![](https://csdnimg.cn/release/downloadcmsfe/public/img/no-data.51c5211b.png)
![](https://csdnimg.cn/release/downloadcmsfe/public/img/good-course.ff455529.png)
- 基于efficientnet+yolov5融合改进对皮肤病检测【包含数据集、代码、训练好的权重文件】数据集大小:62MB经测试,代码可以直接使用。 【yolov5】项目总大小:61 MB 本项目更换了yolov5骨干网络为官方实现的EfficientNet网络,简单训练了100个epoch,map50指标为0.77,map50-95指标为0.4 【如何训练】和yolov5一样的训练方法,摆放好datasets数据,然后更改yaml文件中的类别信息即可训练 【数据集】1类别 训练集datasets-images-train:555张图片和555个标签txt文件组成 验证集datasets-images-val:98张图片和98个标签txt文件组成 更多yolov5改进介绍、或者如何训练,请参考: https://blog.csdn.net/qq_44886601/category_12605353.html经测试,代码可以直接使用。 【yolov5】项目总大小:61 MB 本项目更换了yolov5骨干网络为官方实现的EfficientNet网络,简单训练了100个epoch,map50指标为0.77,map50-95指标为0.4 【如何训练】和yolov5一样的训练方法,摆放好datasets数据,然后更改yaml文件中的类别信息即可训练 【数据集】1类别 训练集datasets-images-train:555张图片和555个标签txt文件组成 验证集datasets-images-val:98张图片和98个标签txt文件组成 更多yolov5改进介绍、或者如何训练,请参考: https://blog.csdn.net/qq_44886601/category_12605353.html
0 5浏览
¥ 39.90 - YOLO 数据集:皮肤病变检测(1类)【包含划分好的数据集、类别class文件、数据可视化脚本】数据集大小:21MB数据保存按照YOLOV5文件夹保存,可直接用作yolo检测。 标注格式为:classes,x_centre、y_centre、w、h (yolo的相对坐标标注) 数据分为分为训练集和验证集、测试集: 训练集datasets-images-train:457张图片和457个标签txt文件组成 验证集datasets-images-val:98张图片和98个标签txt文件组成 测试集datasets-images-val:98张图片和98个标签txt文件组成 【txt类别文本文件】标签类别txt格式 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html数据保存按照YOLOV5文件夹保存,可直接用作yolo检测。 标注格式为:classes,x_centre、y_centre、w、h (yolo的相对坐标标注) 数据分为分为训练集和验证集、测试集: 训练集datasets-images-train:457张图片和457个标签txt文件组成 验证集datasets-images-val:98张图片和98个标签txt文件组成 测试集datasets-images-val:98张图片和98个标签txt文件组成 【txt类别文本文件】标签类别txt格式 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html
0 6浏览
¥ 29.90 - YOLO 数据集:星云检测(4类)【包含划分好的数据集、类别class文件、数据可视化脚本】数据集大小:171MB数据保存按照YOLOV5文件夹保存,可直接用作yolo检测。 标注格式为:classes,x_centre、y_centre、w、h (yolo的相对坐标标注) 数据分为分为训练集和验证集: 训练集datasets-images-train:20837张图片和20837个标签txt文件组成 验证集datasets-images-val:1872张图片和1872个标签txt文件组成 测试集datasets-images-val:1223张图片和1223个标签txt文件组成 【txt类别文本文件】标签类别txt格式 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html数据保存按照YOLOV5文件夹保存,可直接用作yolo检测。 标注格式为:classes,x_centre、y_centre、w、h (yolo的相对坐标标注) 数据分为分为训练集和验证集: 训练集datasets-images-train:20837张图片和20837个标签txt文件组成 验证集datasets-images-val:1872张图片和1872个标签txt文件组成 测试集datasets-images-val:1223张图片和1223个标签txt文件组成 【txt类别文本文件】标签类别txt格式 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html
0 4浏览
¥ 19.90 - 基于 Unet++ 对人体头发分割实战【包含数据集、完整代码、训练好的结果】数据集大小:396MB基于 UnetPlusPlus 网络对头发分割 代码均为手写,全网无重复,训练自己数据很简单,只需要摆放好数据即可,具体参考README文件,小白均可使用 代码详细介绍:https://blog.csdn.net/qq_44886601/article/details/138858574 数据集:头发分割(2类别,约2200张数据和标注图像) 网络仅仅测试5个epoch,全局像素点的准确度达到0.94,精确度为0.73,召回率为0.71,dice为0.74,训练epoch加大的话,性能还会更加优越! 代码介绍: 训练过程提供了多种优化器选择(Adam、SGD、RMSProp),损失函数采用BCE 逻辑损失,学习率的衰减提供了常规恒定lr、余弦退火算法、以及step学习率衰减。可以自行选择 【训练过程会生成最好和最后一个权重,以及数据预处理完的可视化效果图、dice、loss曲线、训练日志等等】基于 UnetPlusPlus 网络对头发分割 代码均为手写,全网无重复,训练自己数据很简单,只需要摆放好数据即可,具体参考README文件,小白均可使用 代码详细介绍:https://blog.csdn.net/qq_44886601/article/details/138858574 数据集:头发分割(2类别,约2200张数据和标注图像) 网络仅仅测试5个epoch,全局像素点的准确度达到0.94,精确度为0.73,召回率为0.71,dice为0.74,训练epoch加大的话,性能还会更加优越! 代码介绍: 训练过程提供了多种优化器选择(Adam、SGD、RMSProp),损失函数采用BCE 逻辑损失,学习率的衰减提供了常规恒定lr、余弦退火算法、以及step学习率衰减。可以自行选择 【训练过程会生成最好和最后一个权重,以及数据预处理完的可视化效果图、dice、loss曲线、训练日志等等】
