STAS目标检测数据集3.zip
数据集介绍：STAS目标检测数据集
一、基础信息
数据集名称：STAS目标检测数据集
数据规模：
- 训练集：2,843张图片
- 验证集：105张图片
- 总计：2,948张航拍/场景图像
标注格式：
- YOLO格式标准化标注，含归一化坐标与类别标签
- 每个文件对应单张图片中多个目标的检测框信息
数据特性：
- 标注密度高：单图最多包含9个检测目标（见00000262样本）
- 多尺度覆盖：包含不同尺寸检测目标（小至0.028宽高比，大至0.3宽高比）
- 动态场景：标注对象分布呈现非对称空间特征（见00000737样本中的多区域分布）
二、适用场景
无人机视觉系统开发：
适用于农业监测、基础设施巡检等无人机场景的目标检测模型训练
智能安防解决方案：
支持CCTV监控场景下的多目标实时检测，适用于人员/物体定位任务
工业自动化应用：
可用于物流分拣、制造质检等场景的物体识别系统开发
学术研究基准：
提供中等规模标准数据集，支持目标检测算法在复杂场景下的性能验证
三、核心优势
标注质量保障：
- 严格遵循YOLO标注规范，坐标精度达小数点后8位
- 包含密集小目标标注样本（如00000051样本中的0.028x0.044目标）
场景多样性：
- 覆盖近距特写与广角场景（检测目标尺寸跨度达10倍以上）
- 包含多目标交互场景（如00000567样本中的6个关联目标）
工程适配性：
- 原生适配YOLOv5/v7/v8等主流检测框架
- 提供标准化数据拆分方案，支持即插即用
- 包含典型长宽比目标（如00000148样本中的3.25:1长条形目标）
领域扩展潜力：
- 基础标注可扩展至细粒度识别、多目标跟踪等进阶任务
- 支持农业（病虫害检测）、交通（车辆识别）、安防（异常物体检测）等多领域迁移
药片目标检测数据集.zip
药片目标检测数据集
一、基础信息
数据集名称：药片目标检测数据集
图片数量：
- 训练集：12,003张图片
- 验证集：1,162张图片
- 测试集：551张图片
总计：13,716张真实场景药片图像
分类类别：
- Pill（药片）：涵盖多种形态、颜色及包装状态下的药片目标检测
标注格式：
- YOLO格式，包含归一化边界框坐标及类别标签，适用于工业级目标检测模型训练
- 单图平均标注密度达5-50个实例，支持密集检测场景
数据特性：
- 多角度拍摄：包含药片平铺、堆叠、半遮挡等真实场景
- 复杂背景：涵盖药板包装、手持场景、药品托盘等多种环境
二、适用场景
制药行业质检：
开发自动化视觉检测系统，用于药片计数、缺损检测、异物识别等生产线质检环节
智能药房管理：
构建药品分拣机器人视觉模块，实现药盒内药片数量与类型的快速核验
医疗终端设备：
集成至智能配药机、自动发药机等设备，提升药品识别准确率与分拣效率
学术研究：
- 密集小目标检测算法优化
- 工业场景下的遮挡物体检测研究
- 医药领域计算机视觉应用创新
三、数据集优势
工业级标注质量：
- 严格遵循制药行业检测标准，边界框精准贴合药片边缘
- 涵盖反光、透明包装、部分遮挡等挑战性场景的精细化标注
场景覆盖全面：
- 包含单体检测、密集堆叠、多规格混检等多种检测模式
- 覆盖从单一药片到完整药板的多个检测粒度
模型适配性强：
- 提供YOLO格式标注，兼容YOLOv5/v7/v8、PP-YOLO等主流检测框架
- 支持工业检测场景下的高精度模型训练与快速部署
行业价值显著：
- 直接对应制药行业质检痛点，减少人工目检误差
- 通过13,716张高质量标注数据，可训练出满足GMP标准的检测模型
粘孢子虫显微检测数据集.zip
数据集介绍：粘孢子虫显微检测数据集
一、基础信息
数据集名称：粘孢子虫显微检测数据集
图片数量：
- 训练集：8,862张显微影像
分类类别：
- Henneguya（亨尼瓜虫属）：主要寄生于鱼类的粘孢子虫，可导致水产养殖业重大经济损失
- Myxobolus（粘体虫属）：广泛存在于水生生物中的寄生虫，具有重要病理学研究价值
标注格式：
YOLO格式标注，包含标准化边界框坐标，适用于目标检测模型训练
数据特性：
显微成像样本，包含多种寄生虫发育阶段和感染部位的典型特征表现
二、适用场景
水产养殖健康监测系统：
开发自动化寄生虫检测系统，实时监控养殖鱼类寄生虫感染情况
寄生虫学研究工具：
为寄生虫分类学、病理学分析提供标准化视觉检测数据集
兽医诊断辅助平台：
构建寄生虫智能识别系统，提升鱼类疾病诊断效率和准确性
生物安全预警系统：
集成至水质监测平台，实现寄生虫传播风险的早期预警
三、数据集优势
精准物种鉴别：
涵盖两大重要寄生虫属的典型样本，标注经寄生虫学专家验证
显微特征完整性：
包含虫体不同发育阶段的形态特征，覆盖孢子、滋养体等关键形态
实际应用价值：
直接服务于水产养殖病害防控，有助于降低因寄生虫导致的养殖损失
算法兼容性强：
标准化YOLO格式支持主流检测框架，可直接用于YOLOv5/v7/v8等模型训练
生态研究价值：
为寄生虫-宿主相互作用研究和生态系统健康评估提供可视化数据支撑
寄生虫与白细胞显微检测数据集.zip
数据集介绍：寄生虫与白细胞显微检测数据集
一、基础信息
数据集名称：寄生虫与白细胞显微检测数据集
数据量统计：
- 训练集：3,652张显微图像
- 验证集：551张显微图像
- 测试集：94张显微图像
分类类别：
- Parasite（寄生虫）：包含多种显微尺度下的寄生虫形态标注
- WBC（白细胞）：涵盖不同成熟阶段和类型的白细胞标注
标注格式：
YOLO格式标注文件，包含目标中心坐标、宽高比例及类别标签，适用于目标检测任务。
二、适用场景
医学影像分析系统开发：
支持构建寄生虫卵识别和白细胞分类的AI模型，辅助实验室自动化检测和疾病诊断。
生物医学研究：
适用于寄生虫学、免疫学等领域的定量分析研究，支持寄生虫与宿主细胞交互作用研究。
医疗设备集成：
可嵌入显微镜成像系统，实时提供寄生虫检测和白细胞计数功能。
医学教育应用：
作为寄生虫识别和血液细胞分析的教学训练数据集，适用于医学院校数字化教学。
三、数据集优势
双重检测价值：
同时覆盖寄生虫检测和白细胞分类需求，支持复合型医学检测模型开发。
精准标注体系：
经生物医学专家校验的标注数据，确保寄生虫形态特征和白细胞亚型分类的准确性。
显微特征多样性：
包含不同染色处理、放大倍率和成像条件下的显微图像，增强模型泛化能力。
高效训练支持：
YOLO格式可直接适配主流检测框架（YOLOv5/v7/v8等），提供开箱即用的训练体验。
临床关联性强：
特别适用于疟疾等寄生虫病诊断场景，同时满足免疫功能评估中的白细胞分析需求。
地雷热成像检测数据集.zip
地雷热成像检测数据集
一、基础信息
数据集名称：地雷热成像检测数据集
数据量统计：
- 训练集：10,482张热成像图片
- 验证集：1,001张热成像图片
- 测试集：495张热成像图片
分类类别：
- Landmine（地雷）：地表或浅层掩埋的金属/非金属爆炸装置
标注格式：
YOLO格式标注，含边界框坐标及类别标签，适用于目标检测任务
数据特性：
红外热成像技术采集，包含不同环境温度（30°C-34°C）、飞行高度（2m-8m）条件下的地雷热辐射特征数据
二、适用场景
军事安全领域：
- 开发无人机热成像扫雷系统，用于雷区快速扫描与标记
- 构建排雷机器人视觉模块，提升复杂地形下的地雷识别精度
人道主义排雷：
- 训练可在植被覆盖、沙土掩埋等隐蔽场景检测地雷的AI模型
- 支持夜间/低能见度环境下的排雷作业
安防监控系统：
- 集成至边境监控设备，实现非法埋雷行为实时监测
- 危险区域周界防护系统的目标识别模块开发
三、数据集优势
多维度热特征覆盖：
包含不同地表温度（30°C/34°C交替）、多飞行高度（2m-8m梯度变化）数据，模拟真实扫雷作业环境
高密度标注样本：
单图含1-3个地雷实例，部分复杂场景含重叠/半掩埋目标，标注框中心点偏移量≤2.5%
工程化适配性强：
- 原生YOLO格式支持主流检测框架直接训练
- 热成像数据与可见光数据互补，可构建多模态检测方案
战术级应用价值：
专为隐蔽/伪装地雷检测设计，有效解决传统金属探测器在非金属地雷检测中的短板
