白天、夜间下的红绿灯目标检测数据，其中白天场景共有470张图片数据，夜间场景共有590张图片数据，标签信息均保存在csv文件中

水下海底场景图像分类数据集【已标注，约3,600张数据】 分类个数【5】：【具体查看json文件】 划分了训练集、测试集。存放各自的同一类数据图片。如果想可视化数据集，可以运行资源中的show脚本。 CNN分类网络项目：https://blog.csdn.net/qq_44886601/category_12056269.html 图像分割完整项目：https://blog.csdn.net/qq_44886601/category_12102735.html 基于yolov5的改进：https://blog.csdn.net/qq_44886601/category_12605353.html 【更多图像分类、图像分割（医学）、目标检测（yolo）的项目以及相应网络的改进，可以参考本人主页：https://blog.csdn.net/qq_44886601/category_12803200.html】

基于Yolov5的工地安全帽、反光衣的检测识别项目源码+模型文件（高分项目），个人经导师指导并认可通过的高分毕业设计项目，评审分98分，项目中的源码都是经过本地编译过可运行的，都经过严格调试，确保可以运行！主要针对计算机相关专业的正在做毕设的学生和需要项目实战练习的学习者，也可作为课程设计、期末大作业，资源项目的难度比较适中，内容都是经过助教老师审定过的能够满足学习使用需求，可以放心下载使用。 基于Yolov5的工地安全帽、反光衣的检测识别项目源码+模型文件（高分项目）基于Yolov5的工地安全帽、反光衣的检测识别项目源码+模型文件（高分项目）基于Yolov5的工地安全帽、反光衣的检测识别项目源码+模型文件（高分项目）基于Yolov5的工地安全帽、反光衣的检测识别项目源码+模型文件（高分项目）基于Yolov5的工地安全帽、反光衣的检测识别项目源码+模型文件（高分项目）基于Yolov5的工地安全帽、反光衣的检测识别项目源码+模型文件（高分项目）基于Yolov5的工地安全帽、反光衣的检测识别项目源码+模型文件（高分项目）基于Yolov5的工地安全帽、反光衣的检测识别项目源码+模型文件（高分

水下海胆、水草、海星等图像目标检测【已标注，约5000张数据，yolo格式】 类别个数【5】：海星、水草、海胆等等【具体参考classes文件】 数据集做了训练集、测试集划分，如果想要可视化数据，运行show脚本即可。 yolov5的改进实战：https://blog.csdn.net/qq_44886601/category_12605353.html 【更多图像分类、图像分割（医学）、目标检测（yolo）的项目以及相应网络的改进，可以参考本人主页：https://blog.csdn.net/qq_44886601/category_12803200.html】

疲劳与打哈欠图像分类数据集【已标注，约20,000张数据】 分类个数【2】：疲劳、打哈欠【具体查看json文件】 划分了训练集、验证集。存放各自的同一类数据图片。如果想可视化数据集，可以运行资源中的show脚本。 CNN分类网络项目：https://blog.csdn.net/qq_44886601/category_12056269.html 图像分割完整项目：https://blog.csdn.net/qq_44886601/category_12102735.html 基于yolov5的改进：https://blog.csdn.net/qq_44886601/category_12605353.html 【更多图像分类、图像分割（医学）、目标检测（yolo）的项目以及相应网络的改进，可以参考本人主页：https://blog.csdn.net/qq_44886601/category_12803200.html】

1.Matlab实现CNN-BiLSTM卷积神经网络结合双向长短期记忆神经网络多输入单输出回归预测（Matlab完整源码和数据）。 2.输出MAE 、 MAPE、MSE、RMSE、R2多指标评价，运行环境Matlab2023b及以上。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 5.作者介绍：机器学习之心，博客专家认证，机器学习领域创作者，2023博客之星TOP50，主做机器学习和深度学习时序、回归、分类、聚类和降维等程序设计和案例分析，文章底部有博主联系方式。从事Matlab、Python算法仿真工作8年，更多仿真源码、数据集定制私信.

