自定义博客皮肤VIP专享

*博客头图：

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览 取消 提交

自定义博客皮肤

-+
上一步保存

深度学习算法工程师，专注于前沿算法研究与实战应用。在这里，我将分享深度学习领域的实战经验、优质数据集资源以及最新论文解读与精度分析，旨在与广大技术爱好者共同探索人工智能的奥秘，助力技术成长与创新。

欢迎来到我的深度学习技术世界！作为一名深度学习算法工程师，我致力于通过代码与模型探索智能的边界。在本博客中，你将找到： 算法实战：从基础到前沿，分享深度学习算法的实战案例与实现细节，带你领略算法的魅力与应用潜力。

  • 博客(252)
  • 资源 (5)
  • 收藏
  • 关注
排序：
按最后发布时间
按访问量
RSS订阅

原创 深瞳智检(小程序)正式上线！【免费/快捷/方便】获取YOLO检测数据集

深瞳智检」是一款专注于计算机视觉工具学习分享的微信小程序，致力于打造一个高效、便捷、持续更新的CV学习资源平台。我们深知每一位CV学习者的痛点，因此精心整理并持续更新以下核心内容：📊精选数据集— 分类整理主流CV数据集，附下载链接与使用说明💻项目源码— 收录经典与前沿CV项目，含完整代码与运行指南📄论文解读— 深度解析顶会顶刊论文，帮你快速理解核心思想🔄持续更新— 内容定期迭代，紧跟CV领域最新动态「深瞳智检」的诞生，源于我们对计算机视觉领域的热爱，以及对知识共享的执着。

2026-09-02 18:53:33 264

原创 基于AutoDL服务器从零搭建YOLOv11目标检测算法训练推理环境(详细教程)

基于AutoDL服务器从零搭建YOLOv11目标检测算法训练推理环境(详细教程)，学会如何使用autodl服务器租用gpu显卡训练深度学习算法

2025-09-20 00:10:36 1671 1

原创 YOLO11实战 第001期-基于yolo11的CrowdHuman密集行人目标检测实战文档(yolo格式数据免费获取)

1.数据阶段在拥挤/遮挡场景下，使用crowdhuman数据集重训练后的yolo11，效果表现较好。crowdhuman数据集标签如下，有Head BBox、Visible BBox、Full BBox。如下图显示:数据集介绍CrowdHuman数据集是旷世发布的用于行人检测的数据集，图片数据大多来自于google搜索。CrowdHuman数据集数据量比较大，15000张，5000张，验证集4370张。训练集和验证集中共有470K个实例，约每张图片包含23个人，同时存在各种各样的遮挡。

2025-02-11 10:50:15 2161

原创 目标检测数据集 第149期-基于yolo标注格式的超大规模安全帽与安全带检测数据集(含免费分享)

而模型训练效果高度依赖高质量、场景丰富的标注数据集，市面上很多公开的安全防护数据集存在场景单一、样本数量不足、画面分辨率同质化、标注质量参差不齐等问题，难以满足复杂工地、电力杆塔等真实工况下的检测模型训练需求。数据集包含 7 个检测类别，分别为：蓝色安全帽、黄色安全帽、白色安全帽、红色安全帽、未佩戴安全帽、人员、安全带。画面包含白天强光、逆光、夜间人工照明等不同光照条件，拍摄视角包含地面平视、高处俯拍、近距离特写、远距离广角等，样本里作业人员姿态丰富，包含站立、攀爬、弯腰作业、蹲姿施工等不同动作。

2026-09-30 09:45:00 367

原创 目标检测数据集 第148期-基于yolo标注格式的无人机航拍人员搜救小目标检测数据集(含免费分享)

无人机可快速覆盖山地、森林、滩涂等复杂地形，通过算法自动识别影像中的人员目标，辅助救援人员快速定位被困者，大幅提升搜救效率与安全性。本数据集正是为支撑这一技术方向构建的标准化样本库，聚焦于无人机航拍视角下的人员小目标检测任务，为相关算法研究与搜救应用提供高质量标注数据。从样例影像可见，人员目标在航拍影像中占比极小，常被植被、地形遮挡，且受光照、拍摄角度影响，视觉特征辨识度低，完全贴合真实搜救场景的检测难点。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。

2026-09-18 10:00:00 282

原创 目标检测数据集 第147期-基于yolo标注格式的无人机航拍绝缘子及电力金具检测数据集(含免费分享)

本数据集正是为支撑这一技术方向构建的标准化样本库，聚焦于无人机视角下输电线路绝缘子、金具及故障状态的检测任务，为相关算法研究与工程应用提供高质量标注数据。绝缘子作为输电线路中实现电气绝缘与机械固定的核心部件，长期暴露在户外复杂环境中，易受雷击、覆冰、鸟害、机械应力等因素影响，出现破损、老化等故障；从样例影像可见，数据集中涵盖玻璃绝缘子、复合绝缘子等不同类型绝缘部件，以及各类连接金具、减振金具、间隔棒等配套设施，同时包含破损绝缘子等故障状态样本，目标形态与视觉特征适配无人机航拍视角下的检测需求。

2026-09-17 10:00:00 34

原创 目标检测数据集 第146期-基于yolo标注格式的道路信号灯与锥形桶检测数据集(含免费分享)

本数据集正是为支撑这一技术方向构建的标准化样本库，聚焦于驾驶视角下的道路信号灯与多色锥形桶检测任务，为相关算法研究与工程应用提供高质量标注数据。锥形桶作为道路施工、临时管控场景中的核心隔离设施，信号灯作为路口通行权的核心指示设施，二者的实时、准确检测是保障自动驾驶安全、提升交通管理效率的基础环节。从样例影像可见，锥形桶以不同颜色区分，信号灯以不同灯色呈现，目标形态与视觉特征清晰，适配驾驶视角下的感知需求。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。