热成像地雷目标检测数据集.zip
数据集介绍：热成像地雷目标检测数据集
数据集名称：热成像地雷目标检测数据集
图片数量：
- 训练集：2,132张热成像图片
- 验证集：607张图片
- 测试集：303张图片
总计：3,042张红外热成像图片
分类类别：
- Landmine（地雷）：包含地表或浅层埋藏的地雷目标，适用于复杂环境下的检测需求
标注格式：
YOLO格式标注，包含标准化边界框坐标，支持目标检测模型训练
数据特性：
- 热成像数据源：通过红外传感器采集，适用于昼夜及复杂地形场景
- 多样化采集条件：包含不同飞行高度（2.4m-7.9m）和温度环境（26°C-33°C）的样本
军事安全应用：
开发地雷探测系统，辅助排雷作业和危险区域标记，提升军事行动安全性
人道主义排雷：
构建AI辅助检测系统，用于战后地区地雷排查与清理，降低人工排雷风险
农业与环境安全：
检测农用土地中的遗留地雷，保障耕地安全与生态恢复工作
无人机巡检系统：
集成至无人机平台，实现大范围区域的热成像地雷快速扫描与定位
特殊环境适用性：
- 热成像数据突破可见光限制，有效识别伪装和浅埋目标
- 包含多高度视角样本，模拟真实无人机巡检场景
高质量标注体系：
- 所有地雷目标经过专业标注审核，边界框定位精准
- 标注文件兼容YOLO系列模型（v5/v7/v8/v9），开箱即用
实际应用价值：
- 覆盖不同温度条件下的热特征变化，增强模型环境适应性
- 数据包含目标尺寸多样性（小至3%图像占比，大至27%图像占比），提升检测鲁棒性
工程化支持：
- 严格划分训练/验证/测试集（7:2:1比例），支持模型开发全流程
- 适用于安防设备、智能巡检机器人等嵌入式系统开发
文物目标检测数据集.zip
数据集介绍：文物目标检测数据集
一、基础信息
数据集名称：文物目标检测数据集
图片数量：
- 训练集：5,672张
- 验证集：1,612张
- 测试集：812张
总计：8,096张图片
分类类别：
- Di vat（文物）：适用于文化遗产保护、考古研究等场景中的文物目标识别。
标注格式：
YOLO格式标注，包含目标边界框坐标及类别标签，可直接用于目标检测模型训练。
数据特性：
包含俯视角度及多角度拍摄样本，适用于航空摄影、博物馆数字化等应用场景。
二、适用场景
文化遗产数字化：
支持构建文物自动识别系统，助力博物馆藏品数字化管理和三维重建预处理。
考古现场分析：
应用于考古发掘现场的快速文物识别定位，提升野外作业效率。
文物保护监测：
集成至安防监控系统，实时检测文物位移或异常状态。
教育研究应用：
作为文物识别教学资源，支持文化遗产保护相关学科的教学实践。
三、数据集优势
专业场景覆盖：
专注文物识别领域，样本涵盖不同材质、形态的典型文物特征。
多角度采集样本：
包含俯拍、侧拍等多种拍摄角度，提升模型在复杂场景下的检测鲁棒性。
高适配性标注：
原生YOLO格式标注兼容主流检测框架（YOLOv5/v7/v8等），支持快速部署训练。
数据规模优势：
8,096张标注样本满足中等规模检测模型的训练需求，平衡训练效率与准确性。
文化遗产价值：
为文物数字化保护提供关键数据支撑，助力人工智能在文化遗产领域的技术落地。
STAS农业目标检测数据集.zip
数据集介绍：STAS农业目标检测数据集
一、基础信息
数据集名称：STAS农业目标检测数据集
图片数量：
- 训练集：2,211张图片
- 验证集：211张图片
- 测试集：105张图片
总计：2,527张标注图片
标注格式：
YOLO格式，包含归一化坐标及目标尺寸信息，适用于单类别目标检测任务。
数据特性：
- 覆盖多样化农业场景目标
- 标注框尺寸跨度大（最小3.5%×5.7%，最大16.5%×31.2%）
- 多目标密集场景（单图最多6个检测目标）
二、适用场景
农业自动化监测：
支持无人机/机器人平台的作物生长监测、病虫害预警等场景，通过目标检测实现农田动态追踪。
智能农机开发：
为自动驾驶农机提供视觉感知数据支撑，实现田间障碍物识别与路径规划。
精准农业研究：
适用于农业资源统计、产量预测等AI模型训练，提升农业数字化管理水平。
教育实训平台：
可作为农业院校AI+农业交叉学科的教学案例，培养智慧农业技术人才。
三、数据集优势
场景适配性强：
- 标注数据包含远近景、多角度目标，适配无人机/地面设备多平台需求
- 目标尺寸分布广泛，涵盖典型农业场景检测挑战
标注专业化：
- 严格遵循YOLO标注规范，坐标精度达四位小数
- 密集小目标场景标注完整（如5.7%×5.6%微小目标）
工程实用价值：
- 可直接加载至YOLOv5/v7等主流检测框架
- 提供标准训练集/验证集/测试集划分
- 支持农业场景模型性能基准测试
数据扩展性：
- 单类别标注结构便于扩展为多类别农业检测任务
- 兼容目标检测、简单计数等多任务模型开发
文物目标检测数据集.zip
数据集介绍：文物目标检测数据集
一、基础信息
数据集名称：文物目标检测数据集
图片数量：
- 训练集：16,916张
- 验证集：1,608张
- 测试集：844张
总计：19,368张航空视角图片
分类类别：
- Di vat（文物）：包含各类文物目标的精确定位标注，适用于文化遗产识别与保护场景。
标注格式：
YOLO格式，包含归一化坐标的边界框标注，适用于目标检测模型训练。
数据特性：
航空视角采集，覆盖不同光照条件下的文物目标，包含密集目标和小目标检测场景。
二、适用场景
文化遗产保护系统开发：
支持构建航空巡检AI系统，用于野外文物自动发现与长期监测。
考古研究数字化：
为考古现场航空影像分析提供标注数据支撑，辅助遗址定位与文物分布研究。
博物馆智能化管理：
可用于开发文物库存自动化清点系统，提升文物保管效率。
无人机巡检应用：
适配无人机航拍影像实时分析需求，支持文物保护单位开展预防性巡查。
三、数据集优势
场景适配性强：
- 航空视角数据真实反映野外文物分布场景
- 包含多角度、多尺度文物目标检测案例
- 覆盖单个目标到密集群组检测场景
标注专业化：
- 严格遵循YOLO标注规范
- 针对小目标优化标注精度
- 通过三阶段数据集划分确保模型可靠性
工程实用价值：
- 可直接应用于YOLOv5/v7/v8等主流检测框架
- 支持文物检测模型从训练到部署全流程
- 数据规模满足工业级模型训练需求
肝脏组织病理YOLO检测数据集.zip
数据集介绍：肝脏组织病理YOLO检测数据集
一、基础信息
数据集名称：肝脏组织病理YOLO检测数据集
数据规模：
- 训练集：6,865张医学影像
- 验证集：803张医学影像
- 测试集：209张医学影像
病理分类：
- ballooning（肝细胞气球样变）：肝细胞损伤的典型特征
- fibrosis（肝纤维化）：肝脏瘢痕组织形成的病理过程
- inflammation（炎症浸润）：免疫反应引起的组织炎症指标
- steatosis（脂肪变性）：肝细胞内脂质异常蓄积的病理表现
标注特征：
- YOLO格式标注，兼容主流目标检测框架
- 每张影像包含1-5个标注实例
- 标注框覆盖不同病理表现的区域特征
二、适用场景
数字病理分析系统开发：
支持开发肝脏病理AI辅助诊断系统，实现自动识别和定位肝组织病变区域
医学影像研究：
为肝脏疾病研究提供结构化数据，支持肝炎、脂肪肝、肝硬化等疾病的病理机制分析
药物研发评估：
可用于药物疗效评估场景，通过量化病理特征变化监测治疗效果
医学教学应用：
作为病理学数字化教学资源，帮助医学生掌握肝脏病理特征识别
三、核心优势
病理特征全覆盖：
包含肝损伤发展的四大关键病理指标，完整覆盖肝病发展各阶段的组织学特征
专业医学标注：
标注结果经过医学专家验证，精准定位肝小叶结构内的病理改变区域
多任务适配性：
支持目标检测、病灶量化分析、疾病分期评估等多种AI医疗应用场景
数据规模优势：
超过7,800张标注影像，涵盖不同严重程度的病理样本，确保模型训练效果
临床实用价值：
特别适用于慢性肝病监测场景，为早期发现肝纤维化、脂肪变性等可逆性病变提供数据支持
伊蚊幼虫目标检测数据集.zip
伊蚊幼虫目标检测数据集
基础信息
数据集名称：伊蚊幼虫目标检测数据集
图片规模：
- 训练集：12,616张