0 3浏览
¥ 69.90 - 基于Swin-Unet自适应多尺度训练、多类别分割、迁移学习:腹部器官(14分割)【包含数据、代码、训练好的结果】迁移学习大小:580MB基于Swin-Unet自适应多尺度训练、多类别分割、迁移学习:腹部器官分割 代码详细介绍以及更换数据集参考readme文件或者参考博文:https://blog.csdn.net/qq_44886601/article/details/137043026 网络仅仅训练了15个epochs,全局像素点的准确度达到0.98,miou为0.43。训练epoch加大的话,性能还会更加优越! 代码介绍: 【训练】train 脚本会自动训练,代码会自动将数据随机缩放为设定尺寸的0.8-1.2倍之间,实现多尺度训练。为了实现多分割项目,utils中的compute_gray函数会将mask灰度值保存在txt文本,并且自动为网络定义输出的channel 【介绍】学习率采用cos衰减,训练集和测试集的损失和iou曲线可以在run_results文件内查看,图像由matplotlib库绘制。除此外,还保存了训练日志,最好权重等,在训练日志可以看到每个类别的iou、recall、precision以及全局像素点的准确率等等基于Swin-Unet自适应多尺度训练、多类别分割、迁移学习:腹部器官分割 代码详细介绍以及更换数据集参考readme文件或者参考博文:https://blog.csdn.net/qq_44886601/article/details/137043026 网络仅仅训练了15个epochs,全局像素点的准确度达到0.98,miou为0.43。训练epoch加大的话,性能还会更加优越! 代码介绍: 【训练】train 脚本会自动训练,代码会自动将数据随机缩放为设定尺寸的0.8-1.2倍之间,实现多尺度训练。为了实现多分割项目,utils中的compute_gray函数会将mask灰度值保存在txt文本,并且自动为网络定义输出的channel 【介绍】学习率采用cos衰减,训练集和测试集的损失和iou曲线可以在run_results文件内查看,图像由matplotlib库绘制。除此外,还保存了训练日志,最好权重等,在训练日志可以看到每个类别的iou、recall、precision以及全局像素点的准确率等等
0 11浏览
¥ 59.90 - 图像分割数据集:头发分割(2类)【数据集+标签文件+数据可视化代码】数据集大小:66MB图像分辨率为:512*512 数据格式:jpg mask标签格式:png 标签信息:0背景、255为头发。【具体的标签类别可以在classes txt文本中查看】 为了方便观察掩膜,提供了可视化代码。 数据集介绍:分为训练集、测试集 训练集:images图片目录+masks模板目录,1574张图片和1574个对应的mask图片 测试集:images图片目录+masks模板目录,674张图片和674个对应的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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html图像分辨率为:512*512 数据格式:jpg mask标签格式:png 标签信息:0背景、255为头发。【具体的标签类别可以在classes txt文本中查看】 为了方便观察掩膜,提供了可视化代码。 数据集介绍:分为训练集、测试集 训练集:images图片目录+masks模板目录,1574张图片和1574个对应的mask图片 测试集:images图片目录+masks模板目录,674张图片和674个对应的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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html
0 4浏览
¥ 19.90 - 腹部CT肝脏分割(DICOM格式)7Z大小:259MB共约3000个带标签的数据共约3000个带标签的数据
0 5浏览
¥ 29.90 - 基于Unet 对腹部器官分割项目【包含数据集、完整代码、训练的结果文件】数据集大小:505MB本项目数据集:腹部器官分割【0. 背景 1. 脾脏 2. 右肾 3. 左肾 4. 胆囊 5. 食道 6. 肝脏 7. 胃 8. 主动脉 9. 下腔静脉 10. 门静脉和脾静脉 11. 胰腺 12 右肾上腺 13 左肾上腺】 代码介绍:【参考文章:https://blog.csdn.net/qq_44886601/article/details/136047740】 【训练】train 脚本会自动训练,代码会自动将数据随机缩放为设定尺寸的0.5-1.5倍之间,实现多尺度训练。为了实现多分割项目,utils中的compute_gray函数会将mask灰度值保存在txt文本,并且自动为unet网络定义输出的channel 【介绍】学习率采用cos衰减,训练集和测试集的损失和iou曲线可以在run_results文件内查看,图像由matplotlib库绘制。除此外,还保存了训练日志,最好权重等,在训练日志可以看到每个类别的iou、recall、precision以及全局像素点的准确率等等 具体参考README文件本项目数据集:腹部器官分割【0. 背景 1. 脾脏 2. 右肾 3. 左肾 4. 胆囊 5. 食道 6. 肝脏 7. 胃 8. 主动脉 9. 下腔静脉 10. 门静脉和脾静脉 11. 胰腺 12 右肾上腺 13 左肾上腺】 代码介绍:【参考文章:https://blog.csdn.net/qq_44886601/article/details/136047740】 【训练】train 脚本会自动训练,代码会自动将数据随机缩放为设定尺寸的0.5-1.5倍之间,实现多尺度训练。为了实现多分割项目,utils中的compute_gray函数会将mask灰度值保存在txt文本,并且自动为unet网络定义输出的channel 【介绍】学习率采用cos衰减,训练集和测试集的损失和iou曲线可以在run_results文件内查看,图像由matplotlib库绘制。除此外,还保存了训练日志,最好权重等,在训练日志可以看到每个类别的iou、recall、precision以及全局像素点的准确率等等 具体参考README文件
0 3浏览
¥ 59.90 - C#使用yolov10的目标检测tensorrt模型演示源码+全部源码+所有dll文件目标检测大小:208MB【测试通过环境】 win10 x64 vs2019 cuda11.7+cudnn8.8.0 TensorRT-8.6.1.6 opencvsharp==4.9.0 .NET Framework4.7.2 NVIDIA GeForce RTX 2070 Super 博客地址:https://blog.csdn.net/FL1623863129/article/details/139682652 视频演示:https://blog.csdn.net/FL1623863129/article/details/139682652【测试通过环境】 win10 x64 vs2019 cuda11.7+cudnn8.8.0 TensorRT-8.6.1.6 opencvsharp==4.9.0 .NET Framework4.7.2 NVIDIA GeForce RTX 2070 Super 博客地址:https://blog.csdn.net/FL1623863129/article/details/139682652 视频演示:https://blog.csdn.net/FL1623863129/article/details/139682652
