stsdddd-优快云博客

原创【yolov8&yolov5驾驶员抽烟-打电话-喝水-吃东西检测&疲劳驾驶检测&分心驾驶检测】

YOLOv8和YOLOv5是深度学习中用于目标检测的先进算法，它们在实时性和准确性方面表现出色，适用于各种视频监控和图像处理应用，包括驾驶员行为监测。这些算法通过单次前向传播即可预测图像中的目标位置和类别，使得它们非常适合于实时检测任务，如监测驾驶员是否在抽烟、打电话、喝水或吃东西等分心行为。例如，通过分析人脸和手部的位置关系、嘴部区域是否有烟雾特征等，可以判断驾驶员是否在抽烟或打电话。此外，模型可以被训练以识别手持物品（如手机、水瓶或食物）的动作，从而检测驾驶员是否在执行这些可能分散注意力的行为。

2024-04-27 22:18:37 3839

原创【 yolo红外微小无人机-直升机-飞机-飞鸟目标检测】

nc: 1数据集和模型可视化class: [‘Airplane’, ‘Bird’, ‘Drone’, ‘Helicopter’]可视化+nc: 1。

2024-03-23 10:07:16 5018

原创 YOLO系列目标检测数据集大全

YOLO系列目标检测数据集大全目标检测数据集无人机检测数据集飞鸟检测数据集人脸和口罩检测数据集安全帽检测数据集火焰检测数据集火焰和烟雾检测数据集行人检测数据集行人车辆检测数据集车辆检测数据集待更新……目标检测数据集无人机检测数据集数据集下载：飞鸟检测数据集人脸和口罩检测数据集安全帽检测数据集火焰检测数据集火焰和烟雾检测数据集行人检测数据集行人车辆检测数据集车辆检测数据集待更新…….....................

2022-04-17 16:30:17 176410 58

原创 YOLO算法坑洼目标检测数据集9240张：标注与配置说明

先对账：9240 张图，划分现成（训练集 6091 张，验证集 2094 张，测试集 1055 张）。1 个类别（坑洼）。整套数据的主线是道路路面坑洼的目标检测，通过多场景、多角度的图像采集，全面覆盖了不同环境下的坑洼特征。标注过程严格遵循标准流程，确保了数据的高质量和一致性，为模型的高效训练打下了不错的底子。实际能用上的场景包括交通基础设施管理、智能驾驶辅助系统以及道路养护机器人等领域，特别是在需要实时识别路面病害的场景中，能够显著提升道路安全性和维护效率。数字出来之后哪里差补哪里。

2026-11-08 11:11:01 56

原创 YOLO算法农作物叶片病害目标检测数据集9397张：标注类别核对清单

该数据集聚焦于多种重要经济作物的叶片病害识别，涵盖香蕉、花椰菜、马铃薯、水稻、大豆、甘蔗、茶叶、番茄及小麦等作物的典型病害与健康叶片样本，真实反映了农业生产中常见的植物病理特征。该数据集包含训练集8223张、验证集784张、测试集390张，总计9397张图像，分布结构合理，能够有效支持模型训练、参数调优与性能评估。该数据集在标注过程中采用统一标准，对每一片叶子的病害类型与健康状态进行精确框选与分类，标注边界清晰，类别归属准确，且部分图像配备色彩校正标板，提升了图像一致性与分析可靠性。

2026-11-07 11:11:19 163

原创 YOLO算法吸烟目标检测数据集10162张：数据底账与标注说明

这批图全部围绕室内休闲场景中的香烟目标检测，通过大量真实拍摄的图像，精准捕捉了不同人物在各种休闲环境下的吸烟行为。其高精度的标注和丰富的场景多样性，为研究和开发针对室内休闲场景的吸烟行为检测提供了坚实的基础。从数据分布来看，该数据集的训练集、验证集和测试集比例合理，总计10162张图像，从训练调参到最终评估都有数据可用。无论是手持香烟的姿态，还是烟雾的形态，都得到了准确的记录，这为后续的目标检测任务提供了高质量的训练素材。标注的高精准度不仅提升了模型的训练效果，也为实际应用中的误检率控制奠定了基础。

2026-10-31 10:48:55 167

原创 YOLO算法城市火灾场景火焰目标检测数据集10463张：标注核对笔记

该数据集包含训练集9156张、验证集872张、测试集435张，共计10463张图像，数据分布结构合理，训练样本充足，验证与测试集比例适中，能够有效支持模型训练过程中的性能评估与泛化能力检验，确保模型在实际部署中具备良好的稳定性与可靠性。落地场景大致有城市消防监控、森林防火预警、工业安全监测以及智能安防系统等领域，特别适用于需要实时识别火灾初期征兆的场景，如高层建筑、交通枢纽、易燃品仓库等关键场所，助力构建智能化火灾防控体系，提升公共安全水平。数据量、场景复杂度、标注质量三样都过关，这份数据可以直接开训；

2026-10-30 11:06:54 4

原创 YOLO算法农田水稻植株目标检测数据集10894张：标注数据说明

训练、验证、测试三份已经分好（训练集 9537 张，验证集 906 张，测试集 451 张）。该数据集在训练、验证与测试集之间实现了科学合理的分布，训练集包含9537张图像，验证集906张，测试集451张，总量达10894张，充分保障了模型训练的充分性与评估的可靠性，满足深度学习模型迭代优化的需求。该数据集的标注工作严格遵循规范流程，所有目标均基于实际作物形态进行框选，标注边界清晰准确，各类别区分明确，有效避免了误标与漏标现象，确保了数据的高一致性与专业性，为后续算法性能提升奠定了坚实基础。

2026-10-29 10:53:24 115

原创 YOLO算法城市道路头盔目标检测数据集11724张：标注与配置说明

想快速判断这份数据合不合用，建议先看标注样例图，再看最后一节的使用备忘；图像内容呈现了不同光照条件、天气环境和视角下的头盔佩戴状态，具备高度的现实代表性，适用于提升交通安全管理系统的智能化水平，为交通执法与安全预警提供可靠的数据支持。该数据集在训练集、验证集与测试集之间实现了合理分布，共计11724张图像，其中训练集包含8791张，验证集1955张，测试集978张。该数据集的标注工作严谨规范，所有头盔类目标均通过精确边界框进行标注，覆盖了不同款式、角度和遮挡情况下的头盔实例，包括全盔、半盔及运动型头盔等。

2026-10-26 11:02:34 178

原创 YOLO算法行人目标检测数据集12000张：标注类别核对清单

整套数据的主线是城市道路环境中的行人目标检测，通过多角度、多场景的采集，全面覆盖了白天与夜晚、晴天与雨雪等多种复杂天气条件下的行人特征。数据集包含12000张高质量图像，其中训练集10500张、验证集1000张、测试集500张，分布比例合理，能够有效支持模型的训练、调优与性能评估。同时，标注信息完整，包括行人位置、姿态等关键特征，有助于提升模型对复杂场景的适应能力。其丰富的场景覆盖和高质量的标注数据，能够有效提升行人检测算法在实际应用中的准确性和鲁棒性，为智慧城市建设和交通安全保障提供有力支持。

2026-10-25 11:11:49 86

原创 YOLO算法吸烟者目标检测数据集14274张：数据底账与标注说明

数据底账：14274 张图，1 个类别（吸烟者），训练集 11754 张，验证集 1680 张，测试集 840 张。这批图全部围绕夜间室内公共场所中吸烟者的检测，涵盖了多种场景下的吸烟行为，包括但不限于酒吧、KTV、休息室等。训练集包含11754张图像，验证集1680张，测试集840张，总计14274张。这种分布比例合理，能够充分保证模型在不同场景下的泛化能力，同时验证集和测试集的存在确保了模型评估的客观性和可靠性。标注规范统一，避免了歧义，为后续的模型训练和性能优化奠定了坚实基础。

2026-10-22 10:42:48 81

原创 YOLO算法注射器目标检测数据集14325张：标注与配置说明

这批图全部围绕医疗废弃物场景中的注射器目标检测，通过大量真实场景的图像采集，为医疗废物管理、公共卫生安全等领域提供了高质量的视觉识别数据支持。训练集在样本多样性上下了本钱，验证集用于模型调优，测试集则确保了评估的客观性，整体分布能够有效支撑深度学习模型的训练与性能验证。该数据集的标注工作严谨规范，所有注射器目标均采用精确的矩形框标注，且标注边界清晰，无重叠或遗漏现象。标注环节执行的是同一套标准操作流程，确保了数据的一致性和可靠性，为后续的目标检测任务奠定了坚实的基础。模型侧的打磨，等基线数字出来再说。