2026-09-15 10:00:00 278

原创 目标检测数据集 第145期-基于yolo标注格式的道路坑洼与减速带检测数据集(含免费分享)

随着车载摄像头与深度学习技术的发展，基于驾驶视角影像的自动化路面目标检测，已成为智能交通与道路养护领域的重要研究方向。本数据集正是为支撑这一技术方向构建的标准化样本库，聚焦于驾驶视角下的道路坑洼与减速带检测任务，为相关算法研究与工程应用提供高质量标注数据。影像数据均为车辆行驶过程中采集的驾驶视角场景，覆盖不同气候、光照条件下的城乡道路，包含典型坑洼与减速带样本。，全部为 JPG 格式，无 PNG 格式文件。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。

2026-09-14 10:00:00 159

原创 目标检测数据集 第144期-基于yolo标注格式的无人机航拍夜间车辆检测数据集(含免费分享)

本数据集正是为支撑这一技术方向构建的标准化样本库，聚焦于无人机夜间航拍场景下的多类别车辆检测任务，为相关算法研究与工程应用提供高质量标注数据。该数据集也可作为高校交通工程、遥感科学与技术、人工智能等专业的教学素材，帮助学生理解无人机夜间航拍影像解译、多类别目标检测模型训练的完整流程。影像数据均为无人机在夜间低光照条件下拍摄的城市道路场景，覆盖不同功能类型的道路与街区，包含各类典型车辆样本。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。

2026-04-03 08:45:00 521

原创 目标检测数据集 第143期-基于yolo标注格式的无人机航拍道路坑洞检测数据集(含免费分享)

随着无人机航拍技术与深度学习算法的快速发展，基于高分辨率航拍影像的自动化坑洞检测，已成为智能交通与道路养护领域的重要研究方向。道路坑洞（pothole）是路面在车辆荷载、雨水侵蚀、温度变化等因素作用下，局部结构破损后形成的凹陷病害，若未能及时发现与处置，易引发车辆颠簸、爆胎甚至交通事故，同时会加速路面整体损坏，增加养护成本。本数据集可作为道路坑洞检测算法的基准测试集，用于验证不同深度学习模型的性能表现。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。

2026-04-02 08:45:00 566

原创 目标检测数据集 第142期-基于yolo标注格式的森林冠层空隙检测数据集(含免费分享)

随着高分辨率遥感技术与深度学习算法的发展，基于遥感影像的自动化冠层空隙检测，已成为森林资源清查与生态研究的关键技术路径。同时，可通过可视化样例数据，向公众普及森林冠层结构的生态意义与空隙监测的重要性，提升森林生态保护意识。本数据集可作为森林冠层空隙检测算法的基准测试集，用于验证不同深度学习模型的性能表现。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。，所有标注均围绕该类别完成，确保样本的专一性与聚焦性，便于模型专注学习冠层空隙的视觉特征。

2026-04-01 08:45:00 430

原创 目标检测数据集 第141期-基于yolo标注格式的滑坡检测遥感影像数据集(含免费分享)

随着遥感技术与深度学习算法的快速发展，基于高分辨率卫星或航空影像的自动化滑坡检测，已成为地质灾害防控领域的核心研究方向。这类方法可快速覆盖广袤山区，通过模型学习滑坡在影像中的纹理、形态特征，实现灾害区域的自动识别与定位，为应急处置与风险评估提供数据支撑。本数据集正是为满足这一需求构建的标准化样本库，聚焦于山区复杂地形下的滑坡目标检测任务，为相关算法研究与工程应用提供高质量标注数据。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。

2026-03-31 08:45:00 542

原创 目标检测数据集 第140期-基于yolo标注格式的桥梁损伤检测数据集(含免费分享)

模型能够快速处理采集图像，自动标注裂缝位置、类型与范围，生成巡检报告，替代人工完成大范围、高频次的结构检测，提升巡检效率与覆盖范围。图像中损伤呈现不同尺度、形态与分布状态，同时包含正常结构与各类损伤并存的样本，能够有效模拟真实桥梁检测场景，提升模型对复杂环境的适应能力。桥梁管理部门可利用该数据集训练的模型，对巡检采集的图像进行自动化分析，识别不同类型的裂缝与其他异常，结合损伤严重程度与位置信息，评估结构安全状态，生成维护优先级建议，为病害消缺、加固修复等决策提供数据支撑，降低结构失效风险。

2026-03-30 08:45:00 443

原创 目标检测数据集 第139期-基于yolo标注格式的绝缘子故障缺陷检测数据集(含免费分享)

在长期户外服役过程中，绝缘子易受环境侵蚀、机械应力、电气老化等因素影响，产生破损、污秽、闪络等各类缺陷，若未能及时发现并处置，可能引发线路跳闸、停电甚至电网瘫痪等事故。模型能够快速处理航拍图像，自动标注缺陷位置与类型，生成巡检报告，替代人工完成大范围、高频次的线路巡检，提升巡检效率与覆盖范围。电力运维部门可利用该数据集训练的模型，对巡检采集的绝缘子图像进行自动化分析，识别破损、污秽闪络、脏污等缺陷，结合缺陷严重程度与位置信息，生成维护优先级建议，为缺陷消缺、停电检修等决策提供数据支撑，降低线路故障风险。

2026-03-27 08:45:00 777

原创 目标检测数据集 第138期-基于yolo标注格式的热红外军事目标检测数据集(含免费分享)

为满足军事领域对士兵、突击步枪、车辆等典型目标的自动化检测需求，本数据集聚焦热红外成像场景，构建了一套标准化的目标检测数据集，为相关算法研究与工程实践提供数据支撑。在实战场景中，该数据集可用于训练热红外目标检测模型，实现对士兵、突击步枪、车辆等目标的快速识别与定位，为指挥系统提供实时战场态势信息，辅助作战决策。数据集覆盖多种典型军事应用场景，包括野外开阔地带、建筑周边区域、夜间作战环境等，图像中目标呈现不同姿态、尺度与遮挡状态，能够有效模拟真实战场中的复杂情况，提升模型对多样化场景的适应能力。

