2 0.06015358361774744 0.7241641337386018 0.12030716723549488 0.21732522796352582
2 0.22302026180498552 0.43605478819591403 0.08532423208191127 0.10195837020507109
2 0.06020218602842692 0.3768996960486323 0.08154404458461129 0.08175907044746263
2 0.07046269494966938 0.3086068254395753 0.06750334816606886 0.0644453849409411
2 0.1981790296798722 0.3355392251163865 0.06912342852205468 0.07598784194528875
2 0.31131464120620383 0.2975453041437421 0.04806238389424122 0.06733099919202803
2 0.20465935110381478 0.2542610903774384 0.04536224996759833 0.04616982801739062
2 0.1328357886551174 0.24897079758377905 0.0572428392448265 0.05675041360470924
2 0.17501826429249032 0.2143634015362654 0.04170801120936869 0.04224244248715729
2 0.2589794894721347 0.19178554434485368 0.03789159188302134 0.043699078434990324
2 0.22258720518160696 0.18158909271002258 0.03434777393712739 0.04467016906687898
2 0.34348591741268575 0.21897608203773658 0.03898199740483478 0.05632325664954305
2 0.3122730593507726 0.19105722637093717 0.027260138045339104 0.037386989327713914
2 0.2886420676226929 0.1575569167067759 0.02739259511523413 0.034614852079198795
2 0.3689690019470953 0.16200739768838718 0.024801403685414575 0.03692250888447869
2 0.3389852154020419 0.1432164779882507 0.025541744093934445 0.03692250888447873
2 0.30409667365054455 0.13481001391187386 0.025726829196064414 0.02999953846863895
2 0.27531594026933587 0.13629350757241096 0.023690893072634764 0.031647864758124554
2 0.3820388953978684 0.1277024200174407 0.02249842935493192 0.03478050477097795
2 0.3391638225255973 0.9506079027355623 0.1407849829351536 0.09878419452887538
2 0.5575938566552902 0.8191067207024655 0.11732081911262798 0.26806822019587984
2 0.784556313993174 0.9384498480243161 0.15443686006825938 0.12310030395136778
2 0.9415529010238908 0.8852583586626139 0.11689419795221843 0.22948328267477203
2 0.9761092150170648 0.7188449848024316 0.04778156996587031 0.11550151975683891
2 0.7571296349858274 0.5733089485343361 0.10629374674610975 0.14424810674359892
2 0.6211893330248163 0.5134202256452527 0.0730317579684155 0.12492916387615276
2 0.5138109562098687 0.4554633970429137 0.059293110429802856 0.10947400958219555
2 0.42116396473265083 0.400883358662614 0.05066126279863481 0.09102710233029371
2 0.5042662116040956 0.3244997467071935 0.04710608646188864 0.07757092198581564
2 0.5767029294653016 0.34151785714285715 0.04532849829351536 0.07361322188449848
2 0.4912358656184235 0.254178117443701 0.03243956427395352 0.05389553006982136
2 0.5472554493015953 0.2362129407537605 0.03598338221984746 0.056808801965487425
2 0.6051832426479408 0.2544208901016732 0.03243956427395352 0.06506307233654116
2 0.5892360618914174 0.22358876253920779 0.031076557371686464 0.04904007691037798
2 0.5776505032221483 0.20513804053332296 0.028077942186699335 0.03544480806393659
2 0.4394416033322793 0.2119356749565437 0.028623144947605962 0.04904007691037798
2 0.48128591523187464 0.1954271342144362 0.02507932700171182 0.036415898695825254
2 0.5261288423164576 0.19348495295065885 0.028077942186699335 0.04224244248715729
2 0.5612944203949449 0.16677996057372035 0.03243956427395352 0.043213533119045994
2 0.5122261719133346 0.17576254891869056 0.023171117338538338 0.036901444011769625