2026-10-21 10:45:41 71

原创 YOLO算法建筑工地安全帽目标检测数据集16881张：标注核对笔记

数据集中对安全帽和人员头部进行精确标注，充分体现了对工地安全监管需求的精准响应，具备高度的实用价值和行业针对性，为提升施工现场安全管理水平提供了可靠的数据支撑。该数据集在训练集、验证集和测试集之间实现了科学合理的分布，训练集包含14770张图像，验证集为1407张，测试集为704张，总量达16881张。安全帽与头部的识别准确率高，标注一致性良好，未出现明显遗漏或误标现象，体现出高质量的人工标注标准，为后续模型训练提供了坚实基础。这份数据的价值在「开箱能训」，省掉的是采集和标注的时间；

2026-10-20 10:45:11 153

原创 YOLO算法v11高空空域飞行器数据集22037张：标注核对笔记

训练、验证、测试三份已经分好（训练集 20078 张，验证集 1101 张，测试集 858 张）。该数据集在训练、验证与测试集之间实现了科学合理的分布，训练集包含20078张图像，验证集为1101张，测试集为858张，总量达22037张。这种分布结构充分保障了模型训练的充分性与评估的独立性，能够有效支持深度学习模型的稳定收敛与性能验证，确保算法在实际部署中的可靠性。该数据集聚焦于高空空域中各类飞行器的识别与检测，涵盖飞机、无人机、直升机及鸟类等目标，真实反映了复杂气象条件下的空中交通场景。

2026-10-18 13:26:21 167

原创 YOLO算法室内办公环境绝缘手套数据集2276张：标注数据说明

划分是现成的（训练集 1593 张，验证集 455 张，测试集 228 张），不用自己再切。从数据分布来看，该数据集合理划分了训练集（1593张）、验证集（455张）和测试集（228张），比例约为7:2:1，确保了模型训练、调优和评估的完整流程。整套数据的主线是室内办公场景中绝缘手套的目标检测任务，通过系统化的图像采集与标注，构建了高质量的训练样本。数据集包含2276张图像，覆盖了不同佩戴姿势、光照条件和背景干扰下的手套实例，为开发精准的手部防护装备检测模型提供了可靠的数据基础。

2026-10-14 11:03:21 173

原创 YOLO算法海上军事舰艇目标检测数据集2704张：数据底账与标注说明

训练集包含2394张图像，验证集200张，测试集110张，总计2704张。整套数据的主线是海上军事舰艇的目标检测任务，涵盖了航空母舰、两栖作战舰、护卫舰、驱逐舰及炮舰等多种核心检测目标。通过高精度标注和多样化场景覆盖，为舰艇识别与分类提供了高质量的数据支持，具有重要的军事应用价值。其精准的舰艇识别能力有助于提升海上巡逻效率、优化作战指挥决策，并为智能舰艇识别系统开发提供可靠的数据支撑，具有显著的行业应用前景。标注工作严谨规范，每艘舰艇均采用精确的边界框标注，并辅以清晰的文字标签，有效避免了误标或漏标现象。

2026-10-13 10:54:33 119

原创 YOLO算法室内家居墙壁与地板目标检测数据集2997张：标注数据说明

训练、验证、测试三份已经分好（训练集 2997 张，验证集 0 张，测试集 0 张）。这批图全部围绕室内家居环境中墙壁与地板的目标检测任务，涵盖了卧室、浴室、客厅、厨房等多种典型场景。在标注质量方面，该数据集展现了极高的精准度与规范性。每个目标都经过细致的人工标注，边界框精确贴合墙壁和地板的实际轮廓，有效避免了误检和漏检现象，为模型训练提供了可靠的数据保障。落地场景大致有智能家居系统开发、室内空间规划、虚拟现实建模以及房地产展示等多个行业领域，其高精度的检测结果能够显著提升相关应用的智能化水平和用户体验。

2026-10-12 10:47:55 197

原创工业车间手套佩戴检测数据集3373张：标注与配置说明

整套数据的主线是工业生产环境中的手套佩戴情况检测，通过多角度监控摄像头采集了大量真实场景下的工人操作画面。数据集包含3373张图像，覆盖了从包装到产品加工的多个工序环节，为实现智能化安全生产管理提供了高质量的数据基础。训练集2362张、验证集676张、测试集335张的分布比例合理，训练、调参、评估三个环节都覆盖到了。实际能用上的场景包括制造业、食品加工业等需要严格遵守劳动保护规范的行业，帮助实现对工人安全防护装备佩戴情况的实时监测，提升企业安全生产管理水平，降低工伤风险。模型侧的打磨，等基线数字出来再说。

2026-10-11 11:04:41 174

原创硬币与五金件检测数据集8419张：标注与配置说明

数据集的标注工作严谨规范，所有目标均采用精确的矩形框进行定位，并辅以清晰的文字标签进行分类。同时，针对不同背景下的目标特征，标注团队进行了细致的区分，有效避免了误标和漏标现象，为模型训练奠定了坚实的基础。这种划分方式确保了模型在训练阶段获得充分的学习样本，在验证阶段能够准确评估性能，并在测试阶段进行全面的泛化能力检验，为后续模型优化提供了可靠依据。其高精度的标注和多样化的场景覆盖，使得基于该数据集训练的模型能够快速适应实际生产环境，提升检测效率和准确性，为相关行业的智能化升级提供有力支持。

2026-10-10 11:09:49 224

原创 v11扑克牌数字检测数据集8992张实测：标注质量与划分比例一览

这套数据共 8992 张图，标了 15 个类别（零、一、十等）。划分已经做好：训练集 6295 张，验证集 1798 张，测试集 899 张。标签给了 YOLO 两种格式，data.yaml 里的路径也是配好的。下面按「数据长什么样 → 怎么训 → 怎么导出部署」的顺序过一遍，训练命令、关键超参和导出示例都是能直接复制跑的。

2026-10-09 23:46:26 193

原创 YOLO系列目标检测数据集大全【第五十八期】

本期YOLO系列目标检测数据集包含9个不同场景的数据集：工业轴承缺陷（4类，6561张）、篮球场人物装备（3类，9515张）、实验室锥形瓶（1类，199张）、办公安全设施（6类，401张）、城市涂鸦（1类，1392张）、篮球（1类，419张）、园林盆栽状态（5类，1000张）、罐头封口缺陷（1类，534张）、工业钢筋（1类，160张）。每个数据集均包含训练/验证/测试划分、yaml配置文件、样本标注图及下载方式，适用于工业检测、安防监控、体育分析等领域的目标检测任务开发。

2026-07-10 23:16:52 331 2

原创 YOLO系列目标检测数据集大全【第五十七期】

【代码】YOLO系列目标检测数据集大全【第五十七期】

2026-07-04 11:33:11 263

原创 YOLO系列目标检测数据集大全【第五十六期】

本文介绍了10个YOLO系列目标检测数据集，涵盖室内外多种场景。主要数据集包括：1377张门检测数据、1000张狐狸玩偶/大理石/托盘数据、503张工业涂层缺陷（起泡/粉化等）数据、913张黑色瓶子数据、1330张量筒液位读数数据、1146张汽车数据、9752张乡村行人数据、573张花椰菜数据、535张交通锥数据和904张室内火焰数据。每个数据集均提供YOLO格式标注和data.yaml配置，包含训练/验证/测试集划分及类别名称，适用于不同场景下的目标检测任务开发。（字数：150）

2026-07-02 22:39:01 402

原创 YOLO系列目标检测数据集大全【第五十五期】

【代码】YOLO系列目标检测数据集大全【第五十五期】

2026-06-30 22:32:19 251

原创 YOLO系列目标检测数据集大全【第五十五期】

本文汇总了9个YOLO系列目标检测数据集，涵盖多个应用场景。主要包括：(1)车辆牌照字符识别数据集(840张/36类)；(2)工业轮子检测数据集(1020张)；(3)橙子检测数据集(941张/2类)；(4)宠物洗发水瓶数据集(404张)；(5)洋葱检测数据集(1200张)；(6)手持设备检测数据集(834张/2类)；(7)成熟度草莓检测数据集(2535张/2类)；(8)金属板材缺陷检测数据集(3490张/14类缺陷)；(9)城市狗类检测数据集。每个数据集均提供训练/验证/测试集划分、类别说明、YAML配置及