0 14浏览
¥ 299.90 - 基于 DenseUnet 对腹部14器官的分割实战【包含代码+数据集+训练结果】软件/插件大小:426MB腹部14器官(BTCV):1. 脾脏 2. 右肾 3. 左肾 4. 胆囊 5. 食道 6. 肝脏 7. 胃 8. 主动脉 9. 下腔静脉 10. 门静脉和脾静脉 11. 胰腺 12 右肾上腺 13 左肾上腺 densenet代码介绍参考:https://blog.csdn.net/qq_44886601/article/details/139601016 其他分割网络实战:https://blog.csdn.net/qq_44886601/category_12102735.html 1.train 脚本会生成训练集、验证集的loss、iou曲线、学习率衰减曲线、训练日志、数据集可视化图像等等 2.evaluate 验证脚本用于评估模型,计算测试集的iou、recall、precision、像素准确率等等 3.predice 脚本用于推理图像,会生成gt以及gt+image的掩膜图像 【代码做了详细注释,可以自行下载查看,想要训练自己的数据,参考README文件,傻瓜式运行】 【本项目训练了100个epoch,验证集的mean iou为0.73,pixel准确率为0.99】腹部14器官(BTCV):1. 脾脏 2. 右肾 3. 左肾 4. 胆囊 5. 食道 6. 肝脏 7. 胃 8. 主动脉 9. 下腔静脉 10. 门静脉和脾静脉 11. 胰腺 12 右肾上腺 13 左肾上腺 densenet代码介绍参考:https://blog.csdn.net/qq_44886601/article/details/139601016 其他分割网络实战:https://blog.csdn.net/qq_44886601/category_12102735.html 1.train 脚本会生成训练集、验证集的loss、iou曲线、学习率衰减曲线、训练日志、数据集可视化图像等等 2.evaluate 验证脚本用于评估模型,计算测试集的iou、recall、precision、像素准确率等等 3.predice 脚本用于推理图像,会生成gt以及gt+image的掩膜图像 【代码做了详细注释,可以自行下载查看,想要训练自己的数据,参考README文件,傻瓜式运行】 【本项目训练了100个epoch,验证集的mean iou为0.73,pixel准确率为0.99】
0 11浏览
¥ 69.90 - 医学图像分割数据:腹部14器官切片分割(BTCV)【包含3个切面的切片数据、标签文件、可视化代码】软件/插件大小:855MB项目包含:腹部14器官切片分割(BTCV)【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,0. 背景 1. 脾脏 2. 右肾 3. 左肾 4. 胆囊 5. 食道 6. 肝脏 7. 胃 8. 主动脉 9. 下腔静脉 10. 门静脉和脾静脉 11. 胰腺 12 右肾上腺 13 左肾上腺】 数据集:BTCV切片数据,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3%的数据。对源数据CT图像进行了对比度拉伸(windowing方法),并全部缩放为512*512大小。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,1141张图片和1141个对应的mask图片 y轴:images图片目录+masks模板目录,5691张图片和5691个对应的mask图片 z轴:images图片目录+masks模板目录,6811张图片和6811个对应的mask图片项目包含:腹部14器官切片分割(BTCV)【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,0. 背景 1. 脾脏 2. 右肾 3. 左肾 4. 胆囊 5. 食道 6. 肝脏 7. 胃 8. 主动脉 9. 下腔静脉 10. 门静脉和脾静脉 11. 胰腺 12 右肾上腺 13 左肾上腺】 数据集:BTCV切片数据,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3%的数据。对源数据CT图像进行了对比度拉伸(windowing方法),并全部缩放为512*512大小。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,1141张图片和1141个对应的mask图片 y轴:images图片目录+masks模板目录,5691张图片和5691个对应的mask图片 z轴:images图片目录+masks模板目录,6811张图片和6811个对应的mask图片
0 15浏览
¥ 49.90 - 腹部14器官分割数据集(基于3D的医学nii.gz格式)数据集大小:953MB数据:腹部14器官分割数据集(基于3D的医学nii.gz格式) 共有30个样本,以及对应的标签文件。数据标注为nii.gz,可以用ITK-SNAP打开 类别:0. 背景 1. 脾脏 2. 右肾 3. 左肾 4. 胆囊 5. 食道 6. 肝脏 7. 胃 8. 主动脉 9. 下腔静脉 10. 门静脉和脾静脉 11. 胰腺 12 右肾上腺 13 左肾上腺(具体英文类别参考json文件) 关于unet的分割项目:https://blog.csdn.net/qq_44886601/article/details/137345710数据:腹部14器官分割数据集(基于3D的医学nii.gz格式) 共有30个样本,以及对应的标签文件。数据标注为nii.gz,可以用ITK-SNAP打开 类别:0. 背景 1. 脾脏 2. 右肾 3. 左肾 4. 胆囊 5. 食道 6. 肝脏 7. 胃 8. 主动脉 9. 下腔静脉 10. 门静脉和脾静脉 11. 胰腺 12 右肾上腺 13 左肾上腺(具体英文类别参考json文件) 关于unet的分割项目:https://blog.csdn.net/qq_44886601/article/details/137345710
0 9浏览