1.Matlab实现CNN-BiGRU-Attention卷积神经网络结合双向门控循环单元融合注意力机制多输入单输出回归预测（Matlab完整源码和数据）。 2.输出MAE 、 MAPE、MSE、RMSE、R2多指标评价，运行环境Matlab2023b及以上。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 5.作者介绍：机器学习之心，博客专家认证，机器学习领域创作者，2023博客之星TOP50，主做机器学习和深度学习时序、回归、分类、聚类和降维等程序设计和案例分析，文章底部有博主联系方式。从事Matlab、Python算法仿真工作8年，更多仿真源码、数据集定制私信.

本代码是基于python pytorch环境安装的。环境需自行安装，可参考以下博文进行安装环境： https://blog.csdn.net/no_work/article/details/139246467 首先是代码的整体介绍 总共是3个py文件，十分的简便 运行01.py,是将数据集文件夹下的图片路径和对应的标签生成txt格式,划分了训练集和验证集 运行02.py,会自动读取txt文本内的内容进行训练，这里是适配了数据集的分类文件夹个数，即使增加了分类文件夹，也不需要修改代码即可训练 训练过程中会有训练进度条，可以查看大概训练的时长,每个epoch训练完后会显示准确率和损失值 训练结束后，会保存log日志，记录每个epoch的准确率和损失值 最后训练的模型会保存在本地名称为model.ckpt 运行03pyqt界面.py，就可以实现自己训练好的模型去识别图片了

本资源是图片数据集不是代码，内含多种植物叶片图片，和txt文本记录了图片路径，用于cnn卷积神经网络的图像识别使用，通过叶片识别是哪种植物。

1.Matlab实现CNN-BiGRU卷积神经网络结合双向门控循环单元多输入单输出回归预测（Matlab完整源码和数据）。 2.输出MAE 、 MAPE、MSE、RMSE、R2多指标评价，运行环境Matlab2023及以上。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 5.作者介绍：机器学习之心，博客专家认证，机器学习领域创作者，2023博客之星TOP50，主做机器学习和深度学习时序、回归、分类、聚类和降维等程序设计和案例分析，文章底部有博主联系方式。从事Matlab、Python算法仿真工作8年，更多仿真源码、数据集定制私信.

本代码是基于python pytorch环境安装的。环境需自行安装，可参考以下博文进行安装环境： https://blog.csdn.net/no_work/article/details/139246467 首先是代码的整体介绍 总共是3个py文件，十分的简便 运行01.py,是将数据集文件夹下的图片路径和对应的标签生成txt格式,划分了训练集和验证集 运行02.py,会自动读取txt文本内的内容进行训练，这里是适配了数据集的分类文件夹个数，即使增加了分类文件夹，也不需要修改代码即可训练 训练过程中会有训练进度条，可以查看大概训练的时长,每个epoch训练完后会显示准确率和损失值 训练结束后，会保存log日志，记录每个epoch的准确率和损失值 最后训练的模型会保存在本地名称为model.ckpt 运行03pyqt界面.py，就可以实现自己训练好的模型去识别图片了

本资源是cnn图片识别的数据集，不含代码，资源是蜜蜂和蚂蚁的图片，和txt文本里面记录了图片的路径和对应的序号。

6种细胞cell图像分类数据集【已标注，约13500张数据】 分类个数【6】：Centromere、NuMem、Speckled等等【具体查看json文件】 划分了训练集、验证集。存放各自的同一类数据图片。如果想可视化数据集，可以运行资源中的show脚本。 CNN分类网络项目：https://blog.csdn.net/qq_44886601/category_12056269.html 图像分割完整项目：https://blog.csdn.net/qq_44886601/category_12102735.html 基于yolov5的改进：https://blog.csdn.net/qq_44886601/category_12605353.html 【更多图像分类、图像分割（医学）、目标检测（yolo）的项目以及相应网络的改进，可以参考本人主页：https://blog.csdn.net/qq_44886601/category_12803200.html】