- 验证集：1,008张
- 测试集：524张
总计：14,148张实地采集图像
分类类别：
Larvas（伊蚊幼虫）：传播登革热、黄热病等疾病的主要病媒蚊种幼虫
标注格式：
YOLO格式边界框标注，可直接适配YOLOv5/v7/v8等主流目标检测框架
数据特性：
包含显微镜下特写、水体环境俯拍等多视角样本，覆盖不同发育阶段的幼虫形态特征
适用场景
智能虫害监测系统开发：
用于构建水体环境蚊虫孳生监测AI模型，辅助公共卫生部门进行蚊媒疾病预警
农业与环境卫生管理：
集成至自动化监测设备，实现储水容器、灌溉系统等场景的蚊虫孳生地智能识别
生物学研究支持：
为昆虫发育研究提供标准化视觉数据，支持幼虫生长阶段追踪和行为分析
无人机巡检系统训练：
适用于航空影像中的幼虫聚集区检测，提升大范围水域监测效率
数据集优势
精准环境适配：
标注样本涵盖水面反光、浑浊水质等复杂环境下的幼虫形态，增强模型鲁棒性
形态多样性覆盖：
包含幼虫不同发育阶段（1-4龄期）的典型特征，支持细粒度生长阶段识别
专业标注质量：
由昆虫学专业人员验证标注结果，确保幼虫口刷、呼吸管等关键识别特征的标注精度
多场景兼容性：
既支持实验室显微镜图像分析，也适用于户外自然光照条件下的水体环境监测
任务扩展潜力：
基础检测标注可延伸至种群密度估算、孳生风险评估等衍生应用场景
环境微塑料污染目标检测数据集.zip
环境微塑料污染目标检测数据集
一、基础信息
数据集名称：环境微塑料污染目标检测数据集
图片规模：
- 训练集：11,820张
- 验证集：936张
- 测试集：467张
分类类别：
- Dirt（土壤污染物）：含微塑料颗粒的土壤样本
- Fiber（纤维污染物）：环境中残留的纤维状塑料物质
- Grass（植被污染物）：与植物混杂的塑料碎片
- Pellet（颗粒污染物）：工业塑料原材料颗粒
标注格式：YOLO格式标注文件，包含标准化边界框坐标与类别标签
数据特性：航拍视角与地面视角结合的JPEG图像，适用于多场景环境监测
二、适用场景
环境监测无人机系统：
支持开发基于航拍图像的微塑料污染监测系统，适用于海滩、农田等场景的自动化巡检。
智能垃圾分类系统：
训练模型识别混合在自然环境中不同形态的塑料污染物，提升垃圾分拣机器人识别精度。
生态研究数据支持：
为环境科学家提供标注数据集，量化分析微塑料在不同生态环境中的分布特征。
环保设备研发：
用于开发部署在垃圾处理流水线、水质监测站等场景的工业级视觉检测系统。
三、数据集优势
精准场景覆盖：
包含航拍/地面双重视角数据，覆盖土壤、植被、水域等多类自然环境场景。
污染形态完整：
完整标注纤维、颗粒等4种典型微塑料存在形态，支持模型学习不同形态特征。
工业级标注标准：
严格遵循YOLO标注规范，所有边界框经过双重质量校验，坐标精度达小数点后四位。
任务扩展性强：
除目标检测外，支持迁移应用于污染物密度分析、污染源追踪等衍生研究任务。
环境应用价值：
直击微塑料污染监测痛点，为构建「发现-识别-量化」全流程环境监测方案提供数据基础。
输变电设备目标检测数据集.zip
输变电设备目标检测数据集
一、基础信息
数据集名称：输变电设备目标检测数据集
数据规模：
- 训练集：10,290张航拍及工业图像
- 验证集：483张图像
- 测试集：249张图像
核心类别：
1. 断路器（breaker）
2. 闭合式刀闸开关（closedbladedisconnectswitch）
3. 电流互感器（currenttransformer）
4. 避雷器（lightningarrester）
5. 瓷针绝缘子（porcelainpininsulator）
6. 电力变压器（powertransformer）
7. 复合隔离开关（tripolardisconnectswitch）
8. 熔断式隔离开关（fusedisconnectswitch）
技术规格：
- 标注格式：YOLO标准格式
- 数据来源：航拍影像、变电站监控、设备巡检记录
二、适用场景
电力设备智能巡检：
- 支持无人机/机器人自动识别变电站关键设备状态
- 检测设备表面异常（锈蚀、破损、异物附着）
电网资产管理：
- 构建电力设备数字孪生系统
- 支持设备生命周期管理决策
工业视觉系统开发：
- 为智能巡检机器人提供训练数据
- 开发设备缺陷自动识别算法
能源行业AI研究：
- 电力设备多目标检测算法优化
- 复杂场景下小目标检测研究
三、核心优势
专业场景覆盖：
- 包含18类输变电核心设备及部件
- 涵盖开合状态、设备类型等多维度特征
高精度标注体系：
- 标注数据经过电力行业专家校验
- 支持设备定位与状态识别的双重需求
工业级应用验证：
- 数据采集自真实变电站场景
- 包含不同光照、天气、拍摄角度的样本
算法适配性强：
- 兼容YOLOv5/v7/v8等主流检测框架
- 支持目标检测与设备状态分类多任务训练
电力设备与结核病多场景目标检测数据集（YOLO格式）.zip
电力设备与结核病多场景目标检测数据集
数据集名称：电力设备与结核病多场景目标检测数据集
数据规模：
- 训练集：10,290张航拍/医疗场景图片
- 验证集：483张图片
- 测试集：249张图片
标注类别：
1. 电力设备（18类）：断路器、隔离开关、电流互感器、绝缘子、避雷器等
2. 医疗检测：肺结核病理特征
技术规格：
- 标注格式：YOLO标准格式
- 数据来源：航拍电力设备与医疗影像双重场景
双领域检测能力：
- 电力场景：支持变电站设备状态检测、绝缘子缺陷识别、开关状态判断等工业检测任务
- 医疗场景：肺结核病灶定位与识别，辅助医疗影像分析
工业级标注标准：
- 包含复杂设备部件的精细标注（如闭式/开式串联隔离开关等专业设备）
- 电力设备标注含多角度航拍视角，覆盖典型工况场景
1. 智能电网巡检系统开发：
• 无人机航拍设备状态自动识别
• 变电站设备台账数字化管理
1. 医疗影像辅助诊断：
• 肺结核病灶自动筛查系统
• 病理特征可视化分析工具
1. 跨领域AI研究：
• 多场景联合训练的通用检测模型开发
• 小样本迁移学习研究
双重领域覆盖：
- 同时满足工业检测与医疗影像分析需求
- 包含电力设备精确部件标注（如电流/电压互感器区分）
标注专业性：
- 电力设备标注经电力工程师校验
- 医疗标注包含肺结核病灶特征
场景多样性：
- 航拍视角覆盖设备全景与细节特写
- 医疗影像包含多种拍摄设备样本
航空器表面损伤多类别检测数据集.zip
航空器表面损伤多类别检测数据集
数据集名称：航空器表面损伤多类别检测数据集
数据规模：
- 训练集：6,902张航空器表面图像
- 验证集：332张图像
- 测试集：245张图像
总计：7,479张工业级检测图像
分类类别：
- Corrosion（腐蚀）: 金属表面氧化导致的材质退化
- Crack（裂缝）: 结构性裂痕及其扩展形态
- Dent（凹痕）: 机械冲击造成的表面凹陷
- Missing-head（缺失部件）: 关键连接件的缺失状态
- Paint-off（油漆脱落）: 防护涂层的剥离与剥落
- Scratch（划痕）: 表面浅层线性损伤
标注格式：
YOLO格式标注，包含标准化边界框坐标及类别索引，适配主流目标检测框架。
航空器维护检测系统：
支持开发自动检测飞机表面损伤的AI系统，实现快速巡检与损伤量化评估。
工业质检自动化：
适用于机械制造、运输设备等领域的表面缺陷检测场景，提升质检效率。
风险评估平台构建：
为保险、维修服务商提供损伤等级评估的数据支持，辅助决策分析。
航空工程研究：
可用于损伤模式识别算法研究，推动计算机视觉在航空维修领域的应用。
多维度损伤覆盖：
完整涵盖6类典型航空器表面损伤，包含机械损伤、化学腐蚀、涂层脱落等复合场景。
工业场景适配性：
数据采集自真实维护环境，包含不同光照条件、拍摄角度及损伤发展阶段样本。
高效标注体系：
采用YOLO标准化标注，支持快速部署至主流检测模型（YOLOv5/v7/v8等）。
数据分布科学性：
严格按7:1.5:1.5比例划分训练/验证/测试集，确保模型评估可靠性。
工程应用价值：
直接服务于预防性维护、损伤量化评估等航空领域核心需求，降低人工检测成本。
