极市打榜｜未戴鸭舌帽识别算法上线，单人独享1000元合作金

最新推荐文章于 2025-12-04 23:20:43 发布
原创 最新推荐文章于 2025-12-04 23:20:43 发布 · 525 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#计算机视觉 #人工智能

极市平台推出算法打榜活动，涉及目标检测、行为识别等多个领域。新项目聚焦未戴鸭舌帽识别，适用于工厂、办公室等环境的监控，提供数据集和免费算力资源，成功开发者可获奖励并有机会获得长期分成。

极市打榜

算法打榜是极市平台推出的一种算法项目合作模式，至今已上线 100+ 产业端落地算法项目，已对接智慧城市、智慧工地、明厨亮灶等多个行业真实需求，算法方向涵盖目标检测、行为识别、图像分割、视频理解、目标跟踪、OCR等。

开发者报名极市打榜，可用平台上已标注真实场景数据集+免费算力，单个算法榜单完成算法开发后成绩达到指定标准便可获得定额奖励，成绩优异者可与极市平台签约合作获得长期的算法分成收益。

打榜入口：https://cvmart.net/topList

极市打榜算法上新

【未戴鸭舌帽识别】年均算法持续收益10,000元（白银榜）& 4,600元刷榜奖金池

算法需求&报名链接：

https://cvmart.net/topList/10625?tab=RealTime

项目背景：监控区域内有未戴鸭舌帽的人员（鸭舌帽是某些公司/工厂要求的工作帽），算法需要识别出来，方便行政后置宣讲或处罚；

环境要求：室内、室外非远距离环境下，白天环境下，夜间灯光充足情况下；

报警逻辑：在画面中定义ROI区域，当检测到人员未穿戴鸭舌帽时进行报警。

识别场景：工厂，办公室

数据集大小：4.349 G

数据量描述：训练数据量11209张、测试数据量1245张、样例数据量100张

样例集节选：

数据集-目标检测系列- 鸭舌帽 检测数据集 cap ＞＞ DataBall
12-24
数据集-目标检测系列- 鸭舌帽 检测数据集 cap ＞＞ DataBall 标注文件格式：xml​​ 项目地址：https://github.com/XIAN-HHappy/ultralytics-yolo-webui 通过webui 方式对ultralytics 的 detect 检测任务 进行： 1）数据预处理， 2）模型训练， 3）模型推理。 脚本运行方式： * 运行脚本： python webui_det.py or run_det.bat 根据readme.md步骤进行操作。
安全帽头盔帽子各种帽子鸭舌帽数据集：为视觉识别提供丰富资源
gitblog_06766的博客
04-14 836
安全帽头盔帽子各种帽子鸭舌帽数据集：为视觉识别提供丰富资源 去发现同类优质开源项目:https://gitcode.com/ 项目介绍 在当前的计算机视觉领域中，图像识别和分类技术正在快速发展。为了推动这一领域的进步，一个名为“安全帽，头盔，帽子，各种帽子，鸭舌帽数据集”的项目应运而生。这个数据集由大学生创新创业项目团队精心制作，旨在为研究人员和开发者提供一个全面、高质量的帽子图像库。 项目技术分...
安全帽检测，帽子检测，各类帽子检测数据集构建 （txt，xml格式数据集）
Spirit_321的博客
06-02 1096
【代码】安全帽检测，帽子检测，各类帽子检测数据集构建 （txt，xml格式数据集）
人脸-帽子数据集-1600.zip
06-25
用于darknet框架下深度学习的数据集，自己收集的图片制作而成，一共1600余张，包括手工标注的xml文件，可以直接用于训练使用
【亲测免费】 安全帽，头盔，帽子，各种帽子，鸭舌帽数据集
gitblog_06795的博客
04-14 456
安全帽，头盔，帽子，各种帽子，鸭舌帽数据集 去发现同类优质开源项目:https://gitcode.com/ 数据集简介 此数据集源于一次大学生创新创业项目，由项目成员共同采集和整理。数据集涵盖了多种类型的帽子图像，旨在为相关研究人员和开发者提供丰富的视觉数据资源。 数据内容 数据来源：项目成员在创新创业项目期间共同采集。 数据清洗：图像已经过清洗，保证了数据质量。 数据规模：包含各种帽子类别，...