2026-06-30 22:20:32 501

原创 YOLO系列目标检测数据集大全【第五十四期】

本文汇总了9个YOLO系列目标检测数据集，涵盖多个应用场景：摩托车头盔检测：1268张图像，标注头盔/无头盔状态厨房家电状态检测：3792张图像，识别家电开关状态及人员电路板检测：790张电子制造车间图像水果分拣检测：2973张图像，包含9种常见水果减速带检测：1000张道路监控俯视图安全帽检测：7035张建筑工地图像，区分安全帽与头部昆虫与物品检测：6703张图像，包含13类日常物品与昆虫交通锥检测：1144张道路施工场景图像夹克检测：1303张城市街道图像每个数据集均提供YOLO格式

2026-06-30 07:45:00 628

原创 YOLO系列目标检测数据集大全【第五十三期】

【代码】YOLO系列目标检测数据集大全【第五十三期】

2026-06-29 23:37:58 317

原创 YOLO系列目标检测数据集大全【第五十二期】

data.yaml配置：data.yaml配置：data.yaml配置：data.yaml配置：data.yaml配置：data.yaml配置：data.yaml配置：data.yaml配置：data.yaml配置：data.yaml配置：data.yaml配置：data.yaml配置：data.yaml配置：data.yaml配置：data.yaml配置：data.yaml配置：data.yaml配置：data.yaml配置：data

2026-06-27 22:14:08 411

原创 YOLO系列目标检测数据集大全【第五十一期】

本文介绍了10个基于YOLOv11的目标检测数据集，涵盖多个应用场景。包括室内办公桌拖鞋（159张）、工业车间万用表（661张）、健身房哑铃（394张）、游戏角色萨姆斯（1439张）、公共场所口罩（163张）、夜间足球场焰火（307张）、工业电源连接器（296张）、羽毛球拍（245张）、城市道路车辆（573张）和人造草坪足球（343张）。每个数据集均提供训练集、验证集和测试集划分，并包含YAML配置文件格式说明。这些数据集适用于不同领域的物体识别任务开发，帮助研究者快速获取特定场景下的标注数据资源。

2026-06-26 21:14:59 265

原创 YOLO系列目标检测数据集大全【第五十期】

本文介绍了9个基于YOLOv11的目标检测数据集，涵盖海洋污染监测、工业缺陷检测、室内外场景等多个应用领域。主要数据集包括：1）16,199张海底塑料污染监测数据集（8类）；2）134张工业缺陷检测数据集（大划痕/针/划痕3类）；3）1,000张港口船舶检测数据集；4）2039张海上船舶与浮标检测数据集（11类）；5）284张天空云层检测数据集。每个数据集均提供YOLO格式的标注文件、类别定义和data.yaml配置示例，适用于不同场景下的目标检测模型训练与验证。

2026-06-26 21:08:19 246

原创 YOLO系列目标检测数据集大全【第四十九期】

本文介绍了11个基于YOLOv11的目标检测数据集，涵盖交通、工业、自然、安防等多个领域。数据集包括：1) 181张交通信号灯数据；2) 140张工业切割器与孔检测数据；3) 1139张花园蛞蝓数据；4) 225张户外蛞蝓数据；5) 663张吸烟烟雾检测数据；6) 3272张天牛检测数据；7) 154张未穿围裙检测数据；8) 336张椰果成熟度检测数据（5类别）；9) 2695张水母检测数据；10) 347张办公场景笔检测数据。每个数据集均提供YAML配置文件、样本量和示例标注图，可直接用于YOLOv11模

2026-06-26 07:45:00 558

原创 YOLO系列目标检测数据集大全【第四十七期】

本文介绍了10个YOLOv11目标检测数据集，涵盖多个应用场景。主要包括：1）151张室内办公区域人员检测；2）147张塑料瓶质量检测（缺陷/良品）；3）6123张公共场所人脸与口罩检测；4）708张三文鱼食品检测；5）1089张工业场景人员及安全鞋检测；6）172张车间人员检测；7）495张夜间厂区可疑行为检测；8）2113张违法停车检测；9）670张便利店收银台交互行为检测；10）233张室内安防监控数据集。每个数据集均提供YAML配置、样本图片及下载方式，适用于不同场景的目标检测任务开发。

2026-06-25 22:36:41 713

原创 YOLO系列目标检测数据集大全【第四十八期】

本文汇总了8个YOLOv11目标检测数据集，涵盖多个应用场景：1）8057张深海海底生物数据集（海葵、海星）；2）568张公园行人宠物数据集（自行车、狗、人）；3）177张医疗用品数据集（创可贴、注射器）；4）4795张雾天道路数据集（车辆、行人）；5）284张工业裂缝检测数据集（裂缝、人员）；6）240张交通标志数据集（限速标志、信号灯等）；7）240张锥形旋转件数据集；8）629张足球检测数据集。每个数据集均提供标注示例、类别信息及yaml配置文件下载链接，适用于不同领域的计算机视觉任务开发。

2026-06-25 22:34:38 257

原创 YOLO系列目标检测数据集大全【第四十六期】

本期介绍了11个YOLOv11目标检测数据集，涵盖多个应用场景：1）草地散落纸张检测（203张）；2）室内安防未定义目标检测（904张）；3）夜间林地獾类检测（118张）；4）海底珊瑚礁生态监测（2693张，含海龟、垃圾等）；5）银行自助区门状态检测（103张）；6）工业设备缺陷检测（231张，含腐蚀、泄漏等）；7）铁路货运车厢检测（175张）；8）户外蛞蝓检测（1786张）；9）室内苍蝇检测（136张）；10）办公场景笔检测（108张）；11）深海海星检测（500张）。每个数据集均提供YAML配置和样例标

2026-06-24 20:45:00 484

原创 YOLO系列目标检测数据集大全【第四十五期】

本文介绍了7个YOLOv11目标检测数据集，涵盖卫星影像、工业车间、高尔夫球场、摄影棚、自然生态和城市街道等多个场景。数据集包括废弃建筑（225张）、工业盒子（300张）、高尔夫球（2266张）、摄影设备（1188张）、断裂部件（156张）、野外植被（200张）和校车（120张）等类别，均提供标注文件和数据配置。每个数据集包含训练集、验证集和测试集划分，支持目标检测任务。

2026-06-24 08:15:00 239

原创 YOLO系列目标检测数据集大全【第四十四期】

【代码】YOLO系列目标检测数据集大全【第四十四期】

2026-06-23 23:52:18 381

原创 YOLO系列目标检测数据集大全【第四十三期】

YOLO系列目标检测数据集第四十三期包含8个专用数据集，涵盖办公工具、医疗、安防、交通等多个领域。主要数据集包括：519张冲击钻检测图像、1892张罐子检测图像、332张孔雀检测图像、219张龋齿检测图像、288张安保人员检测图像、309张铁路道口多目标检测图像、7786张雾天交通检测图像以及166张电子元件缺陷检测图像。每个数据集均提供YAML配置文件、标注样本及详细分类信息，适用于不同场景下的目标检测任务。数据集按训练集、验证集和测试集划分，支持YOLOv11算法训练需求。

2026-06-23 23:50:11 622

原创 YOLO系列目标检测数据集大全【第四十二期】

本文汇总了YOLOv11系列10个目标检测数据集，涵盖工业、体育、安防、零售等多个场景。主要包括：1）100张轴承检测数据集；2）396张足球比赛裁判与球员检测数据集；3）3004张烟雾检测数据集；4）267张超市手推车检测数据集；5）132张铁路货运车厢数据集；6）4823张X光安检数据集（11类）；7）508张工业激光间隙检测数据集；8）2062张办公设备支架数据集；9）145张三轮车检测数据集；10）173张有机废弃物检测数据集。每个数据集均提供YAML配置文件、样本图片及下载链接，适用于不同领域的目

