +0800</pubDate><description><![CDATA[本文介绍了一个无人机视角的行人检测数据集，包含6186张已标注图片，按4948:1238划分训练集和验证集。数据集仅包含person类别，适用于目标检测任务。同时提供了YOLOv5和YOLOv8的预训练模型结果：YOLOv5s.pt模型训练100轮达到mAP0.484，YOLOv8n.pt模型训练100轮达到mAP0.443。该数据集可用于无人机视角下的行人检测算法开发与优化。]]></description><category></category></item><item><title><![CDATA[【67】手机数据集(有v5/v8模型)/YOLO手机检测]]></title><link>https://blog.youkuaiyun.com/2403_88275621/article/details/160179102</link><guid>https://blog.youkuaiyun.com/2403_88275621/article/details/160179102</guid><author>2403_88275621</author><pubDate>Wed, 15 Apr 2026 13:01:44 +0800</pubDate><description><![CDATA[本文介绍了一个手机检测数据集，包含5024张已标注图片，分为4019张训练集和1005张验证集。数据集适用于目标检测任务，仅包含cellPhone一个类别。同时提供了YOLOv5和YOLOv8的预训练模型结果：YOLOv5s模型训练100轮达到mAP 0.844，YOLOv8n模型训练100轮达到mAP 0.786。]]></description><category></category></item><item><title><![CDATA[【66】光伏板缺陷数据集(有v5/v8模型)/YOLO光伏板缺陷检测]]></title><link>https://blog.youkuaiyun.com/2403_88275621/article/details/158933340</link><guid>https://blog.youkuaiyun.com/2403_88275621/article/details/158933340</guid><author>2403_88275621</author><pubDate>Wed, 11 Mar 2026 20:17:47 +0800</pubDate><description><![CDATA[本文介绍了一个包含10,100张已标注图片的光伏板缺陷检测数据集，划分为8,080张训练集和2,020张验证集。数据集包含四类缺陷：覆盖物(over)、裂缝(crack)、灰尘(dust)和正常(normal)。基于该数据集，使用YOLOv5和YOLOv8模型进行训练，分别获得0.728和0.765的mAP值。文]]></description><category></category></item><item><title><![CDATA[【65】扑克牌数据集(有v5/v8模型)/YOLO扑克牌检测]]></title><link>https://blog.youkuaiyun.com/2403_88275621/article/details/158922686</link><guid>https://blog.youkuaiyun.com/2403_88275621/article/details/158922686</guid><author>2403_88275621</author><pubDate>Wed, 11 Mar 2026 12:01:57 +0800</pubDate><description><![CDATA[本文介绍了一个包含10,100张标注图片的扑克牌数据集，涵盖52种不同花色和点数的扑克牌类别（如梅花10、方块A等）。数据集已按8,080:2,020比例划分训练集和验证集，可直接用于目标检测任务。同时提供了基于YOLOv5（mAP 0.995）和YOLOv8（mAP 0.995）的预训练模型结果，均训练100轮。]]></description><category></category></item><item><title><![CDATA[【64】杂草数据集(有v5/v8模型)/YOLO杂草检测]]></title><link>https://blog.youkuaiyun.com/2403_88275621/article/details/158893988</link><guid>https://blog.youkuaiyun.com/2403_88275621/article/details/158893988</guid><author>2403_88275621</author><pubDate>Tue, 10 Mar 2026 22:44:09 +0800</pubDate><description><![CDATA[本文介绍了一个包含4203张已标注图片的杂草检测数据集，其中训练集3362张、验证集841张。数据集采用YOLOv5和YOLOv8模型进行训练，均取得优异结果：YOLOv5模型（基于yolov5s.pt预训练）mAP达0.993，YOLOv8模型（基于yolov8n.pt预训练）mAP为0.985。文中展示了样本图片和训练结果曲线图。该数据集可直接用于目标检测任务。]]