首页 > 其他分享 >YOLO冲沟缺陷数据集(边坡、地貌)与训练结果分享 - 幽络源

YOLO冲沟缺陷数据集(边坡、地貌)与训练结果分享 - 幽络源

时间:2024-12-23 14:55:37浏览次数:6  
标签:F1 YOLO 冲沟 幽络源 图像 分享 数据

概述

分享这个数据集,一是群内有用户需要,二是自己正好也在做这个数据集,本次分享的数据集为幽络源自行寻找原图手动标注并增强处理,然后已经经过训练测试,F1分数接近1,能覆盖92%的冲沟缺陷与地貌。图像共984张,标注缺陷有1300+处。

下载链接:YOLO冲沟数据集,含训练结果与模型

展示图

使用图像

QQ_1734671570081

训练结果图,有增强数据

val_batch0_labels

val_batch1_labels

测试结果

输入数据:

  • 123张包含了冲沟缺陷的地形以及冲沟地貌的图像
  • 图像通过水平翻转、对比度调整、旋转、高斯模糊、高斯噪声添加、随机裁剪、色调、饱和度、亮度调整、弹性变换、随机缩放进行数据增强

实际输出:

  • 检测框位置:模型检测到的检测框位置分布在图像中的多个区域,准确标记了所有冲沟区域

输出类别:冲沟

置信度:整体置信度平均值为0.94

评估指标(整体结果):

  • F1分数:接近1.00
  • 精度(Precision):接近1.00

冲沟F1分数曲线图如下:

F1_curve

冲沟精度曲线如下:

P_curve

结论:

        模型在该测试用例中表现较优,识别率和准确率均达到较高水平

总结:

以上为幽络源标注并分享的冲沟类yolo数据集,如有其他需要,可加群提出需求,共同免费分享

标签:F1,YOLO,冲沟,幽络源,图像,分享,数据
From: https://blog.csdn.net/m0_73873732/article/details/144608897

相关文章

  • YOLO目标检测—XML标签文件与TXT标签文件相互转换
    XML标签文件转换为TXT标签文件importosimportxml.etree.ElementTreeasET#类别编号和名称的映射class_mapping={#替换为自己的类别编号和名称映射'person':'0','car':'1','bike':'2'}#更新后的源文件夹和目标文件夹路径sou......
  • DL00358-基于YOLOv8的停车空位检测代码含数据集
    YOLOv8(YouOnlyLookOnceVersion8)是基于深度学习的目标检测算法,近年来在图像处理领域取得了显著进展,尤其在实时目标检测任务中表现出色。停车空位检测作为计算机视觉应用中的一个重要研究方向,旨在通过智能化系统识别和判断停车场内的空闲车位,为车主提供实时的停车信息,提升停车......
  • YOLOv11训练参数详解
    一、训练参数详解modelstrNone指定用于训练的模型文件。接受指向 .pt 预训练模型或 .yaml 配置文件。对于定义模型结构或初始化权重至关重要。datastrNone数据集配置文件的路径(例如 coco8.yaml).该文件包含特定于数据集的参数,包括训练和 验证数据类名和类数。epochsint......
  • YOLOv11/10/8算法改进【NO.158】使用一种名为 PRepBN 的新方法,在训练过程中逐步用重新
      前  言    YOLO算法改进系列出到这,很多朋友问改进如何选择是最佳的,下面我就根据个人多年的写作发文章以及指导发文章的经验来看,按照优先顺序进行排序讲解YOLO算法改进方法的顺序选择。具体有需求的同学可以私信我沟通:首推,是将两种最新推出算法的模块进行融合形......
  • YOLOv8模型改进 第二十四讲 添加多尺度大核注意力(MLKA) 提高多尺度检测能力
         在单图像超分辨率任务中,之前的SR模型采用的注意力机制虽能获取信息特征,但存在不足。它们无法同时兼顾局部与长距离信息,且多考虑固定感受野。大核注意力(LKA)虽能构建长距离关系,但存在空洞卷积导致的块状伪影及固定大小不够灵活的问题。受视觉注意力研究启发,本文......
  • 游泳溺水识别数据集,对9984张原始图片进行YOLO,COCO JSON, VOC XML 格式的标注,平均识别
    游泳溺水识别数据集:对9984张原始图片进行YOLO,COCOJSON,VOCXML格式的标注,平均识别率在91.7%以上,可识别泳池或者水库中是否有人溺水。 数据集分割训练组98%        9818图片有效集%        0图片测试集2%        166图片......
  • yolo11姿态识别v8pose检测+v5姿态估计+篮球投篮识别与足球射球识别
    项目概述:篮球投篮识别与足球射球识别本项目旨在开发一个智能运动分析系统,该系统能够通过视频流或图像序列自动识别篮球运动员的投篮动作和足球运动员的射门动作。这个系统将利用YOLOv8Pose模型进行人体姿态估计,并根据特定的关键点角度来判断是否发生了投篮或射门的动作。......
  • YOLOv9-0.1部分代码阅读笔记-lion.py
    lion.pyutils\lion.py目录lion.py1.所需的库和模块2.classLion(Optimizer): 1.所需的库和模块#Lion优化器是一种新型的神经网络优化算法,由GoogleBrain团队通过遗传算法发现,全称为EvoLvedSIgnMOmeNtum,意为“进化的符号动量”。以下是Lion优化器的一些主要特点和......
  • YOLOv9-0.1部分代码阅读笔记-general.py
    general.pyutils\general.py目录general.py1.所需的库和模块2.defis_ascii(s=''): 3.defis_chinese(s='人工智能'): 4.defis_colab(): 5.defis_notebook(): 6.defis_kaggle(): 7.defis_docker()->bool: 8.defis_writeable(dir,test=False): ......
  • 计算机视觉:YOLO V5目标检测算法模型
    1.YOLOV5模型概述1.1YOLOv5的概念YOLOv5是一种基于深度学习的目标检测模型,相较于YOLOv4,YOLOv5模型在目标检测精度和速度上都有了显著的提升。YOLOv5模型基于PyTorch开发,利用主干网络、检测头和损失函数等模块,能够实现对图像中多个目标的快速检测和定位。1.2YOLOv5模型......