墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
400+累计阅读
454平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)
图片数量(jpg文件个数)：3687
标注数量(xml文件个数)：3687
标注数量(txt文件个数)：3687
标注类别数：1
标注类别名称:["defect"]
每个类别标注的框数：
defect 框数 = 12220
总框数：12220
使用标注工具：labelImg
标注规则：对类别进行画矩形框
重要说明：暂无
特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
图片示例：
标注示例：
下载地址：https://download.youkuaiyun.com/download/FL1623863129/89301728
风电叶片微小缺陷检测数据集：VOC+YOLO双格式工业级实践
风力发电机叶片表面缺陷（如裂纹、腐蚀、涂层剥落）的早期识别，是工业视觉检测中的典型小目标检测问题。其核心挑战在于可见光条件下毫米级缺陷在远距离航拍图像中的低信噪比、多尺度与强干扰特性。基于深度学习的目标检测技术，尤其是YOLO系列模型，凭借端到端训练与高实时性优势，成为该任务的主流解法。而高质量标注数据——特别是兼容VOC与YOLO双格式、覆盖真实工况（运动模糊、光照变化、边缘缺陷）的单类别缺陷数据集——直接决定了模型在产线部署时的泛化能力与鲁棒性。本文围绕一个3687张真实风电巡检图像的数据集，解析其工程
【精华】WiderPerson数据集介绍及标签转换（YOLO格式）
WiderPerson数据集介绍及标签转换（YOLO格式）
YOLO目标检测——烟叶病害检测数据集下载分享【含对应voc、coco和yolo三种格式标签】
YOLO目标检测——烟叶病害检测数据集下载分享【含对应voc、coco和yolo三种格式标签】
[数据集][目标检测]草莓成熟度检测数据集VOC+YOLO格式412张3类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:["flower","growth","mature"]图片数量(jpg文件个数)：412。标注数量(xml文件个数)：412。标注数量(txt文件个数)：412。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
苹果疾病的数据集
自己制作的苹果数据集，然后使用深度学习识别这些苹果疾病。
人群暴力行为视频数据库
这是一个人群暴力行为的数据库，包括正常人群行为和暴力行为，都是从youtube中下载的，150M。视频清晰度不高，可以用于暴力行为检测研究。
2024年目标检测数据集大合集所有下载地址汇总
数据集名称下载地址 瓷砖瑕疵检测数据集VOC+YOLO标注.zip点我下载 道路路标交通标志检测数据集VOC+YOLO格式877张4类别.zip点我下载 钢材缺陷检测数据集VOC+YOLO格式386张5类别.7z点我下载 中国交通标志检测数据集VOC+YOLO格式5998张58类别.7z点我下载 道路交通事故检测数据集VOC+YOLO格式11819张2类别.7z点我下载 钢丝绳破损灼伤缺陷检测数据集VOC+YOLO格式1318张2类别.7z点我下载 公共场所危险物品检测数据集VOC+YOLO格式1431
[数据集][VOC][正版]打架数据集VOC-3146张
数据集格式：Pascal VOC格式(不包含分割的txt文件，仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数)：3146 标注数量(xml文件个数)：3146 标注类别数：2 标注类别名称:["nofight","fight"] 每个类别标注的框数： nofight count = 1288 fight count = 2170 使用标注工具：labelImg 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 标注规则：对于2人明显存在打架行为且包含肢体接触为fight，否则为nofight，注意非打架行为数据集必须要标注，否则容易误检测 重要说明：此数据集经过yolov5训练验证，演示视频有部分数据集加入训练，演示视频地址为：www.bilibili.com/video/BV1PL4y1773X?vd_source=989ae2b903ea1b5acebbe2c4c4a635ee
【数据集处理】WiderPerson介绍以及转YOLO格式（图片教程及代码----超详细）
WiderPerson数据集转YOLO格式，一步一图超详细WiderPerson介绍 原论文中数据信息 下载后的文件样式 Annotations WiderPerson转YOLO 数据集下载地址 转格式以及选取类别 关于txt文件的处理：（直接运行） 生成yolo格式的train、val.txt 里面存储图片路径 到此数据已经准备完了 开始你的训练吧！
打架识别分类数据集75855张8类别.7z