2026-03-26 08:45:00 816

原创 目标检测数据集 第137期-基于yolo标注格式的真实无人机户外车辆人员检测数据集(含免费分享)

所有标注文件均采用 YOLO 格式的 txt 文件存储，每行标注信息包含「类别索引 目标中心 x 坐标 目标中心 y 坐标 目标宽度 目标高度」，符合主流目标检测框架的输入规范，可直接适配各类基于 YOLO 的检测模型训练流程，无需额外格式转换。该结构与主流目标检测开源项目的目录规范完全兼容，研究者可直接配置训练脚本，无需额外进行数据格式与目录的适配调整，降低数据预处理的时间成本。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。

2026-03-25 08:45:00 495

原创 目标检测数据集 第136期-基于yolo标注格式的无人机拍摄车辆检测数据集(含免费分享)

无人机拍摄视角下的车辆目标检测，作为低空视觉任务的核心分支，能够实现对交通流、车辆分布的全局化感知，相较于地面监控设备，具备覆盖范围广、部署灵活、不受地形限制等优势，在智能交通管理、城市运维、应急救援等场景中展现出重要的应用价值。所有标注文件均采用 YOLO 格式的 txt 文件存储，文件内每行标注信息对应一个目标框，包含类别索引与目标边界框的中心坐标、宽高参数，符合主流目标检测框架的输入规范，可直接适配各类基于 YOLO 的检测模型训练流程。图像文件，格式均为 JPG，对应。

2026-03-24 08:45:00 766 1

原创 目标检测数据集 第135期-基于yolo标注格式的航拍图像车辆检测数据集(含免费分享)

然而，航拍图像车辆检测面临诸多技术挑战：目标尺度差异大（车辆在图像中占比极小）、背景复杂多样（包含建筑、植被、道路、水域等）、目标姿态多变（俯视视角下车辆朝向无规律），且易受光照、天气等环境因素干扰。该数据集聚焦于真实场景下的航拍车辆目标，覆盖不同城市环境、光照条件与拍摄角度，旨在为高空视角下的小目标检测算法提供标准化的训练与评估基准。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。，为研究者提供高质量的标注数据支撑。

2026-03-23 08:45:00 404

原创 lesson-02 NLP 基础-文本表示与词向量

解决专有名词切错问题还能做。

2026-03-21 20:58:36 423

原创 目标检测数据集 第134期-基于yolo标注格式的无人机航拍海洋生物检测数据集(含免费分享)

因此，构建面向无人机航拍场景的海洋生物检测数据集，支撑自动化检测算法的训练与评估，对提升海洋生态研究与管理的效率具有重要意义。基于本数据集训练的检测模型，可自动识别大型船舶、标记物等目标，为污染溯源、应急响应和灾后评估提供数据支持。在渔业管理中，基于本数据集训练的检测模型，可自动识别航拍图像中的小型船只、游钓鱼类和饵料投放区域，辅助渔业部门进行资源评估、非法捕捞监测和渔业执法，提升渔业管理的精准度与效率。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。

2026-03-20 08:45:00 458

原创 目标检测数据集 第133期-基于yolo标注格式的无人机航拍人员搜救检测数据集(含免费分享)

因此，构建面向无人机航拍场景的人员检测数据集，支撑自动化检测算法的训练与评估，对提升搜救效率、降低救援人员风险具有重要意义。本数据集可用于训练和优化人员检测模型，实现对航拍图像中人员目标的自动识别与定位，为救援队伍提供精准的人员位置信息，缩短搜救时间，提升救援效率。基于本数据集训练的检测模型，可自动识别航拍图像中的人员目标，实现异常人员闯入、非法活动等情况的实时预警，辅助监控人员进行决策。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。

2026-03-19 08:45:00 1107

原创 目标检测数据集 第132期-基于yolo标注格式的足球运动员检测数据集(含免费分享)

这些应用场景均对高性能的目标检测模型提出了需求，而高质量、场景丰富的标注数据集，是训练此类模型的核心前提。当前，针对足球赛场的专用检测数据集，在样本覆盖度、场景多样性以及标注规范性上仍存在优化空间，尤其是针对球员、裁判员、足球三类核心目标的精细化标注数据相对稀缺。在足球训练领域，该数据集可用于开发球员训练辅助系统。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。被整理并发布，该数据集聚焦真实足球赛事场景，为相关算法的研发与验证提供了标准化的数据支撑。

2026-03-18 08:45:00 782

原创 目标检测数据集 第131期-基于yolo标注格式的道路损坏目标检测数据集(含免费分享)

而高质量、标注规范的数据集，是训练高性能检测模型的前提。沥青路面在长期行车荷载、自然环境侵蚀等因素作用下，易产生坑槽、鳄鱼裂纹、横向裂纹、纵向裂纹等多种损坏类型，这些损坏不仅会降低路面平整度、增加车辆行驶损耗，还可能引发交通事故，影响交通系统的整体运行效率。在道路新建、改扩建及养护工程完工后，可利用基于本数据集训练的检测模型，对工程路段进行全面的路面损坏检测，评估工程质量是否符合相关标准。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。

2026-03-17 08:45:00 772

原创 lesson-01 NLP 概述学习笔记 & 学习心得

自然语言处理，简单说就是让计算机能看懂人类的文字、听懂人类的话，还能像人一样说话、完成语言相关任务，是人工智能的重要部分。它主要分两大能力：一是自然语言理解，让计算机从文字里提取关键信息，比如知道用户想订明天去上海的机票；二是自然语言生成，让计算机把内部数据变成人话，比如天气 APP 根据数据播报天气，现在的大模型能同时做到这两件事。计算机理解语言要分四层：先拆分词语标注词性，再分析句子语法结构，接着理解文字真实含义，最后结合语境看懂说话人的真实意图，一步比一步难。