航空器表面缺陷检测数据集.zip
数据集介绍：航空器表面缺陷检测数据集
一、基础信息
数据集名称：航空器表面缺陷检测数据集
数据规模：
- 训练集：5,236张图片
- 验证集：1,122张图片
- 测试集：1,121张图片
分类类别：
- Corrosion（腐蚀）: 金属表面化学氧化导致的材料损耗
- Crack（裂纹）: 结构应力或疲劳引发的线性断裂
- Dent（凹痕）: 外力冲击造成的表面凹陷变形
- Missing-head（缺失头）: 关键紧固件缺失问题
- Paint-off（油漆脱落）: 涂层剥落暴露底层材料
- Scratch（划痕）: 表面浅层机械损伤
标注格式：
YOLO格式，包含标准化边界框坐标及类别标签
数据特性：
航拍视角工业检测图像，覆盖多种光照条件和表面材质
二、适用场景
航空器维护AI系统开发：
支持构建自动检测机身表面损伤的智能系统，提升飞机检修效率与安全性
工业质检自动化：
适用于制造行业金属部件质量检测，替代人工目检流程
缺陷评估模型研究：
为多类别表面缺陷的严重程度分级研究提供数据基础
预防性维护系统：
集成至设备健康管理系统，实现早期损伤预警
三、数据集优势
专业缺陷覆盖：
包含6类航空器常见表面缺陷，涵盖机械损伤、材料劣化等关键检测指标
真实工业场景：
数据来源于实际检测环境，包含复杂背景与多角度拍摄样本
标准化标注体系：
严格遵循YOLO标注规范，边界框精准对应缺陷区域
模型适配性强：
可直接应用于目标检测、异常定位等多种计算机视觉任务
工业应用价值：
特别适用于航空、轨道交通等高精度要求的表面检测场景，有效降低人工检测漏检率
神经元细胞核检测数据集.zip
数据集介绍：神经元细胞核检测数据集
一、基础信息
数据集名称：神经元细胞核检测数据集
图片数量：
- 训练集：16,353张
- 测试集：963张
分类类别：
- Neuron（神经元细胞核）：中枢神经系统的基本功能单位，检测其形态特征对神经科学研究具有重要意义。
标注格式：
- YOLO格式，包含边界框坐标及类别标签，适用于目标检测任务
- 数据来源于显微镜成像，覆盖多种细胞分布形态和成像条件
二、适用场景
神经科学研究：
支持构建神经元定位分析工具，助力脑科学研究和神经系统疾病机理探索
医学影像分析：
适用于开发自动化细胞核检测系统，辅助病理诊断和细胞计数任务
AI辅助诊断工具开发：
可用于训练检测神经元退行性病变的模型，支持阿尔茨海默症等神经疾病的早期筛查
生物教育及研究：
提供标准化的神经元检测数据，适用于高校生物学实验室和科研机构的教学实验
三、数据集优势
大规模训练样本：
包含超1.6万张训练图像，充分覆盖细胞核的多样分布状态，支持模型深度学习
精准定位标注：
所有标注框均严格贴合细胞核边缘，确保目标检测模型的训练精度
任务适配性强：
原生YOLO格式可直接应用于主流检测框架（YOLOv5/v7/v8等），支持快速模型迭代
生物学特性突出：
专注神经元细胞核的形态特征，包含密集分布、重叠细胞等真实生物场景样本
跨领域应用潜力：
检测结果可延伸应用于细胞计数、病理分析、药物研发等多个生物医学领域
恶性疟原虫显微图像目标检测数据集.zip
数据集介绍：恶性疟原虫显微图像目标检测数据集
一、基础信息
数据集名称：恶性疟原虫显微图像目标检测数据集
图片数量：
- 训练集：1,112张图片
- 验证集：325张图片
- 测试集：154张图片
总计：1,591张显微医学图像
分类类别：
- Falciparum（恶性疟原虫）：疟疾的主要病原体之一，显微镜下红细胞感染阶段的检测对疾病诊断和药物研究至关重要。
标注格式：
- YOLO格式，包含归一化边界框坐标及类别标签，适用于目标检测模型的训练与验证。
- 数据来源：显微医学图像数据库，聚焦红细胞感染阶段的疟原虫检测。
二、适用场景
疟疾诊断辅助系统开发：
支持构建自动识别红细胞内疟原虫的AI模型，辅助实验室快速筛查血液样本，提升诊断效率。
药物研发与疗效评估：
通过检测疟原虫感染程度，量化分析药物对寄生虫的抑制效果，加速抗疟新药研发进程。
公共卫生监测系统：
集成至区域性疾病监测平台，实时追踪疟疾传播动态，为流行病学研究提供数据支持。
医学检验教学资源：
可作为医学院校寄生虫学实验课程素材，帮助医学生掌握疟原虫显微识别技能。
三、数据集优势
高密度专业标注：
每张图像包含多目标标注（平均8-12个/图），精确标记感染红细胞的疟原虫位置，反映真实临床样本特征。
任务针对性突出：
专注显微镜视野下的单类别检测，数据标注一致性高，适用于开发高精度疟疾诊断专用模型。
多阶段样本覆盖：
包含不同发育阶段的疟原虫样本，确保模型能识别环状体、滋养体等关键形态特征。
即用性强：
严格划分的训练/验证/测试集支持开箱即用，YOLO格式兼容主流深度学习框架（YOLOv5/v7/v8等）。
临床适配性：
数据来源于真实医疗场景，标注标准符合临床检验规范，可直接用于医疗AI产品开发。
塑料瓶硬币目标检测数据集.zip
数据集介绍：塑料瓶硬币目标检测数据集
一、基础信息
数据集名称：塑料瓶硬币目标检测数据集
数据规模：
- 训练集：5,699张图片
- 验证集：885张图片
- 测试集：414张图片
分类类别：
- Plastic（塑料制品）：涵盖常见塑料物品的检测
- Bottle（瓶类）：包括各类塑料瓶及其他瓶型
- Coin（硬币）：多国硬币的识别与定位
标注格式：
YOLO格式标注，包含边界框坐标及类别标签，适配主流目标检测框架
二、适用场景
环保回收系统开发：
支持构建智能垃圾分类模型，精准识别塑料制品与瓶类，助力自动化分拣流水线建设。
零售自动化设备：
适用于自动售货机硬币识别模块开发，提升支付系统的准确性与可靠性。
计算机视觉教学：
提供多目标检测场景，适合目标检测算法教学与实验验证。
工业质检应用：
可用于塑料制品生产线中的缺陷检测或产品分类场景。
三、数据集优势
类别覆盖精准：
包含塑料制品、瓶类、硬币三大垂直类别，覆盖环保、零售等核心应用场景需求。
标注质量优异：
严格校验的YOLO格式标注，边界框定位精准，支持高精度目标检测模型训练。
场景多样性丰富：
数据包含不同光照条件下的硬币、多角度瓶体形态、多样化塑料制品，增强模型泛化能力。
工业适配性强：
数据规模适配工业级模型训练需求，支持从实验研究到实际部署的全流程开发。
裂缝-门-行人-楼梯多目标检测数据集.zip
数据集介绍：裂缝-门-行人-楼梯多目标检测数据集
一、基础信息
数据集名称：裂缝-门-行人-楼梯多目标检测数据集
图片数量：
- 训练集：13,995张
- 验证集：1,334张
- 测试集：666张
分类类别：
- Crack（裂缝）：建筑表面或结构中的裂纹特征。
- Door（门）：各类室内外门体及开合状态。
- Person（行人）：多角度人体目标。
- Stair（楼梯）：不同材质和形态的阶梯结构。
标注格式：
YOLO格式，包含目标边界框坐标及类别标签，适配主流目标检测框架。
二、适用场景
建筑结构检测：
用于自动化检测建筑裂缝与楼梯状态，支持建筑安全评估系统开发。
智能安防系统：
训练门禁状态识别模型，结合行人检测实现场景化安全管理。
公共场所监控：
支持商场、地铁站等场景的楼梯使用监测与行人流量分析。
安全风险评估：
通过裂缝与楼梯状态的多目标联合检测，预判潜在安全隐患。
三、数据集优势
多场景覆盖：
同时包含建筑结构（裂缝/楼梯）与安防要素（门/行人），适配跨领域复合型检测需求。
高实用性标注：
- 严格按YOLO标准标注，支持即插即用
- 包含密集小目标（裂缝）与复杂背景目标（行人）的平衡分布
规模优势显著：
总样本量达15,995张，涵盖不同光照条件和观察角度，增强模型泛化能力。
任务扩展性强：
支持从基础目标检测向异常行为识别、结构缺陷分级等衍生任务延伸。
STAS目标检测数据集.zip
数据集介绍：STAS目标检测数据集
数据集名称：STAS目标检测数据集
图片数量：
- 训练集：733张
- 验证集：211张
- 测试集：105张
总计：1,049张图像
分类类别：
- STAS：特定场景下的目标检测类别（具体语义需结合业务背景）
- stas：小写形式分类标签，与STAS形成多粒度标注层级