数据集类型：图像分类用，不可用于目标检测无标注文件 数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：75855 分类类别数：8 类别名称:["hit","kick","punch","push","ride_horse","shoot_gun","stand","wave"] 每个类别图片数： hit 图片数：4133 kick 图片数：5950 punch 图片数：8921 push 图片数：10335 ride_horse 图片数：16971 shoot_gun 图片数：9832 stand 图片数：11259 wave 图片数：8454 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理分类存放 更多信息：https://blog.youkuaiyun.com/FL1768317420/article/details/139401917
YOLOv7密集行人检测+WiderPerson权重+数据集
1、WiderPerson数据集是比较拥挤场景的行人检测基准数据集，yolov7训练好的WiderPerson行人检测模型，训练输入尺寸为640x640，附有txt格式和xml格式的WiderPerson数据集； 2、检测结果参考：https://blog.youkuaiyun.com/zhiqingAI/article/details/124230743 3、采用pytrch框架，代码是python的
【视频打架行为数据集】打斗场景视频数据集简要介绍
收集的视频打架与非打架视频数据集
深度学习草莓成熟度检测数据集
深度学习草莓成熟度检测数据集，不同时期的草莓图像以及标注文件，包含成熟，生长，花期三类标签
【目标检测数据集】草莓成熟度度检测数据集VOC+YOLO格式400张
草莓是一种美味可口的水果，其鲜艳的红色外观和独特的香甜口感深受人们喜爱。草莓果实呈心形，表面覆盖着细小的种子，内部则是鲜嫩的红色果肉，咬一口就能感受到其特有的酸甜滋味。数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)总之，草莓是一种美味又营养丰富的水果，无论是从口感还是营养价值来看，都值得人们去品尝和享受。标注类别名称:["flower","growth","mature"]
一条龙开发指南：MCP AI Agent 理论+项目实战开发你的MCP Server
MCP（Model Connection Protocol）是Anthropic于2024年推出的AI模型连接协议，旨在为AI模型提供开放、通用的标准化接口，类似于“USB-C”接口，使AI模型能够无缝连接各种数据源和工具。MCP通过标准化协议解决了AI系统集成中的碎片化问题，提升了开发效率和系统可靠性。开发者可以通过简单的配置，快速接入不同的MCP Server，实现AI模型的多样化应用。MCP支持多种协议，如Stdio、SSE等，并通过JSON-RPC格式进行数据传输。文章还以腾讯云代码助手为例，展示了
超详细流式细胞术全流程解析：从样本制备到结果分析全攻略
流式细胞术（Flow Cytometry）是现代生物学和医学研究中不可或缺的高通量分析技术，可实现对细胞表型、功能状态、细胞周期等多维度参数的快速检测。本文将从实验全流程出发，详解样本制备、上机操作、参数设置及结果处理的核心要点，帮助科研人员精准掌握流式实验关键技术。
基于YOLO格式的草莓成熟度目标检测数据集
图片数量: 总计：2321 张。训练集 1848 张, 验证集 359 张, 测试集 114 张 标注文件格式: YOLO的txt格式可以直接用于模型训练。
RT-Thread stm32h7使用串口DMA
stm32h7在rtthread中无法使用串口DMA，通过更改驱动代码使其支持串口DMA
基于视频分类的打架识别
基于PP-TSM模型实现打架识别
IC 时钟设计核心问题与高质量系统设计指南（附源码）
本文深入探讨了IC时钟设计的核心问题与高质量系统设计方法。时钟系统作为IC的"心脏"，其性能直接影响时序稳定性、功耗效率和可靠性。文章从五个维度展开分析：时钟源选择与性能匹配、时钟分配网络设计、抖动抑制、多时钟域管理和功耗优化。针对高质量时钟系统设计，提出了时钟源优化、时钟树结构优化、干扰抑制与仿真验证等具体方法。同时，系统阐述了时钟与复位的协同设计关系，强调异步复位同步释放等技术的重要性。文章还总结了高质量IC系统设计的综合要点，包括电源/信号完整性、时序功耗平衡、可靠性设计及全流程验
图像分割 - 使用Mask R-CNN模型在COCO数据集上进行图像分割任务
图像分割是计算机视觉领域的一个重要任务，它旨在将图像中的每个像素分类为对象或背景。Mask R-CNN是一种基于区域的卷积神经网络，可用于图像分割任务。它是Faster R-CNN的扩展，将目标检测与图像分割结合起来，能够同时检测和分割对象。在本博客中，我们将使用Mask R-CNN模型在COCO数据集上进行图像分割任务。我们将介绍如何下载和准备COCO数据集，以及如何使用Mask R-CNN模型进行训练和推理。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
412
扫一扫