2026-03-16 20:37:57 466

原创 目标检测数据集 第130期-基于yolo标注格式的纺织品纹理缺陷检测数据集(含免费分享)

纺织品在织造、印染、后整理等工序中，易出现孔洞、异物附着、油渍、纱线相关缺陷等问题，这些缺陷不仅影响外观，还可能降低织物的耐用性与使用安全性。例如，通过统计异物附着缺陷的分布规律，定位原料污染或设备清洁不到位的环节，为工序优化提供方向，从源头减少缺陷产生。该数据集聚焦真实生产场景下的纺织品缺陷检测任务，旨在为相关研究与应用提供可靠的数据基础，推动智能质检技术在纺织行业的落地与应用。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。

2026-03-16 08:45:00 722

原创 目标检测数据集 第129期-基于yolo标注格式的厨房用具目标检测数据集(含免费分享)

传统的厨房用具识别依赖人工操作或预设规则，难以适配多样化的用具类型与复杂的摆放场景，限制了智能应用的落地。数据集可用于集成到服务机器人的视觉模块，使机器人能够在厨房环境中自主识别并抓取所需用具，辅助完成餐饮服务、后厨整理等任务，提升服务效率与智能化水平。这是数据集最核心的应用场景。该数据集聚焦真实厨房环境下的用具检测任务，旨在为相关研究与应用提供可靠的数据基础，推动智能交互技术在厨房场景的落地与应用。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。

2026-03-12 08:45:00 373

原创 目标检测数据集 第128期-基于yolo标注格式的真实山地野火烟雾检测数据集(含免费分享)

传统的山地火情监测依赖人工瞭望塔巡查、卫星遥感等方式，前者受限于人力与视野，后者在时效性与空间分辨率上存在不足，难以满足早期、精准预警的需求。该数据集聚焦真实山地环境下的野火烟雾检测任务，旨在为相关研究与应用提供可靠的数据基础，推动智能监测技术在山地火情防控领域的落地与应用。数据集可作为地面真实数据，用于验证卫星遥感火情监测结果的准确性，提升卫星遥感技术在山地火情监测中的应用效果。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。

2026-03-11 08:45:00 764

原创 目标检测数据集 第127期-基于yolo标注格式的毛毛虫目标检测数据集(含免费分享)

这些设备可在田间自动采集图像，实时分析虫害情况，为种植者提供即时预警与防控建议，实现从 “经验防控” 到 “数据驱动防控” 的转变。数据集可用于开发野外生态调查工具，通过对自然环境图像的分析，自动识别并统计毛毛虫的种类与数量，为生物多样性研究、生态系统健康评估提供数据支撑。该数据集聚焦真实自然环境下的毛毛虫检测任务，旨在为相关研究与应用提供可靠的数据基础，推动智能监测技术在虫害防控领域的落地与应用。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。

2026-03-10 08:45:00 401

原创 目标检测数据集 第126期-基于yolo标注格式的梨子幼果计数检测数据集(含免费分享)

以梨种植为例，幼果期的果实数量直接影响后续疏果、施肥、病虫害防治等关键作业的精准性，同时也是评估最终产量的重要依据。这些设备可在田间自动采集图像，实时分析幼果数量和生长状态，为种植者提供即时农事建议，实现从 “经验种植” 到 “数据驱动种植” 的转变。这是数据集最核心的应用场景。该数据集聚焦真实田间环境下的梨幼果检测任务，旨在为相关研究与应用提供可靠的数据基础，推动智能农业技术在梨种植领域的落地与应用。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。

2026-03-09 08:45:00 373

原创 目标检测数据集 第125期-基于yolo标注格式的樱桃幼果计数检测数据集(含免费分享)

以樱桃种植为例，幼果期的果实数量直接关系到后续的疏果、施肥、病虫害防治等农事决策，同时也是预估最终产量的重要依据。这些设备可以在田间自动采集图像，实时分析幼果数量和生长状态，为种植者提供即时的农事建议，实现从 “经验种植” 到 “数据驱动种植” 的转变。该数据集聚焦于真实田间环境下的樱桃幼果检测任务，旨在为相关研究和应用提供可靠的数据支撑，推动智能农业技术在樱桃种植领域的落地应用。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。

2026-03-08 08:45:00 413

原创 目标检测数据集 第124期-基于yolo标注格式的道路车辆行人检测数据集(含免费分享)

在实际应用中，道路场景复杂多变，光照条件（如白天、夜晚、黄昏）、天气状况（如晴天、雨天）、城市与郊区环境差异，以及不同目标的尺寸、姿态和遮挡情况，都对检测模型的鲁棒性构成挑战。本数据集可用于训练和优化车载摄像头的目标检测模块，帮助车辆准确识别道路上的行人、车辆和非机动车，为路径规划、碰撞预警等功能提供可靠的感知输入，提升自动驾驶系统在复杂城市场景下的安全性与可靠性。本数据集聚焦于真实道路环境中的典型目标，通过采集多样化场景下的图像数据，并进行标准化标注，为相关研究和工程应用提供可靠的数据支撑。

2026-03-07 08:45:00 784

原创 目标检测数据集 第123期-基于yolo标注格式的环介导等温扩增诊断检测数据集(含免费分享)

该数据集聚焦于 LAMP 反应管的视觉特征识别，为目标检测模型提供了标准化的训练与评估基础，有助于降低人工判读的误差，提升检测流程的自动化水平。，聚焦于 LAMP 反应产物的视觉检测任务，核心目标是识别反应管的阳性与阴性状态。数据集的图像采集场景覆盖了不同的实验环境与光照条件，包括蓝色、黄色、橙色等多种背景色，反应管的排列方式也存在差异（如单排、多排），有效提升了数据的多样性与模型的鲁棒性。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。