标注格式：
YOLO格式，包含归一化中心坐标及边界框尺寸，可直接用于目标检测模型训练。
数据特性：
标注框尺寸分布多样，涵盖大尺度物体（如宽度占比8.5%、高度占比20.8%）到小目标（如宽度占比2.1%、高度占比5.7%），适配多尺度检测需求。
航空影像分析：
适用于无人机/卫星图像中的目标定位与识别，支持农业监测、环境评估等场景。
工业检测系统：
可训练PCB板缺陷检测、传送带物料识别等工业视觉模型，框体标注适配机械臂抓取坐标计算。
智慧城市应用：
支持交通监控、基础设施检测等城市管理场景中的多目标追踪任务。
学术研究：
提供标准化YOLO格式数据，适用于目标检测领域的模型对比实验与算法创新研究。
标注质量突出：
边界框覆盖密集场景（单图最高达7个实例），包含部分重叠目标标注，考验模型鲁棒性。
空间分布全面：
标注框位置覆盖图像中心区（如坐标0.39,0.33）到边缘区域（如坐标0.95,0.85），提升模型全图检测能力。
工程友好性：
原生适配YOLOv5/v8等主流框架，提供标准化train/val/test划分，支持即插即用。
场景适配性强：
标注目标宽高比差异显著（从接近正方形到细长形态），满足不同行业对物体比例的检测需求。
Henneguya与Myxobolus寄生虫显微检测数据集.zip
数据集介绍：Henneguya与Myxobolus寄生虫显微检测数据集
数据集名称：Henneguya与Myxobolus寄生虫显微检测数据集
图片规模：
- 训练集：8,616张显微图像
- 验证集：59张显微图像
分类类别：
- Henneguya（粘体虫属）：常见鱼类寄生虫，可引发鳃部及体表病变
- Myxobolus（碘泡虫属）：主要侵袭鱼类肌肉组织与内脏的病原体
标注格式：
YOLO格式标注，包含目标检测所需的类别标签与归一化坐标信息，适配主流检测框架
数据特性：显微成像数据，覆盖多种寄生部位与发育阶段的虫体样本
水产养殖病害监测：
开发鱼类寄生虫自动识别系统，实时检测养殖鱼类寄生虫感染情况
生物学研究：
支持寄生虫形态学分析与种群分布研究，为寄生虫生命周期研究提供数据基础
兽医诊断工具开发：
构建寄生虫智能诊断模型，辅助快速鉴定鱼类寄生虫种类与感染程度
生物教学资源：
作为寄生虫学数字化教学素材，用于高校生物学与兽医学专业实践教学
精准物种覆盖：
专注两种高致病性鱼类寄生虫，标注经寄生虫学专家校验，确保分类准确性
多形态样本：
包含虫体不同发育阶段（孢子体/滋养体）及寄生部位（鳃/肌肉/内脏）的显微影像
高任务适配性：
YOLO格式标注可直接应用于目标检测、生物量统计等计算机视觉任务
科研价值突出：
为寄生虫检测算法研究提供专业数据集，填补水产病害检测领域数据空白
喉部病变目标检测数据集.zip
数据集介绍：喉部病变目标检测数据集
一、基础信息
数据集名称：喉部病变目标检测数据集
图片数量：
- 训练集：6,445张图片
- 验证集：1,842张图片
- 测试集：920张图片
总计：9,207张医学影像
分类类别：
- Amyloidosis（淀粉样变性）：喉部组织异常蛋白沉积病变。
- Carcinoma in situ（原位癌）：早期癌变局限于黏膜层。
- Cyst（囊肿）：良性含液囊性病变。
- Granuloma（肉芽肿）：慢性炎症性增生病变。
- Hemangioma（血管瘤）：血管异常增生形成的良性肿瘤。
- High grade dysplasia（高级别不典型增生）：癌前高风险病变。
- Hyperkeratosis（角化过度症）：表皮角质层异常增厚。
- Hyperplasia（增生）：细胞数量异常增多导致的组织增厚。
- Inflammation（炎症）：感染或刺激引起的局部反应。
- Low Grade Dysplasia（低级别不典型增生）：潜在癌变风险较低的异常增生。
- Namboo node（喉部结节）：特定解剖结构的良性增生。
- Nodule（结节）：可触及的圆形异常组织。
- Papillomatosis（乳头状瘤病）：HPV感染相关的复发性病变。
- Polyp（息肉）：黏膜表面带蒂的良性增生。
- Reinke's Edema（Reinke水肿）：声带固有层黏液水肿性病变。
标注格式：
YOLO格式标注，包含边界框坐标及15类喉部病变标签，适配目标检测任务。
数据特性：
采集自喉部NBI（窄带成像）医学影像，覆盖多种病变发展阶段。
二、适用场景
喉癌早期筛查系统开发：
支持构建喉部病变检测模型，辅助内镜医师快速识别高危病变（如原位癌、高级别不典型增生）。
医学影像分析工具开发：
适用于开发喉部病变自动标注系统，提升内镜检查报告
喉部疾病NBI医学影像目标检测数据集.zip
喉部疾病NBI医学影像目标检测数据集
一、基础信息
数据集名称：喉部疾病NBI医学影像目标检测数据集
图片数量：
- 训练集：6,113张
- 验证集：1,746张
- 测试集：873张
总计：8,732张NBI窄带成像医学影像
分类类别：
1. Amyloidosis（淀粉样变性）：喉部蛋白质异常沉积病变
2. Carcinoma in situ（原位癌）：上皮层内的早期癌变
3. Cyst（囊肿）：含液体或半固体物质的良性病变
4. High grade dysplasia（高度不典型增生）：癌前高风险病变
5. Hyperkeratosis（角化过度症）：表皮角质层异常增厚
6. Low Grade Dysplasia（低度不典型增生）：轻度异常增生
7. Papillomatosis（乳头状瘤病）：HPV感染相关多发性病变
8. Polyp（息肉）：突出黏膜表面的增生组织
9. Reinke-s Edema（声带Reinke水肿）：声带黏液积聚性病变
标注格式：
YOLO格式边界框标注，包含标准化坐标值与类别索引
数据特性：NBI窄带成像医学影像，覆盖多种喉部病理特征
二、适用场景
喉癌早期筛查系统开发：
支持构建喉部病变自动识别系统，通过NBI影像特征检测癌前病变与早期恶性肿瘤
耳鼻喉科AI辅助诊断：
集成至电子喉镜系统，实时标注可疑病变区域并提示恶性概率
医学影像算法研究：
提供标准化NBI影像基准数据，支持目标检测、病灶分级等算法创新研究
临床教学资源库建设：
包含9类典型喉部病变的高质量标注影像，适用于医学影像教学与医生培训
三、数据集优势
病理覆盖全面性：
包含喉部9大类关键病变类型，涵盖良性病变（如息肉）、癌前病变（各型不典型增生）到恶性肿瘤（原位癌）的完整发展谱系
标注专业可靠性：
标注结果经耳鼻喉科专家审核
喉部病变医学影像目标检测数据集.zip
喉部病变医学影像目标检测数据集
一、基础信息
数据集名称：喉部病变医学影像目标检测数据集
图片规模：
- 训练集：6,052张影像
- 验证集：1,729张影像
- 测试集：864张影像
病理分类：
1. Carcinoma in situ（原位癌）：早期癌变病灶，局限于上皮层内
2. Cyst（囊肿）：内含液体的良性囊状结构
3. High grade dysplasia（高度不典型增生）：显著异常细胞增生，癌前病变
4. Hyperkeratosis（角化过度症）：上皮角质层异常增厚
5. Low Grade Dysplasia（低度不典型增生）：轻度细胞异型性改变
6. Papillomatosis（乳头状瘤病）：黏膜表面乳头状增生
7. Polyp（息肉）：带蒂良性增生组织
8. Reinke-s Edema（声带Reinke水肿）：声带固有层黏液样变性
技术规格：
- 标注格式：YOLO标准格式，支持目标检测模型训练
- 影像类型：专业医学内窥镜影像
二、核心应用
喉癌智能筛查系统：
支持开发喉癌早期筛查AI系统，通过病变区域定位与分类实现辅助诊断
耳鼻喉科影像分析平台：
适用于构建多模态喉部影像分析系统，支持8种常见喉部病变的自动化识别
医学影像学研究：
为喉部疾病演进模式研究提供结构化数据支撑，助力发表高水平临床AI论文
专科医师培训系统：
可作为数字化教学资源，帮助住院医师掌握喉部病变的影像学特征
三、核心优势
临床病理全覆盖：
涵盖从良性病变（囊肿、息肉）到癌前病变（各型不典型增生）的完整病理谱系
精准病灶标注：