2 0.46833734966033863 0.15197082843741802 0.018264292490377337 0.03495926274799226
2 0.44203131644658644 0.16605164259980384 0.021262907675364463 0.036901444011769625
2 0.433716974342758 0.14395933072433648 0.017173886968563694 0.02961826427260456
2 0.5035029277388261 0.15099973780552936 0.018264292490377143 0.02719053769288287
3 0.6516145970070885 0.3336450783259294 0.07219742714623253 0.12859480944587315
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
汽车检测数据集 数据说明: 大型数据集的可用性对于训练机器学习算法至关重要,尤其是对象检测任务。在此背景下,对图像和视频中的对象进行检测和分类的能力对于从自动驾驶和机器人到监控和安全系统等一系列应用至关重要。开发准确可靠的对象检测模型需要访问代表待检测对象和场景的高质量数据。 收集此类数据的一种方法是捕获包含感兴趣对象的多个实例的图像。以汽车检测为例,包含多辆汽车的图像可以为训练算法提供丰富的数据源。这是因为它们使算法能够了解汽车形状、大小和方向的变化,以及汽车可能出现的不同环境例如高速公路、停车场等)。 然而,收集这样的数据集可能是具有挑战性的,因为它需要捕获图像,其中包含感兴趣的对象在各种现实世界的场景中的多个实例。此外,这些数据集的手动注释可能是耗时和昂贵的,因为对象的每个实例必须与其相应的限界框坐标标记。 在这种情况下,上述文本中描述的数据集对于从事对象检测任务(特别是汽车检测的研究人员和从业人员来说是一个宝贵的资源。通过提供包含多辆汽车的大量图像集合,该数据集可以开发机器学习算法,从而在一系列现实场景中准确地检测和分类汽车。此外,在图像中的每个汽车实例的注释限界框坐标的可用
资源推荐
资源详情
资源评论
收起资源包目录
和汽车检测相关的数据集 (1521个子文件)
10_png.rf.0a1715f330eb0fa8de4bb85829f10481.jpg 945KB
56_png.rf.0ae9e8a7e4dcfb7474f7bf86944d5c6a.jpg 930KB
2_png.rf.8d2537f7b9c9a11ec5341d09602436e9.jpg 926KB
26_png.rf.1deae703f43a99c9f9d32ec305be0128.jpg 918KB
52_png.rf.83176cb006d8a7854cdef550b6ede492.jpg 918KB
19_png.rf.7a3334dd3dcc5850dfd3557c5138caf3.jpg 909KB
68_png.rf.8fe8f0da62b0f7a63371d00d654f795e.jpg 909KB
102_png.rf.f1c0536d451d320258ff5ffbace617a7.jpg 904KB
44_png.rf.4d79e9686db088e2ace6ad23e3607b45.jpg 897KB
A36_png.rf.cbe119480860717afc58d23138cea117.jpg 892KB
9_png.rf.cedbb7ff3dbbf3bf29cd6ae27768cb94.jpg 890KB
A14_png.rf.e53377842df6b08b84c5e4da04dbf3e5.jpg 874KB
40_png.rf.ee6f921e8063257cf16a78593f73ceab.jpg 865KB
43_png.rf.065c0cd9c1c9e2a7bdd7e8301478df26.jpg 863KB
B7_png.rf.4e18650338299c0530bd282abf998da0.jpg 863KB
30_png.rf.409a0d8af57bad66c707cb6d4299d01f.jpg 860KB
14_png.rf.834bc932a8f149942bb1295dc66b8618.jpg 858KB
19_png.rf.abaac6555d675a633aacc0ceee229b90.jpg 858KB
14_png.rf.e7739c9b08f6f0be81e9be666ecfd535.jpg 857KB
59_png.rf.e3c076f0f714a2aaaa19ca7c1dafb237.jpg 857KB
42_png.rf.101e161201258e362a6127fa69dddb20.jpg 851KB
A9_png.rf.c4f5492e4512d8c0578067739fa0dd92.jpg 849KB
A15_png.rf.46f05bdd53508bbe72c74768b0eff6b2.jpg 845KB
13_png.rf.dc1530cff7ea8e0e41b989efb3d9c92f.jpg 844KB
54_png.rf.16e5ce5670e32b6fecdce5c7d58004d1.jpg 843KB
100_png.rf.64cc82550a78ff54fe2d75e405358a3f.jpg 835KB
15_png.rf.e29fe090f91ebc10024fe643be7c844f.jpg 832KB
11_png.rf.0e28eed3a9c2230896d12cf8663cf7ca.jpg 831KB
70_png.rf.90acee7c9352dfa17db91af87f3b0cc0.jpg 818KB
A5_png.rf.87c122f0ceb179491eb483d5781aaa08.jpg 814KB
60_png.rf.424dc401cb0de95ab6034d6cac38f8ca.jpg 809KB
29_png.rf.b7d6037629416b8d5cdb3573a7f76053.jpg 807KB
68_png.rf.e288751b8659d63c449e2ea506f0c369.jpg 805KB
B1_png.rf.7ee58b3023974feb50923b0108220396.jpg 805KB
69_png.rf.baa000968c9c66872a9e5d9bab8e371f.jpg 803KB
67_png.rf.4237d35fd694e57887c758a8e063f435.jpg 802KB
39_png.rf.68373d1d2f4c8c34afb6db71512ad5cf.jpg 802KB
13_png.rf.18e2d0ff12c2de22097411cf206934ac.jpg 800KB
52_png.rf.b87c578a9d694743683f81c9291499d2.jpg 798KB
58_png.rf.a9910f9214edcbb3e207ae91889f31f7.jpg 792KB
A11_png.rf.675aff5169e33717da5edec108cf4b6e.jpg 792KB
24_png.rf.0a7dce8443b6f5da97b23ffeef3c5a88.jpg 791KB
