首页 > 其他分享 >目标检测应用场景—数据集【NO.2】自动售卖机商品数据集

目标检测应用场景—数据集【NO.2】自动售卖机商品数据集

时间:2024-06-19 10:28:41浏览次数:22  
标签:kele 烤磨 维他 kaomo 售卖机 NO.2 数据 可乐

目标检测应用场景—数据集【NO.2】自动售卖机商品数据集

在前面:数据集对应应用场景,不同的应用场景有不同的检测难点以及对应改进方法,本系列整理汇总领域内的数据集,方便大家下载数据集今天分享一个非常好的非常小众的研究方向,有应用创新,可有利于发小论文和大论文,有需要的朋友可私信我。

数据集下载:

链接:https://pan.baidu.com/s/1beDE4vSi7bu-9efJhyA5cQ?pwd=oowu
提取码:oowu

数据集介绍:

话不多说直接上图:图像数据集样本图如下所示 ,分为112个类别 ,具体类别如下 :
3jia2: 三加二
aerbeisi: 阿尔贝斯
anmuxi: 安慕希
aoliao: 傲丽奥
asamu: 阿萨姆
baicha: 白茶
baishikele: 百事可乐
baishikele-2: 百事可乐-2
baokuangli: 宝矿力
binghongcha: 冰红茶
bingqilinniunai: 冰淇淋牛奶
bingtangxueli: 冰糖雪梨
buding: 步定
chacui: 茶粹
chapai: 茶牌
chapai2: 茶牌2
damaicha: 大麦茶
daofandian1: 稻饭店1
daofandian2: 稻饭店2
daofandian3: 稻饭店3
daofandian4: 稻饭店4
dongpeng: 东鹏
dongpeng-b: 东鹏-B
fenda: 芬达
gudasao: 古达嫂
guolicheng: 果粒橙
guolicheng2: 果粒橙2
haitai: 海苔
haochidian: 好吃点
haoliyou: 好利友
heweidao: 喝味道
heweidao2: 喝味道2
heweidao3: 喝味道3
hongniu: 红牛
hongniu2: 红牛2
hongshaoniurou: 红烧牛肉
jianjiao: 健教
jianlibao: 健力宝
jindian: 金典
kafei: 咖啡
kaomo_gali: 烤磨咖啡
kaomo_jiaoyan: 烤磨胶燕
kaomo_shaokao: 烤磨烧烤
kaomo_xiangcon: 烤磨香醇
kebike: 可比克
kele: 可乐
kele-b: 可乐-B
kele-b-2: 可乐-B-2
laotansuancai: 老坛酸菜
liaomian: 撩面
libaojian: 立宝健
lingdukele: 零度可乐
lingdukele-b: 零度可乐-B
liziyuan: 立姿源
lujiaoxiang: 鹿角香
lujikafei: 鹿记咖啡
luxiangniurou: 卤香牛肉
maidong: 脉动
mangguoxiaolao: 芒果小鲁
meiniye: 美年夜
mengniu: 蒙牛
mengniuzaocan: 蒙牛早餐
moliqingcha: 茉莉清茶
nfc: NFC
niudufen: 牛肚粉
niunai: 牛奶
nongfushanquan: 农夫山泉
qingdaowangzi-1: 青岛王子-1
qingdaowangzi-2: 青岛王子-2
qinningshui: 清凝水
quchenshixiangcao: 曲尘食香草
rancha-1: 燃茶-1
rancha-2: 燃茶-2
rousongbing: 肉松饼
rusuanjunqishui: 乳酸菌奇水
suanlafen: 酸辣粉
suanlaniurou: 酸辣牛肉
taipingshuda: 太平鼠标
tangdaren: 糖大人
tangdaren2: 糖大人2
tangdaren3: 糖大人3
ufo: UFO
ufo2: UFO2
wanglaoji: 王老吉
wanglaoji-c: 王老吉-C
wangzainiunai: 旺仔牛奶
weic: 味C
weitanai: 维他奶
weitanai2: 维他奶2
weitanaiditang: 维他奶嘀嗒
weitaningmeng: 维他柠檬
weitaningmeng-bottle: 维他柠檬-瓶
weiweidounai: 伟伟豆奶
wuhounaicha: 午后奶茶
wulongcha: 乌龙茶
xianglaniurou: 香辣牛肉
xianguolao: 香果老
xianxiayuban: 鲜虾鱼板
xuebi: 雪碧
xuebi-b: 雪碧-B
xuebi2: 雪碧2
yezhi: 椰汁
yibao: 益宝
yida: 怡达
yingyangkuaixian: 营养快线
yitengyuan: 怡藤源
youlemei: 优乐美
yousuanru: 优酸乳
youyanggudong: 优羊羊糕冻
yuanqishui: 源气水
zaocanmofang: 早餐模仿
zihaiguo: 紫海果