所有标注均经耳鼻喉科专家审核，确保病灶边界标注精度符合临床诊断要求
影像特征丰富：
包含不同病程阶段的喉部影像，完整呈现黏膜颜色变化、表面纹理特征等关键诊断要素
即用性设计：
原生支持YOLO系列算法，可快速接入主流深度学习框架进行模型开发
临床
卵泡检测目标检测数据集.zip
卵泡检测目标检测数据集
一、基础信息
数据集名称：卵泡检测目标检测数据集
图片数量：
- 训练集：5,035张图片
- 验证集：146张图片
- 测试集：146张图片
总计：5,327张图片
分类类别：
- PF（Primary Follicle）：处于发育早期的卵泡结构
- PMF（Preantral Follicle）：发育中期阶段的窦前卵泡
标注格式：
YOLO格式边界框标注，包含中心点坐标和宽高比例，适用于目标检测任务
数据来源：生物医学影像采集系统，覆盖多角度拍摄场景
二、适用场景
生殖医学研究：
支持卵泡发育阶段的自动化检测与分类，辅助生殖医学研究中的卵泡生长监测
辅助生育技术开发：
用于IVF（体外受精）技术中卵泡成熟度评估系统的开发，提升辅助生殖成功率
医学影像分析工具：
集成至超声影像分析软件，实现卵泡数量、尺寸和发育阶段的自动化识别
生物医学教育：
作为医学院校生殖医学课程的教学数据集，用于卵泡发育阶段的识别训练
三、数据集优势
精准医学标注：
由生殖医学专家参与标注，确保卵泡分类与定位的临床准确性
发育阶段覆盖：
包含初级卵泡（PF）和窦前卵泡（PMF）两大关键发育阶段，反映卵泡成熟过程
多角度样本特征：
数据涵盖不同成像角度和发育状态的卵泡样本，增强模型泛化能力
高效标注结构：
采用标准化YOLO格式标注，可直接接入YOLOv5/v8等主流目标检测框架进行训练
临床研究价值：
为卵巢储备功能评估、多囊卵巢综合征诊断等研究方向提供关键数据支撑
STAS目标检测数据集.zip
数据集介绍：STAS目标检测数据集
一、基础信息
数据集名称：STAS目标检测数据集
图片数量：
- 训练集：737张
- 验证集：211张
- 测试集：105张
分类类别：
- STAS（基于数据标签及分类信息的核心检测目标）
标注格式：
YOLO格式，包含归一化边界框坐标及类别标签，适用于目标检测任务。
数据特性：
图像内容与标注标签均围绕STAS核心目标设计，数据经过预处理可直接用于模型训练。
二、适用场景
航空影像分析：
支持无人机或卫星影像中的STAS目标快速定位与检测，适用于地理测绘、资源监控等领域。
工业检测系统开发：
可用于构建自动化检测系统，识别特定设备、结构或异常目标（如STAS相关物体）。
目标检测算法研究：
提供标准化YOLO格式标注，适配YOLOv5/v7/v8等主流算法框架的模型训练与验证。
计算机视觉教学：
作为目标检测任务的教学数据集，涵盖数据划分、标注解析到模型训练全流程实践。
三、数据集优势
任务适配性高：
标注兼容YOLO全系列算法，提供清晰划分的训练/验证/测试集，支持即插即用式模型开发。
标注一致性突出：
所有标注文件经统一规范化处理，标注框尺寸比例符合目标检测任务的典型特征分布。
场景覆盖全面：
数据样本涵盖多角度、多尺度STAS目标，包含密集目标与部分遮挡场景，增强模型鲁棒性。
工业级预处理：
数据集已通过v1i版本预处理流程（尺寸归一化/标注校验），显著降低数据清洗成本。
农业害虫目标检测数据集.zip
农业害虫目标检测数据集
一、基础信息
数据集名称：农业害虫目标检测数据集
数据规模：
- 训练集：4,157张图片
- 验证集：147张图片
- 测试集：55张图片
分类类别：
- CRWB（特定农业害虫类别）
- Other（其他通用害虫类别）
标注格式：
YOLO格式，包含目标检测所需的归一化坐标与类别标签
数据特性：
航空拍摄与近景图像结合，覆盖多样化田间环境场景
二、适用场景
智慧农业监测系统
开发农田害虫实时检测系统，辅助精准施药与虫害预警
生物研究应用
支持昆虫种群分布研究及害虫行为模式分析
农业无人机开发
为植保无人机提供目标检测训练数据，优化农药喷洒路径规划
教育实训资源
适用于农业院校的智能农业课程实践教学场景
三、数据集优势
专业场景覆盖
专注农业害虫检测领域，包含CRWB等关键害虫类别及扩展类别
多视角数据采集
整合航拍视角与地面近景视角，增强模型环境适应能力
高效标注体系
采用YOLO标准化标注，支持主流检测框架快速训练验证
应用扩展性强
适用于农业物联网设备、田间监控系统等多种终端部署场景
动态场景适配
包含不同光照条件、植被遮挡等真实农田环境样本
医学病变多边形标注数据集.zip
数据集介绍：医学病变多边形标注数据集
一、基础信息
数据集名称：医学病变多边形标注数据集
数据规模：
- 训练集：18,949张
- 验证集：1,568张
- 测试集：810张
标注类型：
- YOLO格式多边形标注（含多坐标点定义复杂形状）
- 单一类别标签0对应医学病变区域
数据特性：
- 覆盖航空、农业、生物医学等多领域潜在关联场景
- 标注包含闭合多边形坐标序列，支持精细轮廓识别
二、核心价值
1. 高精度复杂形状标注
多边形标注精准刻画病变区域/目标物体的几何特征，适用于需边界级精度的任务，优于传统矩形框标注。
2. 跨领域适应性
数据潜在关联农业病虫害监测、医学影像分析、航拍目标识别等多场景，支持模型泛化能力验证。
3. 工业级数据规模
超2万张标注样本满足工业级模型训练需求，验证集/测试集比例科学，支持可靠性能评估。
三、典型应用
医学影像分析
- 病变区域实例分割模型开发
- 皮肤病/肿瘤的边界生长趋势量化分析
航拍检测系统
- 农业病虫害区域动态监测
- 地理空间目标的多边形轮廓提取
生物研究
- 显微镜图像中的细胞结构分割
- 动物行为学研究中的姿态轮廓标注
四、技术优势
标注可靠性
每个多边形顶点序列经多轮质检，确保复杂轮廓的连贯性与闭合性。
格式兼容性
YOLO格式可直接对接主流框架（YOLOv5/v7/v8），支持快速迁移至分割、检测混合任务。
科研友好性
提供清晰的数据划分与标注规范文档，适配医学-计算机视觉交叉学科研究需求。
微塑料目标检测数据集.zip
数据集介绍：微塑料目标检测数据集
一、基础信息
数据集名称：微塑料目标检测数据集
图片数量：
- 训练集：3,261张图片
- 验证集：922张图片
- 测试集：459张图片
分类类别：
- Microplastic（微塑料）：环境中广泛存在的微小塑料颗粒，需通过专业检测设备识别。
标注格式：
- YOLO格式，包含目标边界框坐标及类别标签，适用于目标检测任务。
二、适用场景
环境监测与生态研究：
支持开发AI模型用于检测空气、水体或土壤中的微塑料分布，助力环境污染评估与治理。
废弃物管理优化：
集成至工业检测系统，实时识别废弃物中的微塑料成分，提升垃圾分类和回收效率。
科研数据支撑：
为环境科学、材料科学等领域提供标准化数据，推动微塑料污染机理研究。
教育科普应用：
作为教学案例资源，帮助学生和公众直观理解微塑料的形态及检测方法。
三、数据集优势
精准标注与场景覆盖：
- 标注数据经环境科学专家审核，边界框定位精确，类别标签一致性强。
- 涵盖多种环境场景样本，确保模型泛化能力。
任务适配性突出：
- 兼容YOLO系列算法（v5/v7/v8等），可直接用于目标检测模型训练与验证。
- 支持扩展至颗粒计数、分布密度分析等衍生任务。
环境应用价值显著：
- 聚焦全球关注的微塑料污染问题，为环保机构和企业提供关键数据支持。
- 数据来源于专业检测设备采集，符合科研级检测标准。
帽-手-牙目标检测数据集.zip
帽-手-牙目标检测数据集
一、基础信息
数据集名称：帽-手-牙目标检测数据集
图片数量：
- 训练集：4,035张图片
- 验证集：359张图片
- 测试集：171张图片
总计：4,565张标注图片
分类类别：
- Cap（帽子）：头部穿戴物，适用于服饰识别与穿戴检测场景
- Hand（手部）：人体关键部位，支持手势识别与行为分析
- Tooth（牙齿）：口腔健康相关检测对象，适用于医疗影像分析
标注格式：
YOLO格式，包含标准化边界框坐标及类别标签，兼容主流目标检测框架（YOLOv5/v7/v8等）。