2026-06-22 22:16:36 477

原创 YOLO系列目标检测数据集大全【第四十一期】

【代码】YOLO系列目标检测数据集大全【第四十一期】

2026-06-22 22:11:32 699

原创 YOLO系列目标检测数据集大全【第四十期】

【代码】YOLO系列目标检测数据集大全【第四十期】

2026-06-21 21:08:48 380

YOLO算法扑克牌数字目标检测数据集-8992张-标注类别为零-一-十-十一-十二-十三-十四-二-三-四-五-六-七-八-九

YOLOv11扑克牌数字目标检测数据集目标类别：['0', '1', '10', '11', '12', '13', '14', '2', '3', '4', '5', '6', '7', '8', '9'] 中文类别：['零', '一', '十', '十一', '十二', '十三', '十四', '二', '三', '四', '五', '六', '七', '八', '九'] 训练集：6295 张验证集：1798 张测试集：899 张总计：8992 张该数据集提供了data.yaml文件，内容如下： train: ../train/images val: ../valid/images test: ../test/images nc: 15 names: ['0', '1', '10', '11', '12', '13', '14', '2', '3', '4', '5', '6', '7', '8', '9'] YOLOv11扑克牌数字目标检测数据集该数据集专注于扑克牌中的数字识别，通过在多样化场景下的拍摄，构建了一个高质量的训练样本集合。数据集涵盖了从室内桌面到户外自然环境的多种背景，确保了模型在不同光照和纹理条件下的鲁棒性。其核心检测目标为扑克牌上的数字，适用于需要精确数字识别的应用场景。数据集包含总计8992张图片，其中训练集6295张、验证集1798张、测试集899张。这种分布比例符合机器学习中常见的划分标准，能够有效支持模型的训练、调优和性能评估。训练集提供了丰富的样本多样性，验证集用于监控模型过拟合情况，测试集则用于最终性能的客观衡量，整体分布设计合理且科学。所有图像均经过精细标注，每个数字目标都被准确框选并分类。标注过程遵循统一的标准，确保了标签的精准性和一致性。多样化的背景和角度选择进一步提升了标注的复杂度和实用性，为模型学习数字的...

2026-08-05

YOLO算法工业车间手套佩戴目标检测数据集-3373张-标注类别为手套-无手套

YOLOv11工业车间手套佩戴目标检测数据集目标类别：['Gloves', 'NO-Gloves'] 中文类别：['手套', '无手套'] 训练集：2362 张验证集：676 张测试集：335 张总计：3373 张该数据集提供了data.yaml文件，内容如下： train: ../train/images val: ../valid/images test: ../test/images nc: 2 names: ['Gloves', 'NO-Gloves'] YOLOv11工业车间手套佩戴目标检测数据集该数据集专注于工业生产环境中的手套佩戴情况检测，通过多角度监控摄像头采集了大量真实场景下的工人操作画面。数据集包含3373张图像，覆盖了从包装到产品加工的多个工序环节，为实现智能化安全生产管理提供了高质量的数据基础。训练集2362张、验证集676张、测试集335张的分布比例合理，能够有效支持模型的训练、调优和性能评估。各子集在时间序列上具有良好的连续性，确保了模型学习到的时间动态特征的完整性。所有标注均采用统一的矩形框标准，标注人员经过专业培训，确保了标注的精准性和规范性。每个目标实例都得到了准确的位置和类别标记，为深度学习模型的高效训练提供了可靠保障。该数据集可广泛应用于制造业、食品加工业等需要严格遵守劳动保护规范的行业，帮助实现对工人安全防护装备佩戴情况的实时监测，提升企业安全生产管理水平，降低工伤风险。

2026-08-05

YOLO算法室内家居墙壁与地板目标检测数据集-2997张-标注类别为地板-墙壁

YOLOv11室内家居墙壁与地板目标检测数据集目标类别：['floor', 'wall'] 中文类别：['地板', '墙壁'] 训练集：2997 张验证集：0 张测试集：0 张总计：2997 张该数据集提供了data.yaml文件，内容如下： train: ../train/images val: ../valid/images test: ../test/images nc: 2 names: ['floor', 'wall'] YOLOv11室内家居墙壁与地板目标检测数据集该数据集专注于室内家居环境中墙壁与地板的目标检测任务，涵盖了卧室、浴室、客厅、厨房等多种典型场景。通过高精度标注，为智能家居、室内设计、空间分析等领域提供了高质量的视觉数据支持。从数据分布来看，该数据集包含2997张训练图像，完全满足深度学习模型的训练需求。合理的场景多样性分布确保了模型在不同室内环境下的泛化能力，为后续的实际应用奠定了坚实基础。在标注质量方面，该数据集展现了极高的精准度与规范性。每个目标都经过细致的人工标注，边界框精确贴合墙壁和地板的实际轮廓，有效避免了误检和漏检现象，为模型训练提供了可靠的数据保障。该数据集可广泛应用于智能家居系统开发、室内空间规划、虚拟现实建模以及房地产展示等多个行业领域，其高精度的检测结果能够显著提升相关应用的智能化水平和用户体验。

2026-08-05

YOLO算法室内办公环境绝缘手套目标检测数据集-2276张-标注类别为左侧绝缘手套-右侧绝缘手套

覆盖了不同佩戴姿势、光Y照O条L件O和v背1景1干扰室下内的办手公套环实境例绝，缘为手开套发目精标准检的测手数部据防集护装目备标检类测别模：[型'提L供了e可f靠t的数I据n基s础u。 l从a数t据i分o布n来看G，l该o数v据e集s合'理,划分'了R训i练g集h（1t5 9I3ns张u）l、a验t证i集o（4n5 5Gl张o）v和e测s试'集]（2 2中8文类张别）：，[比'例约左为侧7绝:缘2手:套'1,，确'保了右模侧型绝训缘练手、套'调]优和评训估练的集完：1整5流9程3。各子张集在验手证套集类：4型5、5佩戴方张式和测背试景集特：2征上2具8有良好张的分总布计一：2致2性7，6能够有张效支该持数模据型集的提泛供化了d能a力t验a证.。 ya在m标l注质文量件方，面内，容该如数下据：集展t现r了a极i高n的:专业.水.准/。t所r有a图i像n均/采i用m精a确g的e矩s形框v标a注l，:边界.框.严/格v贴a合l手i套d轮/廓i，m且a标g注e者s对左t右e手s区t分:清晰.准.确/。标t注e过s程t遵/循i统m一a规g范e，s确保n了c数:据的2一致n性a和m可e靠s性:，为[后'续L模e型f训t练奠I定n了s坚u实l基a础t。 io该n数据集G可l广o泛v应e用s于'电,力维'修R、i工g业h操t作等I需n要s手u部l防a护t的i场o景n，特G别l是o在v电e气s设'备]检修Y、O高L压O作v业1等1专业室领内域办。公其环高境精绝度缘的手检套测目能标力检有测助数于据提集升作该业数安据全集性专，注辅于助室智内能办穿公戴场设景备中开绝发缘，手并套为的工目业标安检全测监任控务系，统通提过供系可统靠化的的技图术像支采撑集。与标注，构建了高质量的训练样本。数据集包含2276张图像，覆盖了不同佩戴姿势、光照条件和

2026-08-05

YOLOv11垃圾分类回收站塑料金属纸张-标注类别为可降解物-纸板-玻璃-金属-纸张-塑料

YOLOv11垃圾分类回收站塑料金属纸张目标检测数据集目标类别：['BIODEGRADABLE', 'CARDBOARD', 'GLASS', 'METAL', 'PAPER', 'PLASTIC'] 中文类别：['可降解物', '纸板', '玻璃', '金属', '纸张', '塑料'] 训练集：14225 张验证集：2098 张测试集：1042 张总计：17365 张该数据集提供了data.yaml文件，内容如下： train: ../train/images val: ../valid/images test: ../test/images nc: 6 names: ['BIODEGRADABLE', 'CARDBOARD', 'GLASS', 'METAL', 'PAPER', 'PLASTIC'] 该数据集聚焦于城市生活垃圾分类场景，针对常见可回收物进行精细化标注，涵盖塑料、金属、纸张等典型材质，真实还原日常回收环境中的物品形态与摆放方式。数据采集覆盖多种光照条件与背景干扰，充分模拟实际分类作业中可能遇到的复杂情况，为智能分拣系统提供高质量视觉输入支持，具有显著的实用价值与推广潜力。该数据集在训练集、验证集与测试集之间实现了科学合理的分布，训练集包含14225张图像，验证集为2098张，测试集为1042张，总量达17365张。该比例结构确保模型在充分学习基础上具备良好的泛化能力，同时验证与测试环节能够有效评估模型性能，保障算法在不同阶段的稳定表现，符合大规模目标检测任务的数据划分标准。该数据集的标注工作严格遵循规范流程，所有目标均采用精确边界框标注，标注结果与图像内容高度一致，各类别区分清晰，无明显误标或漏标现象。尤其在多类物体共存的复杂图像中，标注边界准确贴合物体轮廓，体现高水平的人工标注质量，为后续模型训练提供了可靠的数据基础。该数据集适...