2026-03-05 08:45:00 389

原创 目标检测数据集 第122期-基于yolo标注格式的无人机遥感图像茶叶病害检测数据集(含免费分享)

本数据集聚焦于无人机遥感场景下的茶叶病害检测任务，通过采集真实茶园环境下的图像数据并进行专业标注，为茶叶病害检测算法的训练、验证与测试提供了高质量的数据支撑，有助于推动智能农业技术在茶叶生产中的应用。在规模化茶园管理中，该数据集支撑的技术方案可用于评估茶园整体健康状况，辅助制定科学的施肥、施药计划，减少农药使用量，降低生产成本，同时提升茶叶的品质与安全性，助力绿色农业发展。每个标注文件中，均以边界框的形式对图像中病害区域或健康叶片进行定位，并标注对应的类别信息，确保了数据的准确性与可用性。

2026-03-04 08:45:00 407

原创 目标检测数据集 第121期-基于yolo标注格式的遥感图像舰船旋转目标检测数据集(含免费分享)

然而，传统的水平框目标检测方法在处理舰船目标时存在显著局限：舰船在遥感影像中往往呈现任意角度的朝向，且与港口码头、集装箱堆场等背景紧密贴合，水平框会引入大量背景噪声，导致检测精度下降、虚警率升高。但目前公开的、高质量的遥感舰船旋转目标检测数据集相对稀缺，且部分数据集存在样本量不足、场景单一、标注质量参差不齐等问题，难以满足深度学习模型训练和验证的需求。在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。，图像与标签文件数量比例为 1680:1681。

2026-03-03 08:45:00 1263

原创 目标检测数据集 第120期-基于yolo标注格式的无人机航拍塔架结构关键部位识别检测数据集(含免费分享)

从样本图像来看，数据集覆盖了多样化的塔架结构场景：包含不同塔型、不同锈蚀程度的节点与侧边构件，且图像中存在自然的植被遮挡、光照变化与背景干扰，模拟了真实巡检中的视觉条件。标注的 2 类关键部位精准定位了塔架的结构薄弱点，其中 “节点” 类别的标注涵盖了螺栓连接、角钢拼接等细节，为模型学习结构特征提供了准确的监督信息。该数据集覆盖了塔架巡检的典型环境：包含不同季节的植被背景、光照变化与塔架锈蚀状态，模拟了从平原到山区的真实视觉挑战，能够帮助算法更好地应对现实中的干扰因素，提升检测的鲁棒性。

2026-03-02 08:45:00 656

原创 目标检测数据集 第119期-基于yolo标注格式的钻探作业工具分类检测数据集(含免费分享)

从样本图像来看，数据集覆盖了多样化的钻探工具场景：包含不同类型、不同磨损程度的钻具，且图像中存在自然的泥土遮挡、光照变化与工地背景干扰，模拟了真实施工中的视觉条件。标注的 4 类工具涵盖了桩基施工中常用的钻具类型，其中 “圆齿钻斗”“捞砂斗” 等工具的细节标注，为模型学习不同钻具的视觉特征提供了准确的监督信息。该数据集覆盖了钻探作业的典型环境：包含不同工地背景、光照条件与工具磨损状态，模拟了从施工准备到钻进作业的真实视觉挑战，能够帮助算法更好地应对现实中的干扰因素，提升检测的鲁棒性。配套的标注文件总数为。

2026-03-01 09:45:00 1674

原创 目标检测数据集 第118期-基于yolo标注格式的无人机航拍车辆识别检测数据集(含免费分享)

所有标注文件采用 YOLO 格式的 TXT 文件，每个标注文件对应一张图像，记录了车辆区域的边界框坐标与类别信息，类别包括 “PMT”、“articulated-bus”（铰接式巴士）、“bus”（巴士）、“car”（小型轿车）、“freight”（货运车）、“motorbike”（摩托车）、“small-bus”（小型巴士）、“truck”（货车）共 8 类。研发人员可基于数据集的多样化样本，验证算法在不同光照、遮挡、车型尺度下的识别精度，进而改进模型结构或训练策略，推动相关技术的迭代升级。

2026-02-28 14:15:00 1449

原创 目标检测数据集 第117期-基于yolo标注格式的跌倒与躺卧检测数据集(含免费分享)

从样本图像来看，数据集覆盖了多样化的人体状态与场景：包含不同着装、姿态的人体，且图像中存在自然的背景干扰、视角差异与光照变化，模拟了真实公共区域中的视觉条件。研发人员可基于数据集的多样化样本，验证算法在不同场景、光照、姿态下的识别精度，进而改进模型结构或训练策略，推动相关技术的迭代升级。该数据集覆盖了多样化的室内外场景：包含走廊、街道、超市、仓库等典型环境，以及白天、夜间等不同光照条件，模拟了公共区域中可能出现的视觉挑战，能够帮助算法更好地应对现实中的干扰因素，提升检测的鲁棒性。

2026-02-27 08:45:00 540

原创 目标检测数据集 第116期-基于yolo标注格式的芒果香蕉成熟度检测数据集(含免费分享)

从样本图像来看，数据集覆盖了多样化的水果场景：包含不同品种、不同成熟度的芒果与香蕉，且图像中存在自然的光照变化、背景干扰与水果遮挡，模拟了真实生鲜分拣中的视觉条件。标注的 4 类成熟度状态涵盖了芒果、香蕉的主要分级标准，其中未熟与成熟果实的颜色、纹理差异标注，为模型学习细微的视觉特征提供了准确的监督信息。该数据集覆盖了芒果、香蕉从青涩到成熟的全阶段特征，包含不同光照、背景与摆放方式的样本，模拟了从田间采摘到仓储分拣的真实视觉挑战，能够帮助算法更好地应对现实中的干扰因素，提升检测的鲁棒性。

2026-02-26 08:45:00 1662

原创 目标检测数据集 第115期-基于yolo标注格式的高速公路车辆检测数据集(含免费分享)