¥ 19.90 - 基于VGG网络对4种咖啡豆分类的迁移学习项目【数据集+代码+训练的所有结果】迁移学习大小:725MB【包含项目的完整代码、数据集和训练好的权重文件等等,代码经过多次测试可以直接使用】 项目总大小:795 MB 数据集为4种咖啡豆分类(Dark、Green、Light、Medium),数据划分好了训练集和测试集 【代码介绍,使用vgg16,参数量为大约为6kw左右】 网络训练的时候采用cos 学习率自动衰减,训练了50个epoch。模型在测试集最好的表现达到93%精度,网络并未收敛,加大epoch可以增加精度。在run_results 目录下存有最好的权重文件,以及训练日志和loss、精度曲线等等 预测的时候,只需要运行predict即可,代码会自动将inference下所有图片推理,并取前三个概率最大类别的绘制在左上角 【训练自己的数据参考readme文件,不需要更改参数,只需要摆放好数据集即可。超参数代码会自动生成,例如分类类别个数等等】 其他分类网络代码:https://blog.csdn.net/qq_44886601/category_12056269.html【包含项目的完整代码、数据集和训练好的权重文件等等,代码经过多次测试可以直接使用】 项目总大小:795 MB 数据集为4种咖啡豆分类(Dark、Green、Light、Medium),数据划分好了训练集和测试集 【代码介绍,使用vgg16,参数量为大约为6kw左右】 网络训练的时候采用cos 学习率自动衰减,训练了50个epoch。模型在测试集最好的表现达到93%精度,网络并未收敛,加大epoch可以增加精度。在run_results 目录下存有最好的权重文件,以及训练日志和loss、精度曲线等等 预测的时候,只需要运行predict即可,代码会自动将inference下所有图片推理,并取前三个概率最大类别的绘制在左上角 【训练自己的数据参考readme文件,不需要更改参数,只需要摆放好数据集即可。超参数代码会自动生成,例如分类类别个数等等】 其他分类网络代码:https://blog.csdn.net/qq_44886601/category_12056269.html
0 15浏览
¥ 59.90 - 基于efficientnet+yolov5融合改进对水稻秧苗检测【包含数据集、代码、训练好的权重文件】数据集大小:153MB经测试,代码可以直接使用。 【yolov5】项目总大小:175 MB 本项目更换了yolov5骨干网络为官方实现的EfficientNet网络,简单训练了100个epoch,map50指标为0.96,map50-95指标为0.6 【如何训练】和yolov5一样的训练方法,摆放好datasets数据,然后更改yaml文件中的类别信息即可训练 【数据集】1类别 训练集datasets-images-train:2079张图片和2079个标签txt文件组成 验证集datasets-images-val:71张图片和71个标签txt文件组成 更多yolov5改进介绍、或者如何训练,请参考: https://blog.csdn.net/qq_44886601/category_12605353.html经测试,代码可以直接使用。 【yolov5】项目总大小:175 MB 本项目更换了yolov5骨干网络为官方实现的EfficientNet网络,简单训练了100个epoch,map50指标为0.96,map50-95指标为0.6 【如何训练】和yolov5一样的训练方法,摆放好datasets数据,然后更改yaml文件中的类别信息即可训练 【数据集】1类别 训练集datasets-images-train:2079张图片和2079个标签txt文件组成 验证集datasets-images-val:71张图片和71个标签txt文件组成 更多yolov5改进介绍、或者如何训练,请参考: https://blog.csdn.net/qq_44886601/category_12605353.html
0 18浏览
¥ 49.90 - 咖啡豆图像识别分类(包括划分好的数据【文件夹保存】、类别字典文件)数据集大小:7MB【分类个数:4分类】Dark、Green、Light、Medium 【数据集详情】data目录下分为2个目录,训练集和验证集。存放各自的同一类数据图片。训练集图片总数288,验证集图片总数72。 可以用作yolov5的分类数据集,和分类网络的数据集 【json文件】分类标签的字典文件 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【分类个数:4分类】Dark、Green、Light、Medium 【数据集详情】data目录下分为2个目录,训练集和验证集。存放各自的同一类数据图片。训练集图片总数288,验证集图片总数72。 可以用作yolov5的分类数据集,和分类网络的数据集 【json文件】分类标签的字典文件 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
0 5浏览
¥ 19.90 - YOLO 数据集:8 种寄生虫检测【包含划分好的数据集、类别class文件、数据可视化脚本】数据集大小:96MB数据保存按照YOLOV5文件夹保存,可直接用作yolo检测。 标注格式为:classes,x_centre、y_centre、w、h (yolo的相对坐标标注) 【数据集类别】8类别:钩虫、蛔虫、蠕虫肠杆菌等 数据划分后的格式: 训练集datasets-images-train:1484张图片和1484个标签txt文件组成 验证集datasets-images-val:411张图片和411个标签txt文件组成 测试集datasets-images-test:215张图片和215个标签txt文件组成 【txt类别文本文件】标签类别txt格式 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html数据保存按照YOLOV5文件夹保存,可直接用作yolo检测。 标注格式为:classes,x_centre、y_centre、w、h (yolo的相对坐标标注) 【数据集类别】8类别:钩虫、蛔虫、蠕虫肠杆菌等 数据划分后的格式: 训练集datasets-images-train:1484张图片和1484个标签txt文件组成 验证集datasets-images-val:411张图片和411个标签txt文件组成 测试集datasets-images-test:215张图片和215个标签txt文件组成 【txt类别文本文件】标签类别txt格式 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html
0 6浏览
¥ 39.90 - YOLO 数据集:家具检测(3类)【包含划分好的数据集、类别class文件、数据可视化脚本】数据集大小:48MB数据保存按照YOLOV5文件夹保存,可直接用作yolo检测。 标注格式为:classes,x_centre、y_centre、w、h (yolo的相对坐标标注) 【数据集类别】3类别:沙发、椅子、桌子 数据分为分为训练集和验证集: 训练集datasets-images-train:528张图片和528个标签txt文件组成 验证集datasets-images-val:161张图片和161个标签txt文件组成 【txt类别文本文件】标签类别txt格式 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html数据保存按照YOLOV5文件夹保存,可直接用作yolo检测。 标注格式为:classes,x_centre、y_centre、w、h (yolo的相对坐标标注) 【数据集类别】3类别:沙发、椅子、桌子 数据分为分为训练集和验证集: 训练集datasets-images-train:528张图片和528个标签txt文件组成 验证集datasets-images-val:161张图片和161个标签txt文件组成 【txt类别文本文件】标签类别txt格式 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html