2026-07-31

YOLOv11人物目标检测数据集-1865张-标注类别为人物

YOLOv11人物目标检测数据集目标类别：['Persona'] 中文类别：['人物'] 训练集：1683 张验证集：182 张测试集：0 张总计：1865 张该数据集提供了data.yaml文件，内容如下： train: ../train/images val: ../valid/images test: ../test/images nc: 1 names: ['Persona'] YOLOv11城市街头与室内场景人物目标检测数据集该数据集涵盖了城市街头、商业街区、办公场所及室内生活等多种场景中的人物目标检测，具有广泛的应用价值。通过多样的场景设置和丰富的拍摄角度，能够有效提升模型在复杂环境下的目标识别能力，为智慧城市、安防监控及人机交互等领域提供高质量的训练数据支持。从数据分布来看，该数据集包含1683张训练集图像、182张验证集图像以及0张测试集图像，整体比例分配合理。训练集与验证集的比例约为9.25:1，能够充分满足模型训练与性能评估的需求，确保模型在不同场景下的泛化能力得到充分验证。该数据集的标注工作严谨规范，所有图像均经过人工精确标注，每个目标都配有清晰的边界框和统一的标签“Persona”。标注过程遵循严格的标准，确保了数据的高质量和一致性，为后续的模型训练和性能优化提供了可靠的基础。基于其多样化的场景覆盖和高质量的标注数据，该数据集可广泛应用于智慧城市管理、公共场所安防监控、智能零售分析以及家庭安防等多个领域。特别是在需要精准识别复杂环境中人物的目标检测任务中，该数据集能够显著提升模型的准确性和鲁棒性。

2026-07-31

YOLOv11注射器目标检测数据集-14325张-标注类别为注射器

YOLOv11注射器目标检测数据集目标类别：['syringe'] 中文类别：['注射器'] 训练集：12663 张验证集：794 张测试集：868 张总计：14325 张该数据集提供了data.yaml文件，内容如下： train: ../train/images val: ../valid/images test: ../test/images nc: 1 names: ['syringe'] YOLOv11医疗废弃物中注射器目标检测数据集该数据集专注于医疗废弃物场景中的注射器目标检测，通过大量真实场景的图像采集，为医疗废物管理、公共卫生安全等领域提供了高质量的视觉识别数据支持。数据集涵盖了多种使用环境下的注射器形态，包括临床废弃、非法丢弃以及回收处理等不同状态，具有广泛的适用性和代表性。从数据分布来看，该数据集包含14325张图像，其中训练集12663张、验证集794张、测试集868张，比例分配合理。训练集提供了丰富的样本多样性，验证集用于模型调优，测试集则确保了评估的客观性，整体分布能够有效支撑深度学习模型的训练与性能验证。该数据集的标注工作严谨规范，所有注射器目标均采用精确的矩形框标注，且标注边界清晰，无重叠或遗漏现象。标注人员严格遵循统一的标准操作流程，确保了数据的一致性和可靠性，为后续的目标检测任务奠定了坚实的基础。基于其专业性和实用性，该数据集可广泛应用于医疗废物智能分类系统、公共卫生监测平台以及非法注射器回收治理等多个领域，为提升医疗废弃物管理效率和保障公共环境卫生安全提供有力的技术支撑。

2026-07-29

YOLOv11烘焙食品分类目标检测数据集-3716张-标注类别为法棍-黑面包-面包-小圆面包-烤焦面包-熟面包-全麦面包-面包卷-无籽面包-长形面包-发酵面包-圆形面包-带籽面包-吐司-生面团-白面包

YOLOv11烘焙食品分类目标检测数据集目标类别：['baguette', 'black', 'bread', 'bun', 'burned', 'cooked', 'integral', 'loaf', 'no_seeds', 'oblong', 'raised', 'round', 'seeds', 'toast', 'uncooked', 'white'] 中文类别：['法棍', '黑面包', '面包', '小圆面包', '烤焦面包', '熟面包', '全麦面包', '面包卷', '无籽面包', '长形面包', '发酵面包', '圆形面包', '带籽面包', '吐司', '生面团', '白面包'] 训练集：3255 张验证集：260 张测试集：201 张总计：3716 张该数据集提供了data.yaml文件，内容如下： train: ../train/images val: ../valid/images test: ../test/images nc: 16 names: ['baguette', 'black', 'bread', 'bun', 'burned', 'cooked', 'integral', 'loaf', 'no_seeds', 'oblong', 'raised', 'round', 'seeds', 'toast', 'uncooked', 'white'] 该数据集聚焦于各类烘焙食品的视觉识别任务，涵盖从生面团到成品面包的多种形态与类型，真实还原了面包制作流程中的关键阶段。图像内容呈现多样化的面包种类、表面特征及烹饪状态，具备高度的场景真实性与多样性，适用于高精度分类与目标检测模型训练，为食品质量评估、自动化生产线监控等提供可靠的数据支持。该数据集包含3255张训练图像、260张验证图像和201张测试图像，共计3716张...

2026-07-29

YOLOv11海上作业平台无人机目标检测数据集-8850张-标注类别为无人机

YOLOv11海上作业平台无人机目标检测数据集目标类别：['0'] 中文类别：['无人机'] 训练集：8850 张验证集：0 张测试集：0 张总计：8850 张该数据集提供了data.yaml文件，内容如下： train: ../train/images val: ../valid/images test: ../test/images nc: 1 names: ['0'] 该数据集聚焦于海上作业平台及周边复杂环境下的无人机检测任务，涵盖多种典型场景如船舶甲板、海岸线、开阔海域以及工业设施区域。图像内容真实反映了实际作业中无人机在不同光照条件、天气状况和空间位置下的运行状态，具备高度的现实代表性与技术挑战性，为相关智能感知系统提供了高质量的视觉训练基础。该数据集包含8850张图像，全部纳入训练集，未划分验证集与测试集，整体结构集中于模型训练阶段的数据供给。这种设计适用于需要大规模样本进行深度学习模型初始化与优化的场景，确保模型能够充分学习到无人机在多变环境中的外观特征与空间分布规律，提升泛化能力。标注工作严格遵循目标检测标准，所有无人机均被准确框选并标记，边界框贴合目标轮廓，无明显偏移或遗漏现象。标注一致性高，覆盖了无人机在飞行、悬停、降落等多种姿态，且在复杂背景（如水面反光、建筑遮挡）下仍保持清晰识别，体现出高水平的标注规范性与专业性。该数据集可广泛应用于海洋监测、海上救援、港口安防、海事执法等领域的智能监控系统建设。尤其适用于需要在动态水体、高空视角及复杂地形条件下实现无人机自动识别与跟踪的场景，为自动化巡检、远程调度与安全预警提供可靠的技术支撑。

2026-07-29

YOLOv11室内安防刀具目标检测数据集-8528张-标注类别为刀

YOLOv11室内安防刀具目标检测数据集目标类别：['knife'] 中文类别：['刀'] 训练集：6829 张验证集：852 张测试集：847 张总计：8528 张该数据集提供了data.yaml文件，内容如下： train: ../train/images val: ../valid/images test: ../test/images nc: 1 names: ['knife'] 该数据集聚焦于室内环境中刀具的精准识别，涵盖多种典型场景如训练室、居家空间及公共区域，图像呈现多角度、多姿态的持刀行为，具备高度现实模拟性。通过真实环境下的多样化样本采集，有效支持对危险物品在复杂背景中的快速定位与判别，为安全监控系统提供可靠的数据支撑。该数据集包含6829张训练图像、852张验证图像和847张测试图像，总量达8528张，分布结构科学合理。训练集规模充足，保障模型充分学习各类刀具形态与使用情境；验证集与测试集比例均衡，确保模型评估的客观性与泛化能力，整体数据划分符合深度学习任务的标准流程。标注工作严格遵循目标检测规范，所有刀具均以绿色边界框精确标注，覆盖不同尺寸、角度与遮挡情况，标注边界紧贴物体轮廓，无明显偏移或漏标现象。图像中标签清晰可辨，标注一致性高，体现出高质量的人工标注流程与严谨的数据处理标准。该数据集适用于安防监控、公共场所安全检查、智能门禁系统等实际应用场景，尤其适合部署于需要实时识别潜在危险物品的场所，如学校、车站、机场及大型活动场地。其多样化的样本构成有助于提升系统在真实世界中的鲁棒性与响应效率，推动安全防护技术的智能化升级。