可以通过利用目标检测算法检测出的地方,可以应用在一些模型研究、毕设中等。

训练集的数据集一共 5422 张图片。原数据集格式为xml格式
JPEGImages文件夹下为原图
Annotations 文件夹下为xml格式的标签
在这里插入图片描述

数据集展示:

在这里插入图片描述

识别展示:

在这里插入图片描述

标签:kele,烤磨,维他,kaomo,售卖机,NO.2,数据,可乐
From: https://blog.csdn.net/qq_34773082/article/details/139677523

相关文章

  • 【数据结构】顺序表
    Hi~!这里是奋斗的小羊,很荣幸您能阅读我的文章,诚请评论指点,欢迎欢迎~~......
  • 关于MySQL数据库基础学习心得与体会
    引言在当今的信息化时代,数据已经成为企业和社会运行的重要驱动力。作为数据的载体,数据库管理系统(DBMS)扮演着至关重要的角色。MySQL作为最流行的开源关系型数据库管理系统之一,因其高性能、可靠性、易用性等特点,被广泛应用于各种规模的系统中。在学习了MySQL数据库基础课程之后,......
  • Java与React轻松导出Excel/PDF数据
    前言在B/S架构中,服务端导出是一种高效的方式。它将导出的逻辑放在服务端,前端仅需发起请求即可。通过在服务端完成导出后,前端再下载文件完成整个导出过程。服务端导出具有许多优点,如数据安全、适用于大规模数据场景以及不受前端性能影响等。本文将使用前端框架React和服务端框架S......
  • 255页10万字大数据中心架构、存储、基础设施建设和运维方案WORD(文末附123相关资料下载
    原文《大数据中心架构、大数据存储、数据中心基础设施建设和运维方案》更多参考资料及相关文档下载见文末​大数据中心架构是一个集数据存储、处理、分析和管理于一体的综合性平台。其设计旨在实现高效的数据吞吐、稳定的运行性能和灵活的资源扩展。整个架构采用分层设计,......
  • 从十四五看数字化转型(数字化转型、企业数据治理、企业数字化架构、AI介绍)PPT
    主要从•十四五数字化规划要点•数字化转型•企业数据治理•人工智能(AI)介绍等进行建设。共99页,本文仅对主要内容进行介绍。•统一数据平台包含三个方面:统一的数据分析平台、集中的数据管控组织、统一的数据管控工具,其中,统一的数据分析平台是组织和工具发挥作用的基础和核......
  • 基于数字化转型战略的企业数据治理方法论与顶层设计思路
    **基于数字化转型战略的企业数据治理方法论与顶层设计思路****一、数字化转型战略概述**在全球化与信息化的双重驱动下,数字化转型已成为企业发展的重要战略方向。数字化转型不仅涉及技术的升级与变革,更涵盖了企业业务模式、组织架构、文化理念等多方面的深刻转型。通过数字......
  • Python做点击率数据预测
    点击率(Click-ThroughRate,CTR)预测是推荐系统、广告系统和搜索引擎中非常重要的一个环节。在这个场景中,我们通常需要根据用户的历史行为、物品的特征、上下文信息等因素来预测用户点击某个特定物品(如广告、推荐商品)的概率。1.点击率数据预测以下是一个简化的点击率预测示例,......
  • C++数据格式化3 - 格式化时间区间(使用时长)
    1.关键词2.strfmt.h3.strfmt.cpp4.测试代码5.运行结果6.源码地址1.关键词关键字:C++数据格式化字符串处理std::string时间区间跨平台应用场景:想对一个时间区间(如用时:2000s)进行格式化,转化成人类易读的时分秒的格式。2.strfmt.h#pragmaonce#include......
  • C++数据格式化4 - 格式化时间戳
    1.关键词2.strfmt.h3.strfmt.cpp4.测试代码5.运行结果6.源码地址1.关键词C++数据格式化字符串处理std::string时间戳跨平台2.strfmt.h#pragmaonce#include<string>#include<cstdint>#include<sstream>#include<iomanip>#include"timeutil.h&quo......
  • 带注意力的LSTM翻译模型:在数据流动和维度变化中分析原理和核心代码
    同步发布于公众号:依古比古很无聊前言本文以CS224n课程中assignment4的代码和数据作为基础,探讨基于注意力的LSTM机器翻译模型。笔者认为,只有摸清了一个模型从输入到输出过程中的数据维度变化及其原因才是真正掌握了一个模型的结构,所以本文从数据流动及维度变化的角度出发对......