0 11浏览
¥ 29.90 - YOLO 数据集:电阻、金属丝检测(3类)【包含划分好的数据集、类别class文件、数据可视化脚本】数据集大小:27MB数据保存按照YOLOV5文件夹保存,可直接用作yolo检测。 标注格式为:classes,x_centre、y_centre、w、h (yolo的相对坐标标注) 【数据集类别】3类别:试验板、电阻器、金属丝 数据分为分为训练集和验证集: 训练集datasets-images-train:1596张图片和1596个标签txt文件组成 验证集datasets-images-val:224张图片和224个标签txt文件组成 【txt类别文本文件】标签类别txt格式 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html数据保存按照YOLOV5文件夹保存,可直接用作yolo检测。 标注格式为:classes,x_centre、y_centre、w、h (yolo的相对坐标标注) 【数据集类别】3类别:试验板、电阻器、金属丝 数据分为分为训练集和验证集: 训练集datasets-images-train:1596张图片和1596个标签txt文件组成 验证集datasets-images-val:224张图片和224个标签txt文件组成 【txt类别文本文件】标签类别txt格式 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html
0 7浏览
¥ 29.90 - YOLO 数据集:水稻稻田秧苗检测(1类)【包含划分好的数据集、类别class文件、数据可视化脚本】数据集大小:111MB数据保存按照YOLOV5文件夹保存,可直接用作yolo检测。 标注格式为:classes,x_centre、y_centre、w、h (yolo的相对坐标标注) 【数据集类别】1类别:秧苗 数据分为分为训练集和验证集: 训练集datasets-images-train:2079张图片和2079个标签txt文件组成 验证集datasets-images-val:71张图片和71个标签txt文件组成 【txt类别文本文件】标签类别txt格式 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html数据保存按照YOLOV5文件夹保存,可直接用作yolo检测。 标注格式为:classes,x_centre、y_centre、w、h (yolo的相对坐标标注) 【数据集类别】1类别:秧苗 数据分为分为训练集和验证集: 训练集datasets-images-train:2079张图片和2079个标签txt文件组成 验证集datasets-images-val:71张图片和71个标签txt文件组成 【txt类别文本文件】标签类别txt格式 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html
0 22浏览
¥ 29.90 - CNN分类项目实战:基于DenseNet 网络对蚂蚁图像的迁移学习识别【包含数据集、代码、训练结果】cnn大小:254MB代码介绍:https://blog.csdn.net/qq_44886601/article/details/134951114 其他分类网络:https://blog.csdn.net/qq_44886601/category_12056269.html 网络训练的时候采用cos 余弦退火算法学习率自动衰减,训练了30个epoch。模型在测试集最好的表现达到66%精度。在run_results 目录下存有最好的权重文件,以及训练日志和loss、精度曲线等等。训练结束会计算数据集的混淆矩阵、召回率、精确性、特异度等等 预测的时候,只需要运行predict即可,代码会自动将inference下所有图片推理,并取前三个概率最大类别的绘制在左上角 如果想要训练自己的数据集,请查看README文件代码介绍:https://blog.csdn.net/qq_44886601/article/details/134951114 其他分类网络:https://blog.csdn.net/qq_44886601/category_12056269.html 网络训练的时候采用cos 余弦退火算法学习率自动衰减,训练了30个epoch。模型在测试集最好的表现达到66%精度。在run_results 目录下存有最好的权重文件,以及训练日志和loss、精度曲线等等。训练结束会计算数据集的混淆矩阵、召回率、精确性、特异度等等 预测的时候,只需要运行predict即可,代码会自动将inference下所有图片推理,并取前三个概率最大类别的绘制在左上角 如果想要训练自己的数据集,请查看README文件
0 2浏览
¥ 49.90 - 4种蚂蚁图像识别分类(包括划分好的数据【文件夹保存】、类别字典文件)数据集大小:160MB【分类个数:4分类】火蚁、鬼蚁、黑蚂蚁、黄猄蚁 【数据集详情】data目录下分为3个目录,训练集和验证集、测试集。存放各自的同一类数据图片。训练集图片总数3165,验证集图片总数302,验证集图片总数150。 可以用作yolov5的分类数据集,和分类网络的数据集 【json文件】分类标签的字典文件 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【分类个数:4分类】火蚁、鬼蚁、黑蚂蚁、黄猄蚁 【数据集详情】data目录下分为3个目录,训练集和验证集、测试集。存放各自的同一类数据图片。训练集图片总数3165,验证集图片总数302,验证集图片总数150。 可以用作yolov5的分类数据集,和分类网络的数据集 【json文件】分类标签的字典文件 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
0 17浏览