2026-07-28

YOLOv11水产加工车间鱼类与虾类目标检测数据集-9000张-标注类别为金头鲷-红海鲷-条纹红鲻鱼-黑海沙丁鱼-家马鲛-红鲻鱼-海鲈鱼-虾-鳟鱼

YOLOv11水产加工车间鱼类与虾类目标检测数据集目标类别：['Gilt-Head Bream', 'Red sea bream', 'Striped Red Mullet', 'black sea sprat', 'house mackerel', 'red mullet', 'sea bass', 'shrimp', 'trout'] 中文类别：['金头鲷', '红海鲷', '条纹红鲻鱼', '黑海沙丁鱼', '家马鲛', '红鲻鱼', '海鲈鱼', '虾', '鳟鱼'] 训练集：6295 张验证集：1796 张测试集：909 张总计：9000 张该数据集提供了data.yaml文件，内容如下： train: ../train/images val: ../valid/images test: ../test/images nc: 9 names: ['Gilt-Head Bream', 'Red sea bream', 'Striped Red Mullet', 'black sea sprat', 'house mackerel', 'red mullet', 'sea bass', 'shrimp', 'trout'] 该数据集聚焦于水产加工环节中常见鱼类与虾类的精准识别，真实还原了在蓝色操作台面上进行分拣、称重与质检的典型作业场景。图像中各类水产品形态清晰、标注明确，充分体现了实际生产环境中对物种分类的高精度需求，具备极强的行业针对性与实用价值。该数据集包含训练集6295张、验证集1796张、测试集909张，共计9000张图像，分布结构合理，能够有效支持模型的训练、调优与性能评估。各阶段样本数量充足且比例均衡，确保了模型在不同阶段的学习稳定性与泛化能力，为构建高性能检测系统提供了坚实的数据基础。标注工作严格遵循目标检测规范，所有实例均以精确...

2026-07-28

YOLOv11摩托车销售门店头盔目标检测数据集-6491张-标注类别为其他-其他-其他-其他-头盔-其他-其他

YOLOv11摩托车销售门店头盔目标检测数据集目标类别：['-', '- collaborate with your team on computer vision projects', '- understand and search unstructured image data', '- use active learning to improve your dataset over time', 'Helmet Detector - v4 2024-06-27 2-11pm', 'Roboflow is an end-to-end computer vision platform that helps you', 'visit https-github-com-roboflow-notebooks'] 中文类别：['其他', '其他', '其他', '其他', '头盔', '其他', '其他'] 训练集：3242 张验证集：1949 张测试集：1300 张总计：6491 张该数据集提供了data.yaml文件，内容如下： train: ../train/images val: ../valid/images test: ../test/images nc: 7 names: ['-', '- collaborate with your team on computer vision projects', '- understand and search unstructured image data', '- use active learning to improve your dataset over time', 'Helmet Detector - v4 2024-06-27 2-11pm', 'Roboflow is an end-to-...

2026-07-28

YOLOv11户外骑行头盔目标检测数据集-7515张-标注类别为头盔-其他

YOLOv11户外骑行头盔目标检测数据集目标类别：['helmet', 'pistol'] 中文类别：['头盔', '其他'] 训练集：6543 张验证集：732 张测试集：240 张总计：7515 张该数据集提供了data.yaml文件，内容如下： train: ../train/images val: ../valid/images test: ../test/images nc: 2 names: ['helmet', 'pistol'] 该数据集聚焦于户外骑行场景中各类头盔的精准识别，涵盖多种佩戴状态与环境条件下的头盔图像，具备高度的真实性和多样性。通过多角度、多光照、多背景的样本采集，充分反映了实际应用中的复杂情况，为头盔佩戴检测与安全监管提供了高质量的数据支持，具有显著的行业应用价值。该数据集在训练集、验证集和测试集之间实现了科学合理的分布，训练集包含6543张图像，验证集732张，测试集240张，总量达7515张。这种分布结构确保了模型训练的充分性与评估的可靠性，能够有效支撑深度学习模型的迭代优化与性能验证，满足高精度目标检测任务的需求。该数据集的标注工作严谨规范，所有头盔均经过精确框选，边界清晰，覆盖不同款式、颜色及佩戴方式的头盔类型，标注一致性高，无明显遗漏或误标现象。图像质量优良，分辨率适中，标注信息完整，为后续算法开发提供了坚实可靠的基础。该数据集可广泛应用于交通安全管理、共享单车运营、户外运动监控以及智能安防系统等领域，尤其适用于骑行人员头盔佩戴合规性检测场景。其丰富的样本覆盖能力使其能够有效提升相关系统的识别准确率与鲁棒性，助力实现智能化、自动化的安全监管体系构建。

2026-07-28

YOLOv11建筑工地安全帽与反光衣目标检测数据集-3848张-标注类别为安全帽-非安全帽-非反光衣-反光衣

YOLOv11建筑工地安全帽与反光衣目标检测数据集目标类别：['helmet', 'not_helmet', 'not_reflective', 'reflective'] 中文类别：['安全帽', '非安全帽', '非反光衣', '反光衣'] 训练集：3494 张验证集：301 张测试集：53 张总计：3848 张该数据集提供了data.yaml文件，内容如下： train: ../train/images val: ../valid/images test: ../test/images nc: 4 names: ['helmet', 'not_helmet', 'not_reflective', 'reflective'] 该数据集聚焦于建筑施工场景下的人员安全装备识别，涵盖多种典型工地环境，包括高空作业平台、施工现场通道、临时围挡区域及室内作业空间。图像中清晰标注了安全帽与反光衣的佩戴状态，能够有效支持对施工人员安全合规性的自动化监测，具有高度的行业针对性和实际应用价值。该数据集在训练、验证与测试集之间实现了合理分布，训练集包含3494张图像，验证集为301张，测试集为53张，总量达3848张。该分布结构充分保障了模型训练的充分性与评估的可靠性，有助于构建稳定且泛化能力强的检测系统，满足复杂工况下的持续学习与性能验证需求。该数据集的标注工作严谨规范，所有目标均基于可视化图像中的实际物体进行精确框选，标注边界紧贴目标轮廓，未出现明显偏移或遗漏。各类别标签与图像内容高度一致，尤其在多人密集场景下仍保持良好的区分度，体现了高质量的数据标注标准，为后续模型训练提供了坚实基础。该数据集可广泛应用于建筑施工、基础设施建设、能源工程等高风险作业领域的智能安防系统中，支持对现场人员是否正确佩戴安全帽与反光衣的实时监控。通过部署此类检测能力，可显著提升工地安全...

2026-07-28

YOLOv11建筑工地安全帽与人员目标检测数据集-16881张-标注类别为头部-安全帽-人员

YOLOv11建筑工地安全帽与人员目标检测数据集目标类别：['head', 'helmet', 'person'] 中文类别：['头部', '安全帽', '人员'] 训练集：14770 张验证集：1407 张测试集：704 张总计：16881 张该数据集提供了data.yaml文件，内容如下： train: ../train/images val: ../valid/images test: ../test/images nc: 3 names: ['head', 'helmet', 'person'] 该数据集聚焦于建筑施工场景，涵盖多种典型工地环境，包括高空作业平台、钢筋绑扎区域、设备操作区及现场管理区域，真实反映了复杂多变的施工现场条件。数据集中对安全帽和人员头部进行精确标注，充分体现了对工地安全监管需求的精准响应，具备高度的实用价值和行业针对性，为提升施工现场安全管理水平提供了可靠的数据支撑。该数据集在训练集、验证集和测试集之间实现了科学合理的分布，训练集包含14770张图像，验证集为1407张，测试集为704张，总量达16881张。这种分布结构确保了模型训练的充分性与评估的独立性，能够有效支持深度学习模型的稳定训练与性能验证，满足从模型开发到实际部署的全流程需求。该数据集的标注工作严谨规范，所有目标均基于可视化图像中的实际物体进行标注，标注框紧密贴合目标边界，尤其在复杂背景下仍保持高精度。安全帽与头部的识别准确率高，标注一致性良好，未出现明显遗漏或误标现象，体现出高质量的人工标注标准，为后续模型训练提供了坚实基础。该数据集可广泛应用于建筑行业安全管理领域，适用于智能监控系统、工地人员行为分析、安全合规性检查等具体场景。通过实时检测工人是否佩戴安全帽，可有效预防安全事故的发生，提升工地自动化监管能力。同时，也可拓展至交通建设、水利施工等类似高...