图像分割数据集：灌木丛背景下的目标图像语义分割数据集（12类分割，约1100张数据和标签） 【12类别的分割】：灌木、人、树叶等等，具体参考classes文件 数据集介绍：【已经划分好】 训练集：images图片目录+masks模板目录，1000张左右图片和对应的mask图片 验证集：images图片目录+masks模板目录，32张左右图片和对应的mask图片 验证集：images图片目录+masks模板目录，16张左右图片和对应的mask图片 除此之外，包含一个图像分割的可视化脚本，随机提取一张图片，将其原始图片、GT图像、GT在原图蒙板的图像展示，并保存在当前目录下 医学图像分割网络介绍：https://blog.csdn.net/qq_44886601/category_12102735.html 更多图像分割网络unet、swinUnet、trasnUnet改进，参考改进专栏：https://blog.csdn.net/qq_44886601/category_12803200.html

本代码是基于python pytorch环境安装的。环境需自行安装，可参考以下博文进行安装环境： https://blog.csdn.net/no_work/article/details/139246467 首先是代码的整体介绍 总共是3个py文件，十分的简便 运行01.py,是将数据集文件夹下的图片路径和对应的标签生成txt格式,划分了训练集和验证集 运行02.py,会自动读取txt文本内的内容进行训练，这里是适配了数据集的分类文件夹个数，即使增加了分类文件夹，也不需要修改代码即可训练 训练过程中会有训练进度条，可以查看大概训练的时长,每个epoch训练完后会显示准确率和损失值 训练结束后，会保存log日志，记录每个epoch的准确率和损失值 最后训练的模型会保存在本地名称为model.ckpt 运行03.py，就可以实现自己训练好的模型去识别图片了

本资源是图片数据集，不是代码，可用于cnn卷积神经网络的训练，内涵食物图片数据集在对应文件夹下，和txt文本记录图片路径和对应的序号。

YOLOv8 种子发芽识别项目代码 项目详细介绍请看链接： https://blog.csdn.net/qq_53332949/article/details/144483572 数据集详细介绍请看：https://blog.csdn.net/qq_53332949/article/details/144473504 数据集下载请看：https://download.csdn.net/download/qq_53332949/90130647?spm=1001.2101.3001.9500 按文件中requirements.txt文件配置环境即可使用。

本代码是基于python pytorch环境安装的。环境需自行安装，可参考以下博文进行安装环境： https://blog.csdn.net/no_work/article/details/139246467 首先是代码的整体介绍 总共是3个py文件，十分的简便 运行01.py,是将数据集文件夹下的图片路径和对应的标签生成txt格式,划分了训练集和验证集 运行02.py,会自动读取txt文本内的内容进行训练，这里是适配了数据集的分类文件夹个数，即使增加了分类文件夹，也不需要修改代码即可训练 训练过程中会有训练进度条，可以查看大概训练的时长,每个epoch训练完后会显示准确率和损失值 训练结束后，会保存log日志，记录每个epoch的准确率和损失值 最后训练的模型会保存在本地名称为model.ckpt 运行03.py，就可以实现自己训练好的模型去识别图片了

本资源是可用于CNN卷积神经网络训练模型的数据集部分，只含图片数据集，和txt文本（里面记录了图片对应的路径和序号）。

YOLOv8算法煤矿传送带矸石&锚杆异物检测模型， 包含3000多张煤矿传送带矸石&锚杆异物检测数据集，训练好的权重可以直接用于推理，也可以使用数据集重新训练，检测数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8，yolov9等算法可以直接进行训练模型，txt格式标签， 数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 https://blog.csdn.net/zhiqingAI/article/details/143089699 数据集配置目录结构data.yaml： train: ../train/images val: ../valid/images test: ../test/images nc: 2 names: - bolt_object - bulk_objec

YOLOv10算法煤矿传送带矸石&锚杆异物检测模型， 包含3000多张煤矿传送带矸石&锚杆异物检测数据集，训练好的权重可以直接用于推理，也可以使用数据集重新训练，检测数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8，yolov9等算法可以直接进行训练模型，txt格式标签， 数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 https://blog.csdn.net/zhiqingAI/article/details/143089699 数据集配置目录结构data.yaml： train: ../train/images val: ../valid/images test: ../test/images nc: 2 names: - bolt_object - bulk_objec

