首页 > 其他分享 >【yolo数据集】田间农作物焚烧灰烬数据集yolo-voc-221张3标签

【yolo数据集】田间农作物焚烧灰烬数据集yolo-voc-221张3标签

时间:2024-11-24 10:00:04浏览次数:5  
标签:XML 文件 voc 标签 yolo 图片 221 标注

数据集概述

数据集描述
本数据集包含农村田间焚烧农作物秸秆等的图片,图片来源于网页爬取并自行标注,旨在用于训练和评估目标检测模型。数据集中共有221张图片,每张图片的分辨率为清晰,每张图片都有对应的VOC格式(XML)和YOLO格式(TXT)标注文件。标签种类为3种,总共有588个标注框。请注意,这些图片仅用于检测标注,不得随意转载传播。

数据集格式
VOC格式:包含XML文件,用于详细描述每个图像中的对象位置。
YOLO格式:包含TXT文件,用于简洁描述每个图像中的对象位置。

文件结构
数据集压缩包内包含三个文件夹:
JPEGImages:存储原始图像文件,共221张 `.jpg` 图片。
Annotations:存储与图像对应的XML标注文件,共221个 `.xml` 文件。
labels:存储与图像对应的TXT标注文件,共221个 `.txt` 文件。

标签信息
标签种类数:3种
标签名称:
 ashes(灰烬)
 fire(火)
 smoke(烟雾)
每个标签的框数:
 ashes 框数 = 275
 fire 框数 = 143
 smoke 框数 = 170
总框数:588

图像信息
图片数量:221张
图片分辨率:清晰,具体分辨率未详细说明。
图片大小:未详细说明,但通常是几十KB到几百KB之间。
图片是否增强:否

标注信息
标签形状:矩形框,用于目标检测识别

示例文件路径(download文件:mbd.pub/o/bread/Z5ialpdy
JPEGImages 文件夹路径:`/path/to/dataset/JPEGImages/`
Annotations 文件夹路径:`/path/to/dataset/Annotations/`
labels 文件夹路径:`/path/to/dataset/labels/`

示例文件名
图像文件:`image_0001.jpg`
XML标注文件:`image_0001.xml`
TXT标注文件:`image_0001.txt`

重要说明
图片为农村田间焚烧农作物秸秆等的场景,由个人标注,请勿随意转发!

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的标注。

总结
该数据集包含221张用于农村田间焚烧农作物秸秆等场景的目标检测图像,每张图像都有对应的XML和TXT文件进行标注。标签种类为3种,分别是“ashes”(灰烬)、“fire”(火)和“smoke”(烟雾),总共有588个标注框。数据集未经过增强处理,适合用于训练和评估目标检测模型。

标签:XML,文件,voc,标签,yolo,图片,221,标注
From: https://blog.csdn.net/2401_85863780/article/details/144003537

相关文章

  • YOLOv10改进,YOLOv10添加DynamicConv(动态卷积),CVPR2024,二次创新C2f结构
    摘要大规模视觉预训练显著提高了大规模视觉模型的性能。现有的低FLOPs模型无法从大规模预训练中受益。在本文中,作者提出了一种新的设计原则,称为ParameterNet,旨在通过最小化FLOPs的增加来增加大规模视觉预训练模型中的参数数量。利用DynamicConv动态卷积将额外的参......
  • 单目测距(yolo目标检测+标定+测距代码)
    实时感知本车周围物体的距离对高级驾驶辅助系统具有重要意义,当判定物体与本车距离小于安全距离时便采取主动刹车等安全辅助功能,这将进一步提升汽车的安全性能并减少碰撞的发生。上一章本文完成了目标检测任务,接下来需要对检测出来的物体进行距离测量。首先描述并分析了相机......
  • YOLOv11改进策略【Head】| 结合CVPR-2024 中的DynamicConv 动态卷积 改进检测头, 优化
    一、本文介绍本文记录的是利用DynamicConv优化YOLOv11的目标检测网络模型。在大规模训练中,模型的参数量越多,FLOPs也越高,但在一些对计算资源有限制的场景下,需要低FLOPs的模型同时又希望模型能从大规模预训练中受益。传统的方法很难在增加参数的同时保持低FLOPs,因此Dynamic......
  • PyTorch框架——基于深度学习YOLOv3神经网络目标检测x光安检违禁品检查系统
    基于深度学习神经网络YOLOv3目标检测的x光安检违禁品检查系统,其能识别的违禁品有5种(刀、枪、扳手、钳子、剪刀),见如下:第一步:YOLOv3介绍yoloV3以V1,V2为基础进行的改进,主要有:利用多尺度特征进行目标检测;先验框更丰富;调整了网络结构;对象分类使用logistic代替了softmax,更适用于......
  • yolov8+多算法多目标追踪+实例分割+目标检测+姿态估计(代码+教程)
    #多目标追踪+实例分割+目标检测YOLO(YouOnlyLookOnce)是一个流行的目标检测算法,它能够在图像中准确地定位和识别多个物体。在这里插入图片描述本项目是基于YOLO算法的目标跟踪系统,它将YOLO的目标检测功能与目标跟踪技术相结合,实现了实时的多目标跟踪。在目标......
  • [C++]在windows基于C++编程署yolov11-cls的openvino图像分类模型cmake项目部署演示源
    【算法介绍】在Windows系统上,基于C++编程部署YOLOv11-CLS的OpenVINO图像分类模型,可以通过CMake项目来实现。以下是简要介绍:首先,需要准备开发环境,包括安装OpenVINOToolkit、CMake、OpenCV和C++编译器(如GCC或MSVC)。OpenVINO是英特尔开发的一款用于优化和部署深度学习模型的工具套件,......
  • 解决:YOLOv8训练数据集时P、R、mAP等值均为0的问题
    文章目录问题解决1.匹配pytorch与cuda的版本2.使用Adam优化器3.加大训练轮数epoch4.删除data/labels下的train.cache和val.cache问题使用YOLOv8训练自己的数据集时,出现P、R、mAP等值均为0的问题Modelsummary(fused):186layers,2,685,733parameters,0g......
  • Yolo v5简单理解
    YOLOv5(YouOnlyLookOnceversion5)是一个高效的目标检测模型,采用深度学习技术,旨在实现实时物体检测。它在准确性和速度之间达到了良好的平衡,适用于多种应用场景,如自动驾驶、视频监控和工业检测。技术上,YOLOv5使用了PyTorch框架,具有更好的可扩展性和灵活性。其结构包含了CSPN......
  • YOLOv11改进 | 代码逐行解析(三) | 从yaml文件到网络结构解析到模型定义
     ......
  • 用糊弄学打开yolov8源码之yolov8.yaml
    yolov8源码下载:https://github.com/ultralytics/ultralyticsgithub.com/ultralytics/ultralytics打开源码完全不知道该从哪个文件开始看(……查看一些资料后……)决定先理解一下 yolov8.yaml 所在位置:ultralytics\cfg\models\v8\yolov8.yamlcfg\models文件夹下是各个模型......