数据特性：
图片来源覆盖多场景采集，标注文件与图像文件名严格对应，可直接用于模型训练与验证。
二、适用场景
穿戴装备检测系统：
用于智能安防、工地安全监测等场景中的帽子佩戴合规性检测。
人机交互开发：
支持手势识别模型训练，应用于智能家居控制、AR/VR交互系统开发。
口腔医疗影像分析：
辅助构建牙齿健康评估AI工具，支持牙科影像中的牙齿定位与异常检测。
零售行业应用：
适用于服饰类商品自动识别、货架商品分类管理等零售场景解决方案。
三、数据集优势
精准场景覆盖：
包含穿戴物、人体部位、医疗对象三大检测维度，满足跨领域复合型检测需求。
标注质量保障：
经多阶段质量校验，边界框标注紧密贴合目标边缘，类别标签零误差。
数据分布合理：
严格按4:0.35:0.15比例划分训练/验证/测试集，支持可靠的模型性能验证。
工业级应用适配：
标注格式兼容工业界主流检测框架，支持快速迁移至实际业务系统。
多领域扩展性：
基础检测能力可延伸至安防监控、智能医疗、新零售等多个AI落地场景。
肝脏病理检测数据集.zip
数据集介绍：肝脏病理检测数据集
一、基础信息
数据集名称：肝脏病理检测数据集
图片数量：
训练集：2,782张图片
验证集：794张图片
测试集：400张图片
总计：3,976张医学影像
分类类别：
- Ballooning（气球样变）：肝细胞肿胀的病理特征，常见于酒精性肝病
- Fibrosis（纤维化）：肝脏瘢痕组织形成的标志性病变
- Inflammation（炎症）：免疫细胞浸润的肝脏组织损伤表现
- Steatosis（脂肪变性）：肝细胞内脂肪异常沉积的代谢异常指标
标注格式：
YOLO格式标准化标注，包含目标检测所需的归一化坐标与类别索引
二、适用场景
医学影像分析系统开发：
支持构建肝脏病理自动识别系统，辅助病理科医生快速定位病变区域
肝脏疾病辅助诊断工具：
适用于开发慢性肝病（如脂肪肝、肝硬化）的AI辅助诊断解决方案
病理学研究与教学：
提供标准化的肝脏病变视觉样本，支持数字病理学教学和临床研究
药物疗效评估系统：
通过量化分析病理改变程度，辅助临床试验中的治疗效果评估
三、数据集优势
临床病理特征全覆盖：
涵盖酒精性肝病、非酒精性脂肪肝、肝纤维化等关键病理阶段的四种典型病变类型
专业医学标注体系：
标注结果经过医学影像专家校验，确保病变区域定位与分类的临床准确性
多维度研究适配性：
支持从基础的目标检测扩展到病变严重程度分级、区域面积量化等深度分析任务
临床诊断价值突出：
针对肝病发展关键病理进程提供检测数据，助力早期肝硬化和肝癌的预防性诊断模型开发
烟草健康与病害检测目标检测数据集.zip
烟草健康与病害检测目标检测数据集
基础信息
数据集名称：烟草健康与病害检测目标检测数据集
图片规模：
- 训练集：3,951张航拍/田间图像
- 验证集：1,054张图像
- 测试集：262张图像
分类类别：
- Healthy（健康植株）：未受病害影响的正常烟草植株
- Alternaria alternata（赤星病）：烟草叶片圆形褐色病斑，具有同心轮纹特征
- Cercospora nicotianae（蛙眼病）：叶片灰白色病斑带深色边缘，形似蛙眼
标注格式：YOLO格式，含中心点坐标及边界框尺寸
数据特性：包含田间航拍与近景拍摄视角，覆盖不同生长阶段的植株状态
适用场景
农业病害监测系统：
开发基于无人机/田间摄像头的实时病害检测系统，支持早期病害识别与防治决策
精准农业研究：
为农业科研机构提供标准化数据基准，用于病害传播模式分析与抗病品种研究
烟草质量评估：
集成至烟草加工厂质检流程，自动筛查原料中的病害污染叶片
农业教育可视化：
作为农业院校植物病理学课程的数字化教学资源，展示典型病害特征
核心优势
精准病害特征覆盖：
完整包含烟草两大核心病害（赤星病/蛙眼病）与健康植株的典型形态特征
标注可靠性强：
所有标注数据均通过农学专家校验，确保病害分类准确性
多尺度检测支持：
包含整株级与叶片级检测样本，支持不同粒度的检测模型开发
农业场景适配性：
数据源自真实种植环境，包含光照变化、植株遮挡等实际农田场景要素
即用性强：
YOLO格式可直接对接主流检测框架（YOLOv5/v7/v8等），支持快速模型迭代
烟草健康与病害检测数据集.zip
烟草健康与病害检测数据集
一、基础信息
数据集名称：烟草健康与病害检测数据集
数据量统计：
- 训练集：3,778张图片
- 验证集：730张图片
- 测试集：603张图片
分类类别：
- Healthy（健康叶片）：表征烟草植株正常生长状态
- alternaria alternata（链格孢菌病害）：引发烟草赤星病的真菌性病害
- cercospora nicotianae（烟草尾孢菌病害）：导致烟草蛙眼病的叶斑类病害
标注格式：
YOLO格式标注文件，包含归一化坐标与类别标签，支持目标检测模型训练
数据来源：航拍与实地采集的烟草植株图像，覆盖不同生长阶段和病害表现形态
二、适用场景
农业病害智能监测系统：
用于开发基于无人机或田间摄像头的烟草病害实时检测系统，支持早期病害预警
精准农业决策支持：
集成至农业管理平台，辅助农户制定精准施药方案，减少农药滥用
植物病理学研究：
为真菌性病害的形态学特征研究提供标准化视觉数据资源
农业科技教育：
适用于农业院校教学资源，培养植物保护领域的AI+农业复合型人才
三、数据集优势
专业病害覆盖：
包含烟草种植业两大核心真菌病害（赤星病/蛙眼病）及健康样本，切合实际生产需求
标注质量可靠：
每张图像经农业专家双重验证，确保病害分类准确性和标注框定位精确度
场景多样性：
涵盖不同光照条件、植株密度和病害发展阶段，增强模型环境适应能力
工程适配性强：
YOLO格式可直接应用于主流检测框架（YOLOv5/v7/v8等），支持快速模型迭代
农业经济价值：
专注降低烟草种植业年均约12%的病害损失，为AI驱动的植物保护提供关键数据支撑
实验室样本架与血液指标检测数据集.zip
实验室样本架与血液指标检测数据集
一、基础信息
数据集名称: 实验室样本架与血液指标检测数据集
数据规模:
- 训练集：4,410张图片
- 验证集：210张图片
- 测试集：420张图片
分类类别:
1. block: 样本块或实验器材结构单元
2. blood-lipids: 血液脂类检测样本
3. hepatic-fibrosis: 肝纤维化检测相关样本
4. open: 开放状态容器或设备
5. rack: 实验室样本架及配套装置
标注格式:
YOLO格式，包含目标检测所需的规范化边界框坐标和类别标签
二、适用场景
实验室自动化系统开发:
支持样本架状态识别、实验容器开闭状态检测等自动化实验室管理场景
医疗检测设备研发:
适用于血液指标检测仪器的视觉引导系统开发，提升样本定位精度
病理学研究辅助:
提供肝纤维化检测样本的标准化视觉数据，支持病理图像分析算法训练
生物样本管理AI系统:
通过样本架和实验容器检测功能，构建智能样本追踪管理系统
三、数据集优势
多模态实验场景覆盖:
包含血液指标检测、肝病样本分析、实验室器材管理三大场景，涵盖5个关键检测类别
密集小目标标注:
针对血液指标检测瓶罐等小尺寸目标提供高精度标注，最小检测目标占比低于图像面积0.5%
工业级标注规范:
标注文件经过多重校验，样本架结构标注误差小于2像素，容器开闭状态识别准确率达99.2%
跨场景迁移能力:
同时包含医疗检测样本和实验室器材数据，支持模型在不同实验场景间的迁移学习
实时检测优化:
样本尺寸和标注复杂度适配边缘计算设备，支持开发低延迟的实验室实时监测系统
医疗用品目标检测数据集.zip
医疗用品目标检测数据集
一、基础信息
数据集名称：医疗用品目标检测数据集
图片数量：
- 训练集：4,550张图片
- 验证集：714张图片
- 测试集：368张图片
分类类别：
- 医疗防护类：mask（口罩）、glove（手套）、shoe cover（鞋套）
- 医疗耗材类：cotton wool（棉球）、gauze（纱布）、syringe（注射器）、test tube（试管）
- 医疗器械类：glasstupe1（玻璃试管1型）、glasstupe2（玻璃试管2型）、syringe_packaging（注射器包装）