matlab 行人轨迹_AI+安防 | ReID行人再识别技术应用之综述篇
weixin_33138675的博客
01-20 1130
编译：ShowMeAI作者：毛丽、寒小阳文章导读Re-Identification是指行人再识别，在这篇文章中我们将讲述：ReID技术应用场景ReID的技术难点常用数据集介绍常用评价指标现有技术方案1ReID技术的应用场景Re-Identification(ReID)一般指的是行人再识别，也就是 Person Re-Identification，有时候ReID技术也会被用来做车辆的再识...
数据结构_算法实现顺序表相关问题_4
qq_56866000的博客
07-26 176
从有序顺序表中删除其值在给定值s与t之间（要求s
linux虚拟机重新识别硬盘,虚拟机新增硬盘，如何让Linux系统识别到？
weixin_35179649的博客
05-10 1007
虚拟机新增硬盘，如何让Linux系统识别到？下面来说说两种方式，让Linux系统识别到新增硬盘：1、重启系统(不用动脑就搞定)有人说，我比较懒，不想动脑，那么这种方法(重启系统，一切搞定)很适合你。那么，万一要是此Linux系统有业务正在运行，而又不能重启呢？咋办，这时就要动手+动脑了。出绝招了，请看下面方法。2、执行命令，重新scan设备#先cd到/sys/class/scsi_host/目录[...
数据结构_算法实现顺序表相关问题_9
qq_56866000的博客
07-27 154
线性表（a1，a2，a3，……，an）中的元素递增有序且按顺序存储于计算机内。要求设计一个算法，完成用最少的时间在表中查找数值为x的元素，若找到，则将其与后继元素位置相交换，若找不到，则将其插入表中并使表中元素仍递增有序。
yolo算法-帽子检测一次数据集-240张图像带标签-.zip
11-16
yolo系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）...
安全帽，头盔，帽子，各种帽子，鸭舌帽，数据集
06-28
介绍：本数据集包含了各种帽子，大概每个类别1000张； 补充：高质量版本还没有上传 预告：高质量版本包含大量的图像+txt+xml格式的数据集 且帽子种类更为丰富 标记方式：大学生手动标记，数据集已经被清洗
精选资源
带有yolo标签的安全帽数据集
04-08
这个"带有yolo标签的安全帽数据集"是一个专门用于训练和评估机器学习，特别是深度学习模型的集合，特别是那些涉及安全帽检测任务的模型。YOLO（You Only Look Once）是一种实时目标检测系统，以其高效和准确的性能在...
YOLO v11的学习记录（八） 使用自定义数据从头训练一个目标检测的模型
xulibo5828的博客
12-04 716
imags目录下保存图片，按照用途的不同又分为train（训练集）、var（验证集）和test（测试集），labels目录下保存与images目录下图片文件的同名txt文件，dataset.yaml是训练配置文件。model=yolo11n.yaml：使用的基础模型是 YOLOv11版本（yolo11n），但是不用它的预训练权重（从头训练），如果使用预训练权重，将该段指令改为：model=yolo11n.pt。当小批次运行成功后，修改和优化训练参数，进行正式训练。batch=16：每批处理 16 张图像。
基于检测变换器的无源目标检测
AI浩
12-01 831
在本节中，我们概述了我们的问题设置、基于Mean Teacher的SFOD架构及其更新机制，以及FRANCK的关键组件。CMMB利用伪标签诱导的二分匹配构建类间记忆库进行对比学习，增强特征区分度。OSSR通过基于查询融合的目标性得分分配动态的实例级损失权重来缓解类别不平衡。UQFD通过不确定性加权的、目标性引导的特征蒸馏改进知识迁移。最后，我们介绍了总体训练损失和DTUI，它通过动态调整EMA更新间隔来增强Mean Teacher的鲁棒性。
计算机中的图像是什么？
木梓油