所有标注文件采用 YOLO 格式的 TXT 文件，每个标注文件对应一张图像，记录了车辆区域的边界框坐标与类别信息，类别包括 “auto”（自动三轮车）、“bus”（巴士）、“car”（小型轿车）、“lcv”（轻型商用车）、“motorcycle”（摩托车）、“multiaxle”（多轴货车）、“tractor”（拖拉机）、“truck”（货车）共 8 类。标注的 8 类车辆涵盖了高速公路常见的车型，其中 “多轴货车”“自动三轮车” 等特色车型的标注，为模型学习复杂车辆特征提供了准确的监督信息。

2026-02-25 08:45:00 1013

白虾目标检测数据集，用于目标检测yolo算法
白虾目标检测数据集介绍 包含1000张图片 从网络爬取的原图经过去除水印、字幕、裁剪、缩放得到 分辨率 640*640 用于对虾水下监测、跟踪 提供yolo 数据集构成 数据结构 white-shrimp-yolo images 0.jpg 1.jpg 2.jpg ... labels 0.txt 1.txt 2.txt ... classes.txt

2025-10-02

统计 YOLO 格式标签文件中不同类别目标的大小分布（小、中、大物体）并可视化
主要改进点 灵活性提升： 自动获取所有类别，无需手动定义 图像尺寸作为参数传入，集中配置 过滤非 txt 文件，增强鲁棒性 代码规范： 函数和变量名改为 PEP8 规范的蛇形命名法 完善注释，明确每个函数的作用 增加输入验证（如 YOLO 格式正确性检查） 功能优化： 可视化标签更清晰，增加中文支持 保存图片时提高分辨率 简化统计逻辑，去除冗余代码 代码解析 数据提取：get_gt_area_and_ratio 读取 YOLO 格式标签，提取每个目标的归一化面积和宽高比 大小统计：get_sml_gt_num_by_class 根据实际面积（像素）判断目标属于小 / 中 / 大类 汇总统计：get_all_sml_gt_num 汇总所有类别的统计结果，支持按类别分别统计 可视化：plot_sml_distribution 生成柱状图展示分布情况，并保存图片 使用时只需修改主函数中的配置参数（标签目录、图像尺寸）即可。

2025-10-02

水果三分类检测数据集 用于目标检测yolo算法
数据集中，一共有3种类别，分别是 banana apple orange 共有300张可直接用于训练的数据，其图像与标注文件命名一致，组织结构如下： fruit_3_class ├── xml │ └── apple_1.xml │ └── apple_2.xml │ └── ... ... └── image │ └── apple_1.jpg │ └── apple_2.jpg │ └── ... ... └── label_list.txt

2025-10-02

实现 YOLO 目标检测数据增强及标签同步处理
解读： 定义DataAugmentationOnDetection类，包含多种数据增强方法，如翻转、裁剪、色调调整、加噪声等。 提供图像与标签读取、保存功能，确保增强后标签与图像匹配。 runAugumentation函数为核心流程，遍历图像，应用增强方法并保存结果。 支持水平 / 垂直随机翻转、中心裁剪、亮度 / 对比度 / 饱和度调整，及高斯、盐、胡椒噪声添加。 处理时保持 YOLO 格式标签（类别 + 归一化坐标），保证数据可用性。

2025-10-02

批量处理 XML 文件，实现编码转换为 UTF-8
核心功能 编码处理：检测 XML 文件编码，将非 UTF-8 编码文件转换为 UTF-8，并修正 XML 声明中的编码信息。 标签内容修改：将<folder>标签内容替换为 “images”，同时更新<path>标签中对应旧文件夹名的部分为 “images”。 路径格式调整：默认将路径中的反斜杠（\）转换为正斜杠（/），可通过参数保留反斜杠。 关键函数解析 detect_encoding(file_path)：读取文件前 10KB 数据，使用chardet库检测编码及置信度。 is_utf8_encoded(file_path)：结合编码检测结果（UTF-8 且置信度 > 0.7）和 UTF-8 读取验证，判断文件是否为 UTF-8 编码。 has_utf8_declaration(xml_content)：检查 XML 内容中是否包含 UTF-8 编码声明（如encoding="utf-8"）。 replace_folder_and_path(xml_content)：解析 XML，替换<folder>标签内容为 “images”，并同步更新<path>标签中对应的目录部分，统一路径分隔符为/。 process_xml_file(input_file, output_file=None, preserve_backslash=False)：处理单个 XML 文件，包括编码转换、标签修改、路径调整，默认覆盖原文件，可指定输出路径。 batch_process_xml_in_folder(folder_path, preserve_backslash=False)：批量处理文件夹中所有 XML 文件，统计处理结果（成功、跳过、失败数量）并输出详细信息。 使用方式 命令行运行，支持指定 XML 文件夹路径（默认当前目录下./xmls），通过--preserve-backslas

2025-10-02

将 LabelMe 格式转换为 YOLO 格式的 Python 脚本，能够自动识别标注类型（矩形框或分割掩码）并进行相应转换
这个脚本的主要功能和特点： 1.** 自动识别标注类型 **： 识别矩形框（rectangle）并转换为 YOLO 的中心坐标 + 宽高格式 识别多边形（polygon）并转换为 YOLO 的多边形顶点格式 对圆形（circle）进行特殊处理，转换为 36 边多边形近似 2.** 完整的转换流程 **： 自动提取所有类别并生成 classes.txt 文件 将图像文件复制到指定输出目录 为每个图像生成对应的 YOLO 格式标签文件 3.** 坐标转换 **： 将 LabelMe 的绝对坐标转换为 YOLO 要求的归一化坐标（0-1 范围） 保留六位小数精度，确保标注准确性 使用方法： 安装依赖：pip install tqdm 修改脚本中的路径配置： LABELME_DIR：存放 LabelMe 生成的 JSON 文件和对应图像的目录 OUTPUT_IMG_DIR：转换后图像的输出目录 OUTPUT_LABEL_DIR：转换后 YOLO 标签的输出目录 运行脚本即可完成转换 转换后的 YOLO 格式说明： 矩形框：类别索引 中心x 中心y 宽度 高度 分割掩码：类别索引 x1 y1 x2 y2 ... xn yn 所有坐标都是相对于图像宽高的归一化值（0-1 之间） 注意：脚本会自动处理 LabelMe 常见的形状类型，对于不支持的形状类型会给出警告并跳过。