2026-07-28

YOLOv11室内环境玻璃瓶目标检测数据集-8979张-标注类别为棕色玻璃瓶-透明玻璃瓶-玻璃瓶

YOLOv11室内环境玻璃瓶目标检测数据集目标类别：['brown_glass_bottle', 'clear_glass_bottle', 'glass-bottle'] 中文类别：['棕色玻璃瓶', '透明玻璃瓶', '玻璃瓶'] 训练集：7812 张验证集：818 张测试集：349 张总计：8979 张该数据集提供了data.yaml文件，内容如下： train: ../train/images val: ../valid/images test: ../test/images nc: 3 names: ['brown_glass_bottle', 'clear_glass_bottle', 'glass-bottle'] 该数据集聚焦于室内环境中各类玻璃瓶的识别与定位，涵盖多种材质、颜色和形状的玻璃容器，适用于家庭、仓储、零售等场景下的物品管理与自动化识别需求。图像采集覆盖自然光照与人工照明条件，真实还原日常使用环境，具备良好的泛化能力与实际应用价值。该数据集包含训练集7812张、验证集818张、测试集349张，共计8979张图像，分布结构合理，能够有效支持模型训练、调优与性能评估。训练集规模充足，保障模型学习充分；验证集与测试集比例适中，确保评估结果的可靠性与代表性。标注工作严格按照目标边界框规范执行，所有玻璃瓶均被准确框选，标注清晰、无遗漏或误标现象。不同角度、姿态及背景下的玻璃瓶均能被有效识别，标注一致性高，为模型提供高质量的监督信号，显著提升检测精度与鲁棒性。该数据集可广泛应用于智能仓储管理系统、自动分拣设备、零售商品识别系统以及家庭安防监控等领域，尤其适用于需要对玻璃制品进行分类与追踪的工业与消费场景，具备良好的落地潜力与实用前景。

2026-07-28

YOLOv11室内公共场所帽子目标检测数据集-4332张-标注类别为帽子

YOLOv11室内公共场所帽子目标检测数据集目标类别：['Hat'] 中文类别：['帽子'] 训练集：4110 张验证集：118 张测试集：104 张总计：4332 张该数据集提供了data.yaml文件，内容如下： train: ../train/images val: ../valid/images test: ../test/images nc: 1 names: ['Hat'] 该数据集聚焦于室内公共场所中人员佩戴帽子的检测任务，涵盖游泳馆、展厅入口、办公大厅等典型场景，具有高度的真实性和多样性。图像采集环境覆盖多种光照条件与人群密度，充分体现了实际应用中的复杂性与挑战性，为构建高鲁棒性的视觉识别系统提供了坚实基础。通过多角度、多时段的监控画面，该数据集有效支持对特定穿戴特征的精准识别与行为分析，具备显著的应用价值。该数据集在训练、验证与测试集之间实现了科学合理的划分，其中训练集包含4110张图像，验证集118张，测试集104张，总量达4332张。这种分布结构确保了模型在充分学习的基础上进行有效评估，同时保留足够的样本用于性能验证，符合深度学习项目对数据集规模与结构的基本要求，有利于模型的稳定训练与泛化能力提升。该数据集的标注工作严谨规范，所有“Hat”类目标均以精确边界框形式标注，且标注位置与实际物体高度一致，尤其在多人密集区域仍保持良好的区分度与一致性。标注信息清晰可读，标签与图像内容匹配准确，未发现明显误标或漏标现象，体现出高质量的数据处理流程和专业标注标准，为后续模型训练提供了可靠依据。该数据集适用于安防监控、人流管理、公共设施运营等多个行业领域，特别是在需要识别特定穿戴特征的场景中具有广泛落地潜力，如场馆准入管理、特殊岗位人员识别、公共安全预警等。其多样化的场景覆盖和精准的标注质量，使其成为推动智能视觉系统在实际环境中部署的重要资源...

2026-07-27

YOLOv11城市道路车牌目标检测数据集-9572张-标注类别为车牌

YOLOv11城市道路车牌目标检测数据集目标类别：['License Plate'] 中文类别：['车牌'] 训练集：7778 张验证集：979 张测试集：815 张总计：9572 张该数据集提供了data.yaml文件，内容如下： train: ../train/images val: ../valid/images test: ../test/images nc: 1 names: ['License Plate'] 该数据集聚焦于城市道路环境中车辆后部车牌的识别与检测，涵盖多种光照条件、天气环境及车辆类型，真实反映了实际交通场景下的复杂性。数据采集覆盖白天、夜间、雨天等多种典型驾驶环境，确保模型在多样化现实条件下具备良好的泛化能力，为智能交通系统提供可靠的数据支持。该数据集包含训练集7778张、验证集979张、测试集815张，共计9572张图像，分布结构合理，能够有效支撑模型训练、调优与性能评估。训练集规模充足，保障模型充分学习各类车牌特征；验证集与测试集比例适中，有助于准确衡量模型在未见样本上的表现，整体数据划分科学严谨。该数据集标注工作细致规范，所有车牌均通过可视化标注工具精确框选，边界紧贴实际区域，无明显偏移或漏标现象。标注信息清晰可辨，涵盖不同尺寸、角度、遮挡程度的车牌实例，体现高度一致的标注标准与专业水准，为后续算法开发提供高质量基础。该数据集适用于智能交通管理、停车场自动化收费、车辆身份识别、交通执法监控等多个领域，尤其适合部署于城市道路监控系统、高速公路出入口、大型停车场等需要高效车牌识别的场景，具备广泛的实际应用价值和落地潜力。

2026-07-27

YOLOv11城市道路车牌目标检测数据集-5553张-标注类别为车牌

YOLOv11城市道路车牌目标检测数据集目标类别：['License_Plate'] 中文类别：['车牌'] 训练集：5100 张验证集：432 张测试集：21 张总计：5553 张该数据集提供了data.yaml文件，内容如下： train: ../train/images val: ../valid/images test: ../test/images nc: 1 names: ['License_Plate'] 该数据集聚焦于城市道路环境中各类车辆的车牌识别任务，涵盖多种车型与复杂交通场景，包括白天与夜间、城市街道、停车场及隧道等典型环境。图像中清晰标注了不同角度、光照条件和遮挡情况下的车牌位置，充分体现了实际交通监控系统对高精度车牌检测的需求，具备高度的现实应用价值。该数据集在训练、验证与测试集之间实现了科学合理的划分，训练集包含5100张图像，验证集为432张，测试集为21张，整体共计5553张。这种分布结构确保了模型在充分学习基础上进行有效评估，同时保留足够样本用于最终性能验证，符合深度学习项目对数据集规模与结构的基本要求。该数据集的标注工作严谨规范，所有车牌均通过绿色边界框精确标注，覆盖了正向、侧向、俯视等多种视角，且标注框紧贴车牌边缘，未出现明显偏移或漏标现象。图像质量较高，多数场景下车牌文字清晰可辨，标注一致性良好，为后续模型训练提供了高质量的监督信号。该数据集适用于智能交通管理系统、城市安防监控、停车场自动识别、高速公路收费管理等多个行业领域。其多样化的场景覆盖能力使其能够支持在复杂城市环境中实现高效、准确的车牌识别，助力实现交通流量分析、违章行为追踪与车辆身份管理等智能化应用。

2026-07-27

YOLOv11城市道路头盔目标检测数据集-11724张-标注类别为其他-头盔

YOLOv11城市道路头盔目标检测数据集目标类别：['-', 'helmet detect - v8 2023-12-06 2-13am'] 中文类别：['其他', '头盔'] 训练集：8791 张验证集：1955 张测试集：978 张总计：11724 张该数据集提供了data.yaml文件，内容如下： train: ../train/images val: ../valid/images test: ../test/images nc: 2 names: ['-', 'helmet detect - v8 2023-12-06 2-13am'] 该数据集聚焦于城市道路环境中行人与骑行人员佩戴头盔的识别任务，涵盖多种真实交通场景，包括街道、路口、人行道及摩托车行驶区域。图像内容呈现了不同光照条件、天气环境和视角下的头盔佩戴状态，具备高度的现实代表性，适用于提升交通安全管理系统的智能化水平，为交通执法与安全预警提供可靠的数据支持。该数据集在训练集、验证集与测试集之间实现了合理分布，共计11724张图像，其中训练集包含8791张，验证集1955张，测试集978张。该划分方式确保了模型训练过程中的充分学习能力，同时保障了验证与测试阶段的独立性与评估有效性，有利于构建稳定且泛化能力强的目标检测模型。该数据集的标注工作严谨规范，所有头盔类目标均通过精确边界框进行标注，覆盖了不同款式、角度和遮挡情况下的头盔实例，包括全盔、半盔及运动型头盔等。标注框贴合物体轮廓，未出现明显偏移或漏标现象，体现出高质量的人工标注标准，为后续模型训练提供了坚实基础。该数据集可广泛应用于城市交通管理、智能安防监控以及共享出行平台等领域，尤其适用于电动自行车、摩托车骑行人员的安全合规性检测系统。通过部署基于该数据集训练的检测模型，可在路口、停车场、交通枢纽等关键位置实现对头盔佩戴行为的实...