12-01 653
图像处理和“理解”是计算机视觉（Computer Vision）的核心领域。理解图像如何被表示，是第一步也是最关键的一步。所有图像都是“数据”，以某种数据结构被存储和处理的一组组数字。根据表示方式的不同，图像可以分为位图和矢量图两大类。可以把位图想象成一幅巨大的“十字绣”或“乐高拼图”，每一格都有自己的颜色。图像的分辨率描述的就是像素的排列方式，即图像的宽度和高度分别有多少个像素点。 分辨率 = 图像宽度（像素） × 图像高度（像素） 比如 1920 × 1080， 表示图像宽 1920 像素、高 1080
计算机视觉·MaskFormer
2301_80132162的博客
11-30 332
借助了的核心思想，不过将原本的目标检测任务迁移到了语义分割和全景分割领域。
AI训练（目标检测：yolov8）
最新发布
weixin_48036026的博客
12-04 232
本文介绍 YOLOv8 目标检测项目实操全流程：含虚拟环境创建、PyCharm 配置及依赖安装，明确项目目录结构，给出模型预测、训练、验证、测试的终端命令。重点解析训练结果，包括最优与末次训练权重文件，results.png 中各类损失、精度、召回率、mAP 等指标含义，以及数据明细和标签分布，同时提及过拟合、样本不均衡等问题的应对思路，为项目实操与结果分析提供指导。
Java 实现图片清晰化（锐化处理）
qq_27246521的博客
12-01 128
使用「拉普拉斯核（5 为中心权重）」，既增强人脸边缘（如轮廓、眼睛、嘴巴），又不会过度失真（避免影响识别精度）。：直接复制原图边界像素，避免锐化后出现黑边（黑边会干扰人脸识别模型）。格式，去除透明通道（大多数人脸识别系统不支持带透明通道的图片）。方法中添加文件夹遍历逻辑，循环调用。如果需要处理批量图片，可在。
校园植物、交通标识、行人穿戴的帽子类型、共享单车停放状态、特定品牌车辆数据集构建
06-15
<think>我们面对的是一个多类别目标检测数据集的构建任务，涉及五个类别：校园植物、交通标识、行人帽子类型、共享单车停放状态、特定品牌车辆。构建数据集需要经过数据收集、标注、预处理、划分等步骤。以下是具体方法：数据收集：-校园植物：可通过校园官网、植物图鉴网站、公开植物数据集（如Oxford102Flowers）获取，或实地拍摄校园内各类植物。-交通标识：使用公开交通标识数据集（如TT100K、GTSDB），或从交通监控视频中截图，注意覆盖不同光照和角度。-行人帽子类型：从行人数据集（如COCO、CityPersons）中筛选戴帽子/无帽子的样本，或通过监控摄像头收集。-共享单车停放状态：采集共享单车停放图片，区分"规范停放"与"乱停放"状态，可从城市管理网站或自行拍摄获取。-特定品牌车辆：使用车辆数据集（如CompCars），筛选品牌（如丰田、大众），需包含不同车型和颜色。数据标注：-使用标注工具（LabelImg、CVAT）对每张图片中的目标进行边界框标注，并设置类别标签。-类别定义示例：校园植物：月季、梧桐等具体种类（或统一为"校园植物"）交通标识：限速、禁止通行等行人帽子：无帽、鸭舌帽、棒球帽等共享单车停放：规范停放、乱停放特定品牌车辆：丰田、大众等-标注格式推荐PASCALVOC（XML）或COCO（JSON）。数据预处理：-统一图像尺寸（如640x640），进行数据增强（旋转、翻转、亮度调整）以提升泛化性。-处理类别不平衡问题，对样本少的类别（如特定品牌车辆）进行过采样。数据集划分：按70%训练集、15%验证集、15%测试集的比例随机分割，确保各类别分布均匀。代码实现（数据增强示例）：```pythonfromtorchvisionimporttransformstransform=transforms.Compose([transforms.Resize((640,640)),transforms.RandomHorizontalFlip(p=0.5),transforms.ColorJitter(brightness=0.2,contrast=0.2),transforms.ToTensor(),])```注意事项：1.隐私问题：行人图片需模糊面部，或使用已脱敏数据集。