¥ 19.90 - 基于 DenseUnet 对人体背部26节脊椎的分割实战【包含代码+数据集+训练结果】软件/插件大小:529MB人体脊椎(26类):脊柱的每一根脊椎分割 densenet代码介绍参考:https://blog.csdn.net/qq_44886601/article/details/139601016 其他分割网络实战:https://blog.csdn.net/qq_44886601/category_12102735.html 1.train 脚本会生成训练集、验证集的loss、iou曲线、学习率衰减曲线、训练日志、数据集可视化图像等等 2.evaluate 验证脚本用于评估模型,计算测试集的iou、recall、precision、像素准确率等等 3.predice 脚本用于推理图像,会生成gt以及gt+image的掩膜图像 【代码做了详细注释,可以自行下载查看,想要训练自己的数据,参考README文件,傻瓜式运行】 【本项目训练了30个epoch,验证集的mean iou为0.7,pixel准确率为0.99】人体脊椎(26类):脊柱的每一根脊椎分割 densenet代码介绍参考:https://blog.csdn.net/qq_44886601/article/details/139601016 其他分割网络实战:https://blog.csdn.net/qq_44886601/category_12102735.html 1.train 脚本会生成训练集、验证集的loss、iou曲线、学习率衰减曲线、训练日志、数据集可视化图像等等 2.evaluate 验证脚本用于评估模型,计算测试集的iou、recall、precision、像素准确率等等 3.predice 脚本用于推理图像,会生成gt以及gt+image的掩膜图像 【代码做了详细注释,可以自行下载查看,想要训练自己的数据,参考README文件,傻瓜式运行】 【本项目训练了30个epoch,验证集的mean iou为0.7,pixel准确率为0.99】
0 13浏览
¥ 59.90 - 图像分割数据集:心脏CT分割(2类)【数据集+标签文件+数据可视化代码】数据集大小:111MB图像分辨率为:512*512 数据格式:png mask标签格式:png 标签信息:0背景、255为心脏。【具体的标签类别可以在classes txt文本中查看】 为了方便观察掩膜,提供了可视化代码。 数据集介绍:分为训练集、测试集 训练集:images图片目录+masks模板目录,667张图片和667个对应的mask图片 测试集:images图片目录+masks模板目录,285张图片和285个对应的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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html图像分辨率为:512*512 数据格式:png mask标签格式:png 标签信息:0背景、255为心脏。【具体的标签类别可以在classes txt文本中查看】 为了方便观察掩膜,提供了可视化代码。 数据集介绍:分为训练集、测试集 训练集:images图片目录+masks模板目录,667张图片和667个对应的mask图片 测试集:images图片目录+masks模板目录,285张图片和285个对应的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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html
0 11浏览
¥ 29.90 - 基于 Unet++ 对人体完整脊柱二分割实战【包含数据集、完整代码、训练好的结果】数据集大小:348MB基于 UnetPlusPlus 网络人体脊椎二分割实战 代码均为手写,全网无重复,训练自己数据很简单,只需要摆放好数据即可,具体参考README文件,小白均可使用 代码详细介绍:https://blog.csdn.net/qq_44886601/article/details/138858574 数据集:人体脊椎分割(2类别,约200张数据和标注图像) 网络仅仅测试30个epoch,全局像素点的准确度达到0.98,精确度为0.91,召回率为0.95,dice为0.93,训练epoch加大的话,性能还会更加优越! 代码介绍: 训练过程提供了多种优化器选择(Adam、SGD、RMSProp),损失函数采用BCE 逻辑损失,学习率的衰减提供了常规恒定lr、余弦退火算法、以及step学习率衰减。可以自行选择 【训练过程会生成最好和最后一个权重,以及数据预处理完的可视化效果图、dice、loss曲线、训练日志等等】基于 UnetPlusPlus 网络人体脊椎二分割实战 代码均为手写,全网无重复,训练自己数据很简单,只需要摆放好数据即可,具体参考README文件,小白均可使用 代码详细介绍:https://blog.csdn.net/qq_44886601/article/details/138858574 数据集:人体脊椎分割(2类别,约200张数据和标注图像) 网络仅仅测试30个epoch,全局像素点的准确度达到0.98,精确度为0.91,召回率为0.95,dice为0.93,训练epoch加大的话,性能还会更加优越! 代码介绍: 训练过程提供了多种优化器选择(Adam、SGD、RMSProp),损失函数采用BCE 逻辑损失,学习率的衰减提供了常规恒定lr、余弦退火算法、以及step学习率衰减。可以自行选择 【训练过程会生成最好和最后一个权重,以及数据预处理完的可视化效果图、dice、loss曲线、训练日志等等】
0 6浏览
¥ 69.90 - 医学图像分割数据:完整脊柱切片分割【包含3个切面划分的数据集(26类别)、标签文件、可视化代码】数据集大小:208MB项目包含:完整脊柱切片分割【包含3个切面划分的数据集(26类别)、标签文件、可视化代码】 【其中mask中0为背景,对人体整条脊椎中的每根椎体进行标注(从1到25),具体的参考classes.txt文件】 数据集:脊柱切片数据(CT),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3%的数据。mask的灰度值为0 1 2阈值图,图像为jpg格式,标签为png格式。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:512*512分辨率,images图片目录+masks模板目录,205张图片和205个对应的mask图片 y轴:512*487分辨率,images图片目录+masks模板目录,185张图片和185个对应的mask图片 z轴:images图片目录+masks模板目录,2062张图片和2062个对应的mask图片项目包含:完整脊柱切片分割【包含3个切面划分的数据集(26类别)、标签文件、可视化代码】 【其中mask中0为背景,对人体整条脊椎中的每根椎体进行标注(从1到25),具体的参考classes.txt文件】 数据集:脊柱切片数据(CT),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3%的数据。mask的灰度值为0 1 2阈值图,图像为jpg格式,标签为png格式。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:512*512分辨率,images图片目录+masks模板目录,205张图片和205个对应的mask图片 y轴:512*487分辨率,images图片目录+masks模板目录,185张图片和185个对应的mask图片 z轴:images图片目录+masks模板目录,2062张图片和2062个对应的mask图片
0 8浏览