YOLOv5算法煤矿传送带矸石&锚杆异物检测模型， 包含3000多张煤矿传送带矸石&锚杆异物检测数据集，训练好的权重可以直接用于推理，也可以使用数据集重新训练，检测数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8，yolov9等算法可以直接进行训练模型，txt格式标签， 数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 https://blog.csdn.net/zhiqingAI/article/details/143089699 数据集配置目录结构data.yaml： train: ../train/images val: ../valid/images test: ../test/images nc: 2 names: - bolt_object - bulk_objec

YOLOv5算法煤矿传送带矸石&锚杆异物检测模型， 包含3000多张煤矿传送带矸石&锚杆异物检测数据集，训练好的权重可以直接用于推理，也可以使用数据集重新训练，检测数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8，yolov9等算法可以直接进行训练模型，txt格式标签， 数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 https://blog.csdn.net/zhiqingAI/article/details/143089699 数据集配置目录结构data.yaml： train: ../train/images val: ../valid/images test: ../test/images nc: 2 names: - bolt_object - bulk_objec

YOLOv8算法煤矿传送带矸石&锚杆异物检测模型， 包含3000多张煤矿传送带矸石&锚杆异物检测数据集，训练好的权重可以直接用于推理，也可以使用数据集重新训练，检测数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8，yolov9等算法可以直接进行训练模型，txt格式标签， 数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 https://blog.csdn.net/zhiqingAI/article/details/143089699 数据集配置目录结构data.yaml： train: ../train/images val: ../valid/images test: ../test/images nc: 2 names: - bolt_object - bulk_objec

YOLOv10算法打架行为检测模型，包含训练好的权重，可以直接进行推理检测， 此外包含1万多张打架行为检测数据集，数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8，yolov9等算法可以直接进行训练模型，txt格式标签， 数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 https://blog.csdn.net/zhiqingAI/article/details/142426722 数据集配置目录结构data.yaml： train: ../train/images val: ../valid/images test: ../test/images nc: 2 names: - normal - fight

YOLOv5算法打架行为检测模型，包含训练好的权重，可以直接进行推理检测， 此外包含1万多张打架行为检测数据集，数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8，yolov9等算法可以直接进行训练模型，txt格式标签， 数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 https://blog.csdn.net/zhiqingAI/article/details/142426722 数据集配置目录结构data.yaml： train: ../train/images val: ../valid/images test: ../test/images nc: 2 names: - normal - fight

YOLOv5算法打架行为检测模型，包含训练好的权重，可以直接进行推理检测， 此外包含1万多张打架行为检测数据集，数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8，yolov9等算法可以直接进行训练模型，txt格式标签， 数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 https://blog.csdn.net/zhiqingAI/article/details/142426722 数据集配置目录结构data.yaml： train: ../train/images val: ../valid/images test: ../test/images nc: 2 names: - normal - fight

基于Python卷积神经网络CNN识别红绿灯项目源码+文档说明（毕业设计项目），个人经导师指导并认可通过的高分毕业设计项目，评审分98分，项目中的源码都是经过本地编译过可运行的，都经过严格调试，确保可以运行！主要针对计算机相关专业的正在做毕设的学生和需要项目实战练习的学习者，也可作为课程设计期末大作业，资源项目的难度比较适中内容都是经过助教老师审定过的能够满足学习使用需求，可以放心下载使用。 基于Python卷积神经网络CNN识别红绿灯项目源码+文档说明（毕业设计项目）基于Python卷积神经网络CNN识别红绿灯项目源码+文档说明（毕业设计项目）基于Python卷积神经网络CNN识别红绿灯项目源码+文档说明（毕业设计项目）基于Python卷积神经网络CNN识别红绿灯项目源码+文档说明（毕业设计项目）基于Python卷积神经网络CNN识别红绿灯项目源码+文档说明（毕业设计项目）基于Python卷积神经网络CNN识别红绿灯项目源码+文档说明（毕业设计项目）基于Python卷积神经网络CNN识别红绿灯项目源码+文档说明（毕业设计项目）基于Python卷积神经网络CNN识别红绿灯项目源码+基