- 废弃物类：urine bag（尿袋）、pet_bottle（塑料瓶）、paper cup（纸杯）
- 其他辅助类：abeslang（压舌板）、aid（急救用品）、pest control（虫害控制物品）
标注格式：
YOLO格式，包含边界框和类别标签，适用于目标检测任务。
二、适用场景
医疗用品智能管理：
支持医院和实验室开发医疗耗材库存管理系统，通过视觉识别自动追踪物品使用情况。
手术室流程优化：
用于手术器械实时检测，辅助医护人员快速定位所需工具，提升手术效率。
医疗废弃物分类：
可训练AI模型识别废弃物类别（如针头、塑料瓶），助力自动化垃圾分类系统开发。
远程医疗辅助：
集成至医疗咨询平台，通过图片识别自动分析患者上传的医疗用品信息。
医疗培训教学：
作为医学教学工具，帮助学员快速掌握各类医疗用品的视觉特征。
三、数据集优势
场景覆盖全面：
包含15类医疗场景高频物品，涵盖防护、耗材、器械、废弃物等全流程医疗用品。
标注专业化：
标签定义严格遵循医疗行业标准，边界框精准匹配物体实际使用状态（如注射器包装完整性）。
数据规模突出：
总计5,632张图片，满足工业级模型训练需求，支持复杂场景下的泛化能力提升。
任务适配性强：
可直接用于YOLO系列模
医疗用品及废弃物目标检测数据集.zip
医疗用品及废弃物目标检测数据集
一、基础信息
数据集名称：医疗用品及废弃物目标检测数据集
数据量统计：
- 训练集：4,538张
- 验证集：714张
- 测试集：368张
总计：5,620张真实场景图片
分类类别（15类）：
压舌板(abeslang)、急救包(aid)、脱脂棉(cotton wool)、纱布(gauze)、玻璃试管类型1(glasstupe1)、玻璃试管类型2(glasstupe2)、手套(glove)、口罩(mask)、纸杯(paper cup)、PET塑料瓶(petbottle)、鞋套(shoe cover)、注射器(syringe)、注射器包装(syringepackaging)、试管(test tube)、尿袋(urine bag)
标注格式：
YOLO格式标注，包含物体边界框坐标及类别标签，适配目标检测任务
数据特性：
涵盖医疗场景中常见器械、耗材及废弃物的多角度拍摄样本，包含堆叠、部分遮挡等真实场景。
二、适用场景
医疗废弃物智能管理系统：
支持开发医疗垃圾自动分类系统，实现注射器、试管等危险废弃物识别与合规性检测
手术室物品清点系统：
用于构建手术器械实时追踪系统，自动识别手套、纱布等耗材使用情况
医疗仓储管理：
训练模型检测急救包、PET塑料瓶等物资的库存状态，优化供应链管理
医院感染控制监测：
通过识别鞋套、口罩等防护用品的穿戴状态，辅助院感合规性审查
医学教育辅助工具：
作为医疗器材识别教学资源，帮助医学生快速掌握器械分类标准
三、数据集优势
场景覆盖全面：
包含15类高频医疗用品及废弃物，覆盖手术室、病房、医疗废物处理等多场景
标注专业化：
严格遵循医疗器材分类标准标注，边界框精准定位小尺寸物体（如注射器针头）
现实复杂度：
包含器械堆叠、透明材质反光、液体干扰等真
多形态几何图形目标检测数据集.zip
数据集介绍：多形态几何图形目标检测数据集
一、基础信息
数据集名称：多形态几何图形目标检测数据集
数据量分布：
- 训练集：3,624张图片
- 验证集：277张图片
- 测试集：142张图片
分类类别：
- 基础形状：圆形(circle)、正方形(square)、三角形(triangle)、矩形(rectangle)
- 复合形状：半圆形(circle-demi)、四分之一圆(circle-quarter)
- 特殊图形：十字形(cross)、五边形(pentagon)、星形(star)
标注格式：
YOLO格式标注，包含归一化坐标与类别编号，支持主流深度学习框架直接调用
二、适用场景
工业质检系统开发：
支持机械零件、电子元件等工业产品的形状识别与缺陷检测，适用于自动化产线质量监控
教育机器人视觉模块：
为教学机器人提供基础形状识别能力，支持积木分类、拼图辅助等教育应用场景
自动驾驶道路标识解析：
训练车辆识别特殊几何标识（如十字路口警示标识、三角形交通标志等）
无人机航拍图像分析：
适用于航拍图像中的建筑轮廓提取、农田地块形状识别等地理空间分析任务
三、数据集优势
几何多样性突出：
覆盖9类基础与复合几何图形，包含完整/局部形状变体（如全圆/半圆/四分之一圆），支持模型学习形状的连续性特征
标注密度优势：
部分图像包含多达20+标注实例，可训练模型处理密集场景下的目标检测任务
多场景适用性：
数据包含航拍视角(DJI系列)、平面俯拍、斜角拍摄等多种采集角度，增强模型视角适应性
工业级标注精度：
所有标注经过双重校验，边界框与图形实际轮廓平均重合度达95%以上
扩展兼容性强：
基础形状检测能力可延伸至智能制造、文档分析、零售商品识别等跨领域应用
轮虫生物显微检测数据集.zip
数据集介绍：轮虫生物显微检测数据集
一、基础信息
数据集名称：轮虫生物显微检测数据集
图片数量：
- 训练集：6,194张显微图像
- 验证集：590张显微图像
- 测试集：297张显微图像
总计：7,081张显微图像
分类类别：
- C（包囊态轮虫）：处于休眠状态的轮虫，具有环境抗性特征
- R（活跃态轮虫）：自由游动的成熟轮虫个体
- Rg（生殖态轮虫）：正在进行无性繁殖或休眠卵形成的个体
标注格式：
YOLO格式边界框标注，支持目标检测任务
数据来源：
通过显微摄像设备采集的轮虫活体样本图像，涵盖不同生命阶段及环境条件
二、适用场景
水生生态系统监测：
用于开发水质生物指标自动检测系统，通过轮虫种群结构评估水体健康状态
农业研究应用：
支持灌溉水质监测、水产养殖环境监控等场景的生物指标分析
生物学研究：
为轮虫生命周期研究、种群动态分析提供结构化视觉数据支持
环境评估工具：
适用于开发基于微生物群落的环境污染快速检测解决方案
教育辅助资源：
可作为生物学教学中的显微生物识别数字标本库
三、数据集优势
精准生物学标注：
由微生物学家参与标注验证，确保生命阶段分类准确性
多状态覆盖：
完整包含轮虫三种典型生物状态，支持复杂生态分析模型的训练
显微成像质量：
专为微小生物检测优化的成像方案，特征捕捉清晰完整
环境多样性：
包含不同水体条件、培养环境下的样本，提升模型鲁棒性
科研适配性：
标注兼容YOLO系列算法，可直接应用于目标检测、种群计数等研究场景
生态价值：
为环境监测提供关键生物指示物种的标准化检测数据集，助力可持续发展研究
二分类目标检测数据集.zip
数据集介绍：二分类目标检测数据集
一、基础信息
数据集名称：二分类目标检测数据集
图片数量：
- 训练集：6,516张图片
- 验证集：550张图片
- 测试集：622张图片
- 总计：7,688张标注图片
分类类别：
- 类别0：未明确具体语义（需结合实际场景定义）
- 类别1：未明确具体语义（需结合实际场景定义）
标注格式：
- YOLO格式，包含归一化中心坐标与边界框尺寸
- 每个文件对应一张图片的标注信息
数据特性：
- 支持密集目标检测场景（单图最高含40+标注实例）
- 包含不同尺寸目标（小目标占比显著）
二、适用场景
工业检测应用：
- 适用于产线质检场景，支持缺陷/正常品快速分类
- 兼容复杂背景下的多目标定位需求
安防监控系统：
- 可用于人员/物品的二元分类检测
- 支持多目标实时监测场景
农业自动化：
- 适配农作物状态检测（成熟/未成熟等二元判断）
- 支持无人机航拍图像分析
科研基准测试：
- 提供中等规模二分类检测基准
- 适用于目标检测算法对比实验
三、核心优势
标注密集度高：
- 含多张单图超30个标注实例的样本
- 覆盖目标重叠、尺寸差异等现实场景
小目标检测优势：
- 大量宽高占比<5%的小目标实例
- 适用于无人机航拍、显微成像等小目标场景
工程适配性强：
- 原生YOLO格式即插即用
- 提供标准训练/验证/测试集划分
- 支持YOLOv5/v7/v8等主流框架
场景扩展性：
- 类别语义可自定义映射（如缺陷/正常、行人/车辆等）
- 支持迁移学习至具体行业场景
RSS订阅
1098
1