¥ 39.90 - 基于 Unet++ 对紫油菜籽叶片分割实战【包含数据集、完整代码、训练好的结果】数据集大小:445MB基于 UnetPlusPlus 网络紫油菜籽叶片分割实战 代码均为手写,全网无重复,训练自己数据很简单,只需要摆放好数据即可,具体参考README文件,小白均可使用 代码详细介绍:https://blog.csdn.net/qq_44886601/article/details/138858574 数据集:紫油菜籽叶片分割(2类别,约16000张数据和标注图像) 网络仅仅测试2个epoch,全局像素点的准确度达到0.94,精确度为0.668,召回率为0.96,dice为0.74,训练epoch加大的话,性能还会更加优越! 代码介绍: 训练过程提供了多种优化器选择(Adam、SGD、RMSProp),损失函数采用BCE 逻辑损失,学习率的衰减提供了常规恒定lr、余弦退火算法、以及step学习率衰减。可以自行选择 【训练过程会生成最好和最后一个权重,以及数据预处理完的可视化效果图、dice、loss曲线、训练日志等等】基于 UnetPlusPlus 网络紫油菜籽叶片分割实战 代码均为手写,全网无重复,训练自己数据很简单,只需要摆放好数据即可,具体参考README文件,小白均可使用 代码详细介绍:https://blog.csdn.net/qq_44886601/article/details/138858574 数据集:紫油菜籽叶片分割(2类别,约16000张数据和标注图像) 网络仅仅测试2个epoch,全局像素点的准确度达到0.94,精确度为0.668,召回率为0.96,dice为0.74,训练epoch加大的话,性能还会更加优越! 代码介绍: 训练过程提供了多种优化器选择(Adam、SGD、RMSProp),损失函数采用BCE 逻辑损失,学习率的衰减提供了常规恒定lr、余弦退火算法、以及step学习率衰减。可以自行选择 【训练过程会生成最好和最后一个权重,以及数据预处理完的可视化效果图、dice、loss曲线、训练日志等等】
0 11浏览
¥ 69.90 - 基于efficientnet+yolov5融合改进对植物幼苗检测【包含数据集、代码、训练好的权重文件】数据集大小:266MB基于efficientnet+yolov5融合改进对植物幼苗检测【包含数据集、代码、训练好的权重文件】。经测试,代码可以直接使用。 【yolov5】项目总大小:266 MB 本项目更换了yolov5骨干网络为官方实现的EfficientNet网络,简单训练了100个epoch,map指标为0.76。 【如何训练】和yolov5一样的训练方法,摆放好datasets数据,然后更改yaml文件中的类别信息即可训练 【数据集】1类别 训练集datasets-images-train:1500张图片和1500个标签txt文件组成 验证集datasets-images-val:214张图片和214个标签txt文件组成 更多yolov5改进介绍、或者如何训练,请参考: https://blog.csdn.net/qq_44886601/category_12605353.html基于efficientnet+yolov5融合改进对植物幼苗检测【包含数据集、代码、训练好的权重文件】。经测试,代码可以直接使用。 【yolov5】项目总大小:266 MB 本项目更换了yolov5骨干网络为官方实现的EfficientNet网络,简单训练了100个epoch,map指标为0.76。 【如何训练】和yolov5一样的训练方法,摆放好datasets数据,然后更改yaml文件中的类别信息即可训练 【数据集】1类别 训练集datasets-images-train:1500张图片和1500个标签txt文件组成 验证集datasets-images-val:214张图片和214个标签txt文件组成 更多yolov5改进介绍、或者如何训练,请参考: https://blog.csdn.net/qq_44886601/category_12605353.html
0 10浏览
¥ 49.90 - 图像分割数据集:大型紫油菜籽叶片分割(2类)【数据集+标签文件+数据可视化代码】数据集大小:116MB图像分辨率为:256*256 数据格式:jpg mask标签格式:png 标签信息:0背景、85为紫油菜籽叶片。【具体的标签类别可以在classes txt文本中查看】 为了方便观察掩膜,提供了可视化代码。 数据集介绍:分为训练集、测试集 训练集:images图片目录+masks模板目录,11766张图片和11766个对应的mask图片 测试集:images图片目录+masks模板目录,4671张图片和4671个对应的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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html图像分辨率为:256*256 数据格式:jpg mask标签格式:png 标签信息:0背景、85为紫油菜籽叶片。【具体的标签类别可以在classes txt文本中查看】 为了方便观察掩膜,提供了可视化代码。 数据集介绍:分为训练集、测试集 训练集:images图片目录+masks模板目录,11766张图片和11766个对应的mask图片 测试集:images图片目录+masks模板目录,4671张图片和4671个对应的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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html
0 8浏览
¥ 39.90 - 图像分割数据集:水稻幼苗分割(3类)【数据集+标签文件+数据可视化代码】数据集大小:543MB图像分辨率为:640*640 数据格式:jpg mask标签格式:png 标签信息:0背景、1为水稻幼苗、2为Stressed Rice Seedling等。【具体的标签类别可以在classes txt文本中查看】 为了方便观察掩膜,提供了可视化代码。 数据集介绍:分为训练集、测试集 训练集:images图片目录+masks模板目录,23406张图片和23406个对应的mask图片 测试集:images图片目录+masks模板目录,1882张图片和1882个对应的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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html图像分辨率为:640*640 数据格式:jpg mask标签格式:png 标签信息:0背景、1为水稻幼苗、2为Stressed Rice Seedling等。【具体的标签类别可以在classes txt文本中查看】 为了方便观察掩膜,提供了可视化代码。 数据集介绍:分为训练集、测试集 训练集:images图片目录+masks模板目录,23406张图片和23406个对应的mask图片 测试集:images图片目录+masks模板目录,1882张图片和1882个对应的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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html
0 12浏览