基于Tensorflow深度学习的常见农作物病虫害识别系统的设计与实现源码+论文（高分毕设）个人经导师指导并认可通过的高分毕业设计项目，评审分98分，项目中的源码都是经过本地编译过可运行的，都经过严格调试，确保可以运行！主要针对计算机相关专业的正在做毕设的学生和需要项目实战练习的学习者，也可作为课程设计期末大作业，资源项目的难度比较适中内容都是经过助教老师审定过的能够满足学习使用需求，可以放心下载使用。 基于Tensorflow深度学习的常见农作物病虫害识别系统的设计与实现源码+论文（高分毕设）基于Tensorflow深度学习的常见农作物病虫害识别系统的设计与实现源码+论文（高分毕设）基于Tensorflow深度学习的常见农作物病虫害识别系统的设计与实现源码+论文（高分毕设）基于Tensorflow深度学习的常见农作物病虫害识别系统的设计与实现源码+论文（高分毕设）基于Tensorflow深度学习的常见农作物病虫害识别系统的设计与实现源码+论文（高分毕设）基于Tensorflow深度学习的常见农作物病虫害识别系统的设计与实现源码+论文（高分毕设）基于Tensorflow深度学习的常见农

【分类介绍】 网络采用resnet家族系列，包括resnet18、34、50、101、152系列 1.训练的时候根据需要进行迁移学习或者只训练分类层；为了做对比消融试验，优化器采用了Adam和SGD，也可以自行添加；损失函数采用多类别的交叉熵、学习率优化策略采用cos余弦退火算法 2. 验证集的评估会在训练同时完成，训练脚本会对训练集和验证集同时评估，指标有loss、准确率、混淆矩阵、recall、precision、F1 score、特异度等，并返回对应的曲线图像。也可以根据个人需要绘制不同曲线，请参考训练日志json文件 3. 推理的时候将图片放在指定目录即可 4. 想要更换数据集，参考readme文件，按照要求摆放好数据即可 【改进】 代码在resnet每个layer后加入了CBAM模块，可以根据需要只在某个layer后添加，注释掉其他的即可。为了方便，想要更好别的模块，只需要将CBAM替换即可 本项目数据集为21种土地目标分类 更多分类、分割改进：https://blog.csdn.net/qq_44886601/category_12803200.html

加州遥感卫星下的土地建筑图像分类数据集【已标注，约2100张数据】 分类个数【21】：飞机、河流、农业用地等等【具体查看json文件】 划分了训练集、测试集。存放各自的同一类数据图片。如果想可视化数据集，可以运行资源中的show脚本。 CNN分类网络项目：https://blog.csdn.net/qq_44886601/category_12056269.html 图像分割完整项目：https://blog.csdn.net/qq_44886601/category_12102735.html 基于yolov5的改进：https://blog.csdn.net/qq_44886601/category_12605353.html 【更多图像分类、图像分割（医学）、目标检测（yolo）的项目以及相应网络的改进，可以参考本人主页：https://blog.csdn.net/qq_44886601/category_12803200.html】

常见水稻病害图像分类数据集【已标注，约2000张数据】 分类个数【4】：BrownSpot、LeafBlast等等【具体查看json文件】 划分了训练集、验证集。存放各自的同一类数据图片。如果想可视化数据集，可以运行资源中的show脚本。 CNN分类网络项目：https://blog.csdn.net/qq_44886601/category_12056269.html 图像分割完整项目：https://blog.csdn.net/qq_44886601/category_12102735.html 基于yolov5的改进：https://blog.csdn.net/qq_44886601/category_12605353.html 【更多图像分类、图像分割（医学）、目标检测（yolo）的项目以及相应网络的改进，可以参考本人主页：https://blog.csdn.net/qq_44886601/category_12803200.html】