2026-07-26

YOLO26算法体育场赛事直播足球目标检测+训练好的模型+230张数据集+pyqt可视化界面-sts

资源详情页末尾有标注可视化效果展示。YOLO26算法体育场赛事直播足球目标检测+训练好的模型+230张数据集+pyqt可视化界面本资源由 sts 账号整理发布，标注齐全，开箱可训。

2026-11-08

YOLO26算法体操跳马器材识别+训练好的模型+161张数据集+pyqt可视化界面-sts

文末有数据集可视化效果，供参考。YOLO26算法体操跳马器材识别+训练好的模型+161张数据集+pyqt可视化界面sts 账号整理版本，标签格式规范，可直接投入训练。

2026-11-08

YOLO26算法人行道识别+训练好的模型+349张数据集+pyqt可视化界面-sts

资源详情页末尾有标注可视化效果展示。YOLO26算法人行道识别+训练好的模型+349张数据集+pyqt可视化界面本资源由 sts 账号整理发布，标注齐全，开箱可训。

2026-11-07

YOLO26算法人群密度检测+训练好的模型+260张数据集+pyqt可视化界面-sts

页面末尾附数据集可视化效果图。YOLO26算法人群密度检测+训练好的模型+260张数据集+pyqt可视化界面sts 账号出品：含完整标签文件与可视化效果截图。

2026-11-07

YOLO26算法人体动作识别+训练好的模型+452张数据集+pyqt可视化界面-sts

资源详情页末尾有标注可视化效果展示。YOLO26算法人体动作识别+训练好的模型+452张数据集+pyqt可视化界面由 sts 账号整理上传，附数据集可视化预览图。

2026-11-06

YOLO26算法交通隔离柱识别+训练好的模型+410张数据集+pyqt可视化界面-sts

详情页末尾附可视化效果，可参考。YOLO26算法交通隔离柱识别+训练好的模型+410张数据集+pyqt可视化界面sts 账号出品：含完整标签文件与可视化效果截图。

2026-11-05

YOLO26算法产线产品检测+训练好的模型+779张数据集+pyqt可视化界面-sts

页面末尾附数据集可视化效果图。YOLO26算法产线产品检测+训练好的模型+779张数据集+pyqt可视化界面sts 账号整理版本，标签格式规范，可直接投入训练。

2026-11-03

YOLO26算法产线人员与线缆+训练好的模型+100张数据集+pyqt可视化界面-sts

页面末尾有可视化效果。YOLO26算法产线人员与线缆+训练好的模型+100张数据集+pyqt可视化界面本资源由 sts 账号整理发布，标注齐全，开箱可训。

2026-11-02

YOLO26算法交通锥颜色分类+训练好的模型+1302张数据集+pyqt可视化界面-sts

页面末尾附数据集可视化效果图。YOLO26算法交通锥颜色分类+训练好的模型+1302张数据集+pyqt可视化界面由 sts 账号整理上传，附数据集可视化预览图。

2026-11-01

YOLO26算法交通运输场景识别+训练好的模型+304张数据集+pyqt可视化界面-sts

详情页末尾附可视化效果，可参考。YOLO26算法交通运输场景识别+训练好的模型+304张数据集+pyqt可视化界面sts 账号出品：含完整标签文件与可视化效果截图。

2026-10-31

YOLO26算法交通信号灯颜色识别+训练好的模型+138张数据集+pyqt可视化界面-sts

资源详情页末尾有标注可视化效果展示。YOLO26算法交通信号灯颜色识别+训练好的模型+138张数据集+pyqt可视化界面本资源由 sts 账号整理发布，标注齐全，开箱可训。

2026-10-31

YOLO26算法五金紧固件分类+训练好的模型+2842张数据集+pyqt可视化界面-sts

详情页末尾附可视化效果，可参考。YOLO26算法五金紧固件分类+训练好的模型+2842张数据集+pyqt可视化界面本资源由 sts 账号整理发布，标注齐全，开箱可训。

2026-10-30

YOLO26算法交通信号灯与吸烟行为+训练好的模型+328张数据集+pyqt可视化界面-sts

页面末尾附数据集可视化效果图。YOLO26算法交通信号灯与吸烟行为+训练好的模型+328张数据集+pyqt可视化界面由 sts 账号整理上传，附数据集可视化预览图。

2026-10-29

YOLO26算法二维码识别+训练好的模型+1281张数据集+pyqt可视化界面-sts

详情页末尾附可视化效果，可参考。YOLO26算法二维码识别+训练好的模型+1281张数据集+pyqt可视化界面本资源由 sts 账号整理发布，标注齐全，开箱可训。

2026-10-28

YOLO26算法RFID标签缺陷检测+训练好的模型+523张数据集+pyqt可视化界面-sts

页面底部可见数据集可视化效果示意。YOLO26算法RFID标签缺陷检测+训练好的模型+523张数据集+pyqt可视化界面sts 账号出品：含完整标签文件与可视化效果截图。

2026-10-28

YOLO26算法RFID读写设备识别+训练好的模型+996张数据集+pyqt可视化界面-sts

文末有数据集可视化效果，供参考。YOLO26算法RFID读写设备识别+训练好的模型+996张数据集+pyqt可视化界面sts 账号出品：含完整标签文件与可视化效果截图。

2026-10-27

YOLO26算法AGV小车识别+训练好的模型+164张数据集+pyqt可视化界面-sts

下拉到页面末尾可见数据集可视化效果。YOLO26算法AGV小车识别+训练好的模型+164张数据集+pyqt可视化界面本资源由 sts 账号整理发布，标注齐全，开箱可训。

2026-10-26

YOLO26算法PPT演示文稿版面元素识别+训练好的模型+3394张数据集+pyqt可视化界面-sts

下拉到页面末尾可见数据集可视化效果。YOLO26算法PPT演示文稿版面元素识别+训练好的模型+3394张数据集+pyqt可视化界面sts 账号整理版本，标签格式规范，可直接投入训练。

2026-10-26

YOLO26算法AGV小车编号识别+训练好的模型+199张数据集+pyqt可视化界面-sts整理版

页面末尾附数据集可视化效果图。YOLO26算法AGV小车编号识别+训练好的模型+199张数据集+pyqt可视化界面sts 账号整理版本，标签格式规范，可直接投入训练。

2026-10-25

YOLOv11室内环境垃圾识别目标检测数据集-5980张-标注类别为非垃圾-垃圾

YOLOv11室内环境垃圾识别目标检测数据集目标类别：['not trash', 'trash'] 中文类别：['非垃圾', '垃圾'] 训练集：4812 张验证集：1162 张测试集：6 张总计：5980 张该数据集提供了data.yaml文件，内容如下： train: ../train/images val: ../valid/images test: ../test/images nc: 2 names: ['not trash', 'trash'] 该数据集聚焦于室内环境中常见物品的分类与识别，涵盖手机、文具、烟头及包装废弃物等典型对象，通过明确标注“垃圾”与“非垃圾”两类目标，构建了高实用价值的视觉识别基准。其应用场景覆盖公共场所卫生管理、智能垃圾分类系统开发以及室内环境监控等多个领域，为自动化识别技术提供了真实且多样化的样本支持。该数据集包含训练集4812张、验证集1162张、测试集6张，共计5980张图像，分布结构合理，能够有效支撑模型训练与性能评估。训练集规模充足，确保模型具备充分的学习能力；验证集数量适中，可用于调优参数与防止过拟合；测试集虽小但具有代表性，可作为最终性能验证的参考依据，整体构成符合标准数据集建设规范。该数据集的标注工作严谨细致，所有目标均以边界框形式精确标注，标注范围清晰、边界准确，未出现明显错标或漏标现象。各类别标签与实际物体高度一致，尤其在复杂背景下仍能保持良好的标注一致性，体现出较高的标注质量与专业性，为后续模型训练提供了可靠的数据基础。该数据集可广泛应用于智慧城市、公共设施管理、环保监测等领域，特别适用于自动垃圾分类设备、室内清洁机器人、公共场所行为监控系统等智能化场景。其对日常物品的精准区分能力，有助于提升环境治理效率，推动绿色可持续发展，具备显著的行业落地潜力与社会应用价值。

2026-09-13

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人