A2_png.rf.0019e212fed38bc524adfb28fb010091.jpg 788KB
B8_png.rf.0577eb0b4998cc3023167b54bec225e2.jpg 785KB
A8_png.rf.1cf61cb66629dcba63a8f2852af3595b.jpg 784KB
37_png.rf.997ba78a94129a3537068dc896e8c3be.jpg 784KB
53_png.rf.30a2f5bacc8e76c7328dedfa89cc73d9.jpg 782KB
2_png.rf.29f9278ebb1a974173b73fccd25b7050.jpg 782KB
21_png.rf.3871afe2568ff7445d928d0ca3cf08a0.jpg 781KB
66_png.rf.de2a20fcd8d1c3acc401837dadd12b22.jpg 779KB
8_png.rf.26d4092078eaeef03936aeda00d79b11.jpg 779KB
A9_png.rf.89cebb6865fd41c2bf52597673c3bbfa.jpg 779KB
6_png.rf.713f95bc49b04ea2eeec8d20c52a9755.jpg 778KB
11_png.rf.3a9ea308672f4eab2e22a0d9560dcb0b.jpg 776KB
57_png.rf.dc0f3c075d5c620d124849652acdbe56.jpg 773KB
6_png.rf.c0069b6f9c7864699d17ba3d674633f4.jpg 771KB
A15_png.rf.a5c94035973c4a4c5be1dfa22189ea9b.jpg 770KB
B15_png.rf.5cdeef05f3a623fc27028d19790549f4.jpg 768KB
18_png.rf.2d1a6a8af2138c04405f252e4ba70bbd.jpg 765KB
20_png.rf.df891cceee878d6e37168f86049be46c.jpg 763KB
27_png.rf.23299679e81021fd77489683dd5ea7e3.jpg 762KB
16_png.rf.a2c6bd12e62a1bdb0077d29132d4a2a7.jpg 761KB
A3_png.rf.cb137d16930280599a11524c4499b998.jpg 760KB
32_png.rf.321a4621409a76ed91b31ddc0ec5ae16.jpg 757KB
A37_png.rf.95a93b2d0684fc71629e853ca28bf56e.jpg 756KB
47_png.rf.d71e2451dbbedb375bd41f2e6332a34f.jpg 756KB
5_png.rf.93aef40ab8e7c876b63f2e8dedb4ec22.jpg 753KB
34_png.rf.ca86f7b17837ec3dbf6bb2172113960b.jpg 753KB
A37_png.rf.0ed047f48a2245c26fe7bd1e0637e6a8.jpg 752KB
51_png.rf.af80c7231eb12fe3ebb4111ad4a7bb40.jpg 751KB
B15_png.rf.9be351ebad9ec5ed6d554e7a89f97af7.jpg 748KB
A11_png.rf.d342834b59acd34285f6e6123d7cc380.jpg 742KB
102600700263_png.rf.83b26c2b13774fe46d723055f5f5fde4.jpg 738KB
3_png.rf.6435fda7ca2700f5e04ecb5cd6d90f1d.jpg 730KB
55_png.rf.4f74c620c6caa1e3586daa5996824521.jpg 729KB
28_png.rf.ef8962766523de1a85f28d365c83a2b2.jpg 727KB
36_png.rf.fca6131755b174a33dc578fc59127132.jpg 727KB
A8_png.rf.57ee9daac60b0a959b0689633b60cd65.jpg 724KB
51_png.rf.d76fcccb31a18e937b825c892fce85fd.jpg 719KB
26_png.rf.f710e7b49bd3c7d10aff74a386571e03.jpg 715KB
69_png.rf.e9d9b5adba6f1c3cd6cb7481ecc95ab2.jpg 712KB
1_png.rf.749aab2e3828a1c6010ec84ff9096c9c.jpg 710KB
B1_png.rf.284a051ed070a020fcbcfc68a2569d76.jpg 709KB
58_png.rf.f1c384ae639862696e92b04693ce5e6f.jpg 709KB
42_png.rf.a4409188d1b0be9df0684147f3bcc5bc.jpg 706KB
34_png.rf.653f0d9a5c2462944a2d042e3f02db04.jpg 706KB
56_png.rf.427e320c7d2839a8d22f391f9290d3f0.jpg 704KB
22_png.rf.fe268150b21bd52a7eef03e0f6ea310f.jpg 702KB
5_png.rf.6794ceebdf403adee3c736ad5ab920bf.jpg 700KB
B8_png.rf.6dba484ce9b90885751c79cdcdaad65a.jpg 697KB
62_png.rf.7f59d2a0f79906f2727f08574e98c4f0.jpg 696KB
102_png.rf.800305645f054c82a18029d0f2aacc43.jpg 690KB
64_png.rf.a409a618eda1504d8312bb982018667c.jpg 689KB
38_png.rf.7b01b0acbf4072472b36ada0accec314.jpg 687KB
12_png.rf.34ac9e97dbc63ed9a4ae56084e2d3c6b.jpg 687KB
A12_png.rf.e7c4fcb6ad86ac5a2dd6474cbb005d18.jpg 686KB
101_png.rf.c4c5feae45d7d4cdb0d6ae665bf2db04.jpg 685KB
16_png.rf.2ffee90bc0daa842766b175380d0dcd0.jpg 684KB
A0_png.rf.9119a58b459c4aa6f84d36fe0fb5f331.jpg 679KB
10_png.rf.01f59f04e34676cee4948cac4071768c.jpg 675KB
共 1521 条
- 1
- 2
- 3
- 4
- 5
- 6
- 16
资源评论
普通网友
- 粉丝: 1272
- 资源: 5619
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功