医学图像分割数据：颅内动脉瘤 MR图像切片分割【包含3个切面的切片数据、标签文件、可视化代码】 【其中mask中、0为背景，1为动脉瘤】 数据集：颅内动脉瘤 ，分别从轴位面（横端面）、冠状面、矢状面切分出2D图像。为了方便分割，这里切片的时候去除了ROI区域不足1%的数据。为了方便观察mask，提供了可视化代码（show.py） 数据集介绍：分为x、y、z轴的切面图像 x轴：images图片目录+masks模板目录，455张图片和455个对应的mask图片 y轴：images图片目录+masks模板目录，650张图片和650个对应的mask图片 z轴：images图片目录+masks模板目录，678张图片和678个对应的mask图片 【更多医学图像分割代码及改进，参考本人专栏：https://blog.csdn.net/qq_44886601/category_12803200.html】

YOLO算法-车辆数据集-灰度图数据集-21010张图像带标签--自行车手-小型车-卡车.zip

YOLO算法-密集人头计数数据集-7883张图像带标签-头.zip

YOLO算法-瓶子-盆栽植物-火车数据集-9962张图像带标签-瓶子-盆栽植物-火车-奶牛-可供用餐-船-马-鸟-飞机-摩托车-猫-电视监视器-汽车-自行车-狗-沙发-羊-公共汽车.zip

YOLO算法-害虫数据集-15749张图像带标签-网状皮螨-硬蜱-蓖麻硬蜱.zip

YOLO算法-多类别检测数据集-9693张图像带标签-瓶子-盆栽植物-火车-奶牛-可供用餐-船-马-鸟-飞机-椅子-猫-电视监视器-汽车-自行车-狗.zip

YOLO算法-人员检测概述数据集-20593张图像带标签-人.zip

YOLO算法-昆虫图像数据集-15428张图像带标签-网状皮螨-硬蜱-蓖麻硬蜱.zip；YOLO算法-昆虫图像数据集-15428张图像带标签-网状皮螨-硬蜱-蓖麻硬蜱.zip；YOLO算法-昆虫图像数据集-15428张图像带标签-网状皮螨-硬蜱-蓖麻硬蜱.zip

YOLO与VOC格式的种子发芽识别数据集，适用于YOLO系列、Faster Rcnn、SSD等模型训练，类别：pg_im、pg_el、sc_im、sc_el、zm_im、zm_el，图片数量23797。文件中包含图片、txt标签、指定类别信息的yaml文件、xml标签，已将图片和txt标签划分为训练集、验证集和测试集，可直接用于YOLOv5、YOLOv6、YOLOv7、YOLOv8、YOLOv9、YOLOv10等YOLO系列算法的训练。

YOLO系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中，文件名末尾是部分类别名称; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值；

YOLO系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中，文件名末尾是部分类别名称; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值；

YOLO系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中，文件名末尾是部分类别名称; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值；

YOLO系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中，文件名末尾是部分类别名称; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值；

YOLO系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中，文件名末尾是部分类别名称; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值；

YOLO系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中，文件名末尾是部分类别名称; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值；

YOLO系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中，文件名末尾是部分类别名称; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值；

YOLO系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中，文件名末尾是部分类别名称; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值；

YOLO系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中，文件名末尾是部分类别名称; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值；

YOLO系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中，文件名末尾是部分类别名称; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值；

YOLO系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中，文件名末尾是部分类别名称; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值；

YOLO系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中，文件名末尾是部分类别名称; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值；

YOLO系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中，文件名末尾是部分类别名称; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值；

YOLO系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中，文件名末尾是部分类别名称; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值；

YOLO系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中，文件名末尾是部分类别名称; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值；

YOLO系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中，文件名末尾是部分类别名称; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值；

YOLO系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中，文件名末尾是部分类别名称; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值；

YOLO系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中，文件名末尾是部分类别名称; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值；

YOLO系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中，文件名末尾是部分类别名称; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值；