2025-09-28

专注于 PNG 格式的高效压缩实现，它通过优化压缩策略和参数来达到最佳的压缩速度和效果平衡
这个 PNG 压缩工具的核心优势在于： 速度与压缩率平衡：通过默认使用压缩级别 6（而非最高的 9），在保持良好压缩效果的同时显著提升压缩速度 多线程处理：利用 CPU 多核特性，批量处理时自动使用最优线程数加速处理过程 智能优化： 自动优化图像色彩模式和调色板 移除不必要的元数据 对完全不透明的图像自动移除 Alpha 通道 无损保证：所有压缩操作都是无损的，不会改变图像的像素数据和分辨率 使用方法示例： # 快速压缩单个PNG文件 python fast_png_compressor.py image.png # 压缩整个目录的PNG文件 python fast_png_compressor.py ./images -o ./compressed_images # 优先考虑最高压缩率（可能较慢） python fast_png_compressor.py image.png --speed=False # 强制覆盖已存在的压缩文件 python fast_png_compressor.py image.png -f 使用前需安装依赖：pip install pillow 对于大多数 PNG 图像，这个工具能够在 1-2 秒内完成单张图像的压缩，并能减少 20%-50% 的文件体积，同时保持图像质量完全不变。批量处理时，多线程特性会显著提高处理效率。

2025-09-28

COCO 格式转换为 YOLO 格式的 Python 脚本，该脚本能够自动判断标注类型（矩形框或分割掩码）并进行相应转换
这个脚本的主要功能和特点： 自动判断标注类型：优先检查是否存在分割掩码 (segmentation)，如果存在则转换为 YOLO 的多边形格式；否则处理矩形框 (bbox) 坐标转换：将 COCO 的绝对坐标转换为 YOLO 要求的相对坐标（归一化到 0-1 范围） 生成类别文件：自动创建 classes.txt 文件，记录类别名称与索引的对应关系 进度显示：使用 tqdm 库显示转换进度 错误处理：自动跳过没有标注的图像 使用方法： 安装必要依赖：pip install tqdm 修改脚本中的三个路径变量： COCO_JSON_PATH：COCO 格式的 JSON 标注文件路径 IMAGES_DIR：图像文件所在目录 OUTPUT_LABELS_DIR：输出 YOLO 格式 txt 文件的目录 运行脚本 转换后的 YOLO 格式说明： 矩形框：class_idx center_x center_y width height 分割掩码：class_idx x1 y1 x2 y2 ... xn yn（多边形顶点坐标） 所有坐标都是相对于图像宽高的归一化值（0-1 之间） 注意：脚本假设 COCO 标注中的 segmentation 是多边形格式，如果有 RLE 格式的分割掩码，可能需要额外处理。

2025-09-28

统计目标检测 TXT 标签文件中类别分布并生成美观直方图的 Python 脚本
这个脚本的主要功能和特点： 核心功能： 统计指定目录下所有 YOLO 格式 TXT 标签文件中的类别分布 计算每个类别的数量及占比 生成美观的直方图进行可视化展示 可视化特点： 支持中文显示（自动配置中文字体） 柱状图上显示具体数值 包含网格线，便于读数 可自定义图表标题、大小和颜色 支持将图表保存为图片文件 使用方法： 修改TXT_DIR为你的标签文件所在目录 在CLASS_NAMES中定义你的数据集中的所有类别 可通过SAVE_PATH指定图表保存路径，设为 None 则仅显示不保存

2025-08-30

将 VOC 格式的 XML 标签转换为 YOLO 格式的 TXT 标签的 Python 脚本，包含函数化实现和类实例化实现两种方式
这个脚本提供了两种实现方式： 函数化实现： voc_to_yolo(): 转换单个 XML 文件为 YOLO 格式数据 save_yolo_data(): 将 YOLO 格式数据保存为 TXT 文件 convert_voc_dir_to_yolo(): 批量转换整个目录的 XML 文件 类实例化实现： VOC2YOLOConverter类封装了所有转换功能 提供了与函数对应但作为类方法的convert_xml()、save_txt()和convert_directory() 使用方法很简单： 修改CLASSES列表，使其包含您数据集中的所有类别 指定 VOC 格式 XML 文件所在目录和 YOLO 格式 TXT 文件的保存目录 选择使用函数式或类实例化的方式进行转换 脚本会自动处理边界框坐标的转换和归一化，并保持与原 XML 文件相同的文件名（仅扩展名改为.txt）。对于不在类别列表中的目标，脚本会自动跳过，不会将其转换到 YOLO 格式文件中。

2025-08-30

Yolov5结构图展示清晰易懂
YOLOv5算法本身非常优秀，随着其版本的迭代更新，网络各个模块对物体检测中的常见问题都做了一定的优化改进，本身就具有较好的工程实用性。 Input部分完成数据增强、自适应图片缩放、锚框计算等基本处理任务；Backbone部分作为主干网络，主要使用CSP结构提取出输入样本中的主要信息，以供后续阶段使用；Neck部分使用FPN及PAN结构，利用Backbone部分提取到的信息，加强特征融合；Prediction部分做出预测，并计算CIOU_Loss等损失值。 随着计算机视觉技术的不断发展，目标检测领域里的各种算法技术层出不穷，针对不同事物不同目标，我们需进行多方比较，进而择优选择。其中，YOLOv5算法，得益于速度快精度高而闻名，是一种经典且稳定的算法。 此份结构图，有助于大家了解yolov5模型的整体框架与架构，帮助大家理清原理熟悉源码设计。