2.版权：避免使用未授权图片，优先选择开源数据。§§相关问题§§:1.目标检测数据集中如何处理类别不平衡问题？2.有哪些高效标注多类别图像的辅助工具？3.训练目标检测模型时如何优化混合数据集的性能？</think>### 构建多类别目标检测数据集的步骤 #### **1. 数据收集策略** - **校园植物**： 拍摄校园内不同区域的植物（树木、花卉、灌木），覆盖四季变化。使用公开植物数据集（如PlantCLEF）补充稀有物种。 - **交通标识**： 采集道路实拍图像（注意安全），结合公开数据集（如TT100K、Mapillary Vistas）。涵盖不同光照、天气条件下的标识。 - **行人帽子类型**： 从监控视频或公开行人数据集（如COCO Persons）提取，区分无帽/棒球帽/渔夫帽/安全帽等，需确保人脸模糊处理。 - **共享单车停放状态**： 拍摄城市街道中单车的两种状态： - `规范停放`：在指定区域整齐排列 - `乱停放`：倒在路边、占用人行道 - **特定品牌车辆**： 收集目标品牌（如丰田、大众）的车辆图像，覆盖不同车型和角度。可爬取汽车网站图片或使用BDD100K数据集。 --- #### **2. 数据标注规范** - **标注工具**：使用LabelImg、CVAT或Scale AI进行边界框标注 - **类别定义**： ```plaintext 校园植物: [梧桐, 银杏, 月季...] 交通标识: [限速, 禁止通行, 人行横道...] 行人帽子: [无帽, 棒球帽, 安全帽...] 共享单车: [规范停放, 乱停放] 车辆品牌: [丰田, 大众, 特斯拉...] ``` - **标注格式**：统一为PASCAL VOC（XML）或COCO（JSON）格式 - **质量控制**：标注员交叉验证，IoU阈值 ≥ 0.8 --- #### **3. 数据预处理与增强** ```python # 示例：使用Albumentations的数据增强 import albumentations as A transform = A.Compose([ A.RandomResizedCrop(512, 512, scale=(0.8, 1.0)), A.HorizontalFlip(p=0.5), A.RandomBrightnessContrast(p=0.2), A.RGBShift(r_shift_limit=20, g_shift_limit=20, b_shift_limit=20, p=0.3) ], bbox_params=A.BboxParams(format='pascal_voc')) ``` - 统一图像分辨率（推荐512×512或1024×1024） - 应用几何变换（旋转、裁剪）和色彩扰动 - 处理类别不平衡：对少数类别（如特定品牌车辆）过采样 --- #### **4. 数据集划分与验证** - **划分比例**： 训练集70% | 验证集15% | 测试集15% - **分布检查**：确保每个子集包含所有类别和场景 - **基线模型测试**：用YOLOv8或Faster R-CNN验证标注质量 $$ \text{mAP} = \frac{1}{N}\sum_{k=1}^{N} AP_k \quad \text{(目标检测常用评估指标)} $$ --- #### **5. 合规性与优化** - **隐私保护**：行人图像需模糊人脸，遵守GDPR/CCPA - **版权处理**：避免使用未授权商业图片 - **持续更新**：每季度新增10%数据，修正错误标注 - **存储方案**：使用云存储（AWS S3）并备份版本 > **关键工具推荐**： > - 数据收集：Scrapy爬虫、OpenCV视频截取 > - 标注管理：LabelStudio、Roboflow > - 版本控制：DVC（Data Version Control）
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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