></description><category></category></item><item><title><![CDATA[【63】x光行李违禁物品数据集(有v5/v8模型)/YOLOx光行李违禁物品检测]]></title><link>https://blog.youkuaiyun.com/2403_88275621/article/details/158882880</link><guid>https://blog.youkuaiyun.com/2403_88275621/article/details/158882880</guid><author>2403_88275621</author><pubDate>Tue, 10 Mar 2026 13:06:02 +0800</pubDate><description><![CDATA[本文介绍了一个X光行李违禁物品检测数据集，包含3771张已标注图片，划分为3016张训练集和755张验证集。数据集涵盖5类违禁物品：枪、刀、钳子、剪刀和扳手。同时提供了基于YOLOv5和YOLOv8的训练结果，两者均达到0.95以上的mAP值。YOLOv5使用yolov5s.pt预训练模型训练100轮后mAP为0.956，YOLOv8使用yolov8n.pt预训练模型训练100轮后mAP为0.955。]]></description><category></category></item><item><title><![CDATA[【62】饮料容器数据集(有v5/v8模型)/YOLO饮料容器检测]]></title><link>https://blog.youkuaiyun.com/2403_88275621/article/details/158694358</link><guid>https://blog.youkuaiyun.com/2403_88275621/article/details/158694358</guid><author>2403_88275621</author><pubDate>Thu, 05 Mar 2026 14:03:51 +0800</pubDate><description><![CDATA[本文介绍了一个包含6519张标注图片的饮料容器检测数据集，划分为5215张训练集和1304张验证集。数据集涵盖9类常见饮料容器，包括玻璃瓶、塑料瓶、各类杯子等。基于该数据集，作者训练了YOLOv5和YOLOv8模型，分别达到0.961和0.963的mAP值。]]></description><category></category></item><item><title><![CDATA[【61】水下生物数据集(有v5/v8模型)/YOLO水下生物检测]]></title><link>https://blog.youkuaiyun.com/2403_88275621/article/details/158037268</link><guid>https://blog.youkuaiyun.com/2403_88275621/article/details/158037268</guid><author>2403_88275621</author><pubDate>Fri, 13 Feb 2026 10:55:32 +0800</pubDate><description><![CDATA[本文介绍了一个包含638张已标注图片的水下生物数据集，涵盖7种海洋生物类别（鱼、水母、企鹅等）。数据集已划分为510张训练集和128张验证集，可直接用于目标检测训练。同时提供了基于YOLOv5和YOLOv8的预训练模型结果，其中YOLOv5模型达到0.788的mAP值，YOLOv8模型达到0.780的mAP值。]]></description><category></category></item><item><title><![CDATA[【60】垃圾桶满溢数据集(有v5/v8模型)/YOLO垃圾桶满溢检测]]></title><link>https://blog.youkuaiyun.com/2403_88275621/article/details/158012151</link><guid>https://blog.youkuaiyun.com/2403_88275621/article/details/158012151</guid><author>2403_88275621</author><pubDate>Thu, 12 Feb 2026 20:50:02 +0800</pubDate><description><![CDATA[本文介绍了一个用于目标检测的垃圾桶满溢数据集，包含3349张已标注图片，分为训练集（2679张）和验证集（670张）。数据集涵盖三类目标：满溢(overflow)、垃圾(garbage)和垃圾桶(garbage_bin)。同时提供了基于YOLOv5和YOLOv8的预训练模型结果，其中YOLOv5模型达到mAP 0.924，YOLOv8模型达到mAP 0.919。该数据集可直接用于目标检测模型的训练和验证。]]></description><category></category></item><item><title><![CDATA[【59】无人机红外视角人车数据集(有v5/v8模型)/YOLO无人机红外视角人车检测]]></title><link>https://blog.youkuaiyun.com/2403_88275621/article/details/157993054</link><guid>https://blog.youkuaiyun.com/2403_88275621/article/details/157993054</guid><author>2403_88275621</author><pubDate>Thu, 12 Feb 2026 09:24:07 +0800</pubDate><description><![CDATA[本文介绍了一个包含2371张标注图片的无人机红外视角数据集，划分为2071:196:104的训练集、验证集和测试集，可直接用于目标检测训练。数据集包含车辆、摩托车、行人和卡车4个类别。同时提供了基于YOLOv5和YOLOv8的预训练模型结果，其中YOLOv5模型达到0.827的mAP值，YOLOv8模型达到0.790的mAP值。]]></description><category></category></item></channel></rss>