2023-08-03

WizardCoder代码大语言模型论文研读+原理解析
《WizardCoder: Empowering Code Large Language Models with Evol-Instruct》代码大语言模型论文研读 Architecture：Decoder-Only Model Size：15B Evol-Instruct：1) Streamlined the evolutionary instructions by removing deepening, complicating input, and In-Breadth Evolving. 2) Simplified the form of evolutionary prompts by unifying the evolutionary prompt template. Huggingface：https://huggingface.co/WizardLM/WizardCoder-15B-V1.0

2023-08-03

Linux常用命令及操作技巧汇总
Linux版本，重要概念；使用终端，帮助命令和用法；文件与目录管理；文件查看命令，打包和压缩；权限管理设定。 重要部分：1）Vim文本编辑器：vim的设计理念是命令的组合。我们可以学习各种各样的文本间移动或跳转的命令和其他的普通模式的编辑命令；同时VIM与很多快捷键设置和正则表达式类似，可以辅助记忆。2）文本与文件查找：grep和find命令将会很便利。3）系统管理篇：服务状态的查询命令，服务配置文件的缩写，访问控制方式分类以及源代码编译安装等。4）硬盘分区：链接文件及挂载命令等；5）BASH方面：Shell脚本的如何使用，内部命令与外部命令；6）进程与内存的查看和调整，变量与环境变量查看；7）循环函数与正则表达式等基础语法。 样例展示：rm表示删除文件或目录，cp为复制文件或目录，ps来列出系统进程快照，kill用于终止进程，netstat实现展示系统网络连接和路由表信息，ping进行网络连接和延迟测试，tail可以显示文本文件尾部的行等。

2023-08-03

OCR基础之网络详解（文字检测+文字识别）
文字识别也是图像领域一个常见问题。然而，对于自然场景图像，首先要定位图像中的文字位置，然后才能进行识别。 所以一般来说，从自然场景图片中进行文字识别，需要包括2个步骤： 文字检测：解决的问题是哪里有文字，文字的范围有多少 文字识别：对定位好的文字区域进行识别，主要解决的问题是每个文字是什么，将图像中的文字区域进转化为字符信息。 CTPN是在ECCV 2016提出的一种文字检测算法。CTPN结合CNN与LSTM深度网络，能有效的检测出复杂场景的横向分布的文字，效果如下图，是目前比较好的文字检测算法。 现今基于深度学习的端到端OCR技术有两大主流技术：CRNN OCR和attention OCR。其实这两大方法主要区别在于最后的输出层（翻译层），即怎么将网络学习到的序列特征信息转化为最终的识别结果。这两大主流技术在其特征学习阶段都采用了CNN+RNN的网络结构，CRNN OCR在对齐时采取的方式是CTC算法，而attention OCR采取的方式则是attention机制。本部分主要介绍应用更为广泛的CRNN算法。

2023-07-06

深度学习抠图Composition-1k数据集
Adobe composition-1k数据集只包含alpha和fg（以及测试集中的trimap）。 文件内容包括如下： ├── adobe_composition-1k │ ├── Test_set │ │ ├── Adobe-licensed images │ │ │ ├── alpha │ │ │ ├── fg │ │ │ ├── trimaps │ ├── Training_set │ │ ├── Adobe-licensed images │ │ │ ├── alpha │ │ │ ├── fg │ │ ├── Other │ │ │ ├── alpha │ │ │ ├── fg 总的来说，数据集文件收集不易，但是完整的，总共体积大小为410MB左右，如果要合成图像的话还需要经过后续转换步骤，涉及COCO训练数据和VOC测试数据。

2023-04-14

《计算机视觉与图像处理》学习资料
计算机视觉与图像处理： 只需要基础的Python编程知识，了解Pytorch、TensorFlow等框架 就可以学些，有利于找工作就业。 1.涉及单阶段、双阶段目标检测算法、Deeplabv3+图像分割算法、服务端模型与移动端模型部署实战；2.算法原理及源码讲解、加速方法/技巧；3.三大项目实战，训练推理及部署落地等；4.《无人驾驶车道线分割》、《口罩实时检测》、《活体人脸身份识别》等应用，及输出C/C++的.so文件。

2022-07-12

TensorRT-7.2.2.3.Ubuntu-18.04.x86_64-gnu.cuda-11.0.cudnn8.0
TensorRT-7.2.2.3.Ubuntu-18.04.x86_64-gnu.cuda-11.0.cudnn8.0.tar.gz，安装tensorRT源码，适合cuda版本11.0 cudnn版本8.0

2022-05-15

YOLOv5实战+TensorRT部署+VS2019编译[全部软件下载]
使用TensorRT来加速部署YOLOv5项目，此文档中包含全部 软件及依赖库 在Win10系统上完成，需要用到的软件与依赖包有：cuda 10.2 , cudnn 7.6.5 , VS2019 , OpenCV 3.4.0 , Anaconda3 , CMake 3.19.4 , TensorRT 7 安装使用使用教程：https://blog.youkuaiyun.com/weixin_39588099/article/details/119994675?spm=1001.2014.3001.5502

2021-08-30

TensorRT-7.0.0.11.Ubuntu-16.04.x86_64-gnu.cuda-10.2.cudnn7.6
TensorRT-7.0.0.11.Ubuntu-16.04.x86_64-gnu.cuda-10.2.cudnn7.6.tar.gz 下载

2021-08-24

TensorRT-7.0.0.11.Windows10.x86_64.cuda-10.0.cudnn7.6.zip
TensorRT-7.0.0.11.Windows10.x86_64.cuda-10.0.cudnn7.6.zip 下载

2021-08-24

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章？
取消 删除