¥ 29.90 - YOLO 数据集:水稻稻穗检测(1类)【包含划分好的数据集、类别class文件、数据可视化脚本】数据集大小:92MB数据保存按照YOLOV5文件夹保存,可直接用作yolo检测。 标注格式为:classes,x_centre、y_centre、w、h (yolo的相对坐标标注) 【数据集类别】1类别:稻穗 数据分为分为训练集和验证集: 训练集datasets-images-train:6108张图片和6108个标签txt文件组成 验证集datasets-images-val:530张图片和530个标签txt文件组成 【txt类别文本文件】标签类别txt格式 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html数据保存按照YOLOV5文件夹保存,可直接用作yolo检测。 标注格式为:classes,x_centre、y_centre、w、h (yolo的相对坐标标注) 【数据集类别】1类别:稻穗 数据分为分为训练集和验证集: 训练集datasets-images-train:6108张图片和6108个标签txt文件组成 验证集datasets-images-val:530张图片和530个标签txt文件组成 【txt类别文本文件】标签类别txt格式 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html
0 12浏览
¥ 19.90 - YOLO 数据集:植物幼苗检测(1类)【包含划分好的数据集、类别class文件、数据可视化脚本】数据集大小:195MB项目包含:植物幼苗检测(1类)【包含划分好的数据集、类别class文件、数据可视化脚本】,数据保存按照YOLOV5文件夹保存,可直接用作目标检测数据集,无需额外处理。 标注格式为:classes,x_centre、y_centre、w、h (yolo的相对坐标标注) 【数据集类别】1类别:幼苗 【数据总大小压缩后】194 MB(数据分为分为训练集和验证集) 训练集datasets-images-train:1500张图片和1500个标签txt文件组成 验证集datasets-images-val:214张图片和214个标签txt文件组成 【txt类别文本文件】标签类别txt格式 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html项目包含:植物幼苗检测(1类)【包含划分好的数据集、类别class文件、数据可视化脚本】,数据保存按照YOLOV5文件夹保存,可直接用作目标检测数据集,无需额外处理。 标注格式为:classes,x_centre、y_centre、w、h (yolo的相对坐标标注) 【数据集类别】1类别:幼苗 【数据总大小压缩后】194 MB(数据分为分为训练集和验证集) 训练集datasets-images-train:1500张图片和1500个标签txt文件组成 验证集datasets-images-val:214张图片和214个标签txt文件组成 【txt类别文本文件】标签类别txt格式 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html
0 21浏览
¥ 29.90 - YOLO 数据集:大型植物叶片病害缺陷检测(29类)【包含划分好的数据集、类别class文件、数据可视化脚本】数据集大小:919MB项目包含:大型植物叶片病害缺陷检测(29类)【包含划分好的数据集、类别class文件、数据可视化脚本】,数据保存按照YOLOV5文件夹保存,可直接用作目标检测数据集,无需额外处理。 标注格式为:classes,x_centre、y_centre、w、h (yolo的相对坐标标注) 【数据集类别】29类别:葡萄叶黑腐病、番茄叶菌斑、苹果锈叶病、马铃薯晚疫病等等 【数据总大小压缩后】935 MB(数据分为分为训练集和验证集) 训练集datasets-images-train:2325张图片和2325个标签txt文件组成 验证集datasets-images-val:236张图片和236个标签txt文件组成 【txt类别文本文件】标签类别txt格式 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html项目包含:大型植物叶片病害缺陷检测(29类)【包含划分好的数据集、类别class文件、数据可视化脚本】,数据保存按照YOLOV5文件夹保存,可直接用作目标检测数据集,无需额外处理。 标注格式为:classes,x_centre、y_centre、w、h (yolo的相对坐标标注) 【数据集类别】29类别:葡萄叶黑腐病、番茄叶菌斑、苹果锈叶病、马铃薯晚疫病等等 【数据总大小压缩后】935 MB(数据分为分为训练集和验证集) 训练集datasets-images-train:2325张图片和2325个标签txt文件组成 验证集datasets-images-val:236张图片和236个标签txt文件组成 【txt类别文本文件】标签类别txt格式 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html
0 13浏览
¥ 39.90 - 目标检测数据集:大型植物叶片病害缺陷检测(29类)【VOC标注格式,包含训练集和验证集、类别json文件以及可视化脚本】目标检测大小:935MB项目包含:大型植物叶片病害缺陷检测(29类)【VOC标注格式,包含训练集和验证集、类别json文件以及可视化脚本】,数据保存按照文件夹保存,经测试,可直接用作目标检测数据集,无需额外处理。 【数据集介绍】29类别:葡萄叶黑腐病、番茄叶菌斑、苹果锈叶病、马铃薯晚疫病等等 【数据集详情】data目录下分为两个目录,训练数据和验证数据。训练集共2345张图片和2345个xml解释文件。验证集共239张图片和239个xml解释文件 【json文件】 类别标签的json字典文件 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行得到标注后的图像 关于yolo实战检测教程:https://blog.csdn.net/qq_44886601/article/details/134878776 yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html项目包含:大型植物叶片病害缺陷检测(29类)【VOC标注格式,包含训练集和验证集、类别json文件以及可视化脚本】,数据保存按照文件夹保存,经测试,可直接用作目标检测数据集,无需额外处理。 【数据集介绍】29类别:葡萄叶黑腐病、番茄叶菌斑、苹果锈叶病、马铃薯晚疫病等等 【数据集详情】data目录下分为两个目录,训练数据和验证数据。训练集共2345张图片和2345个xml解释文件。验证集共239张图片和239个xml解释文件 【json文件】 类别标签的json字典文件 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行得到标注后的图像 关于yolo实战检测教程:https://blog.csdn.net/qq_44886601/article/details/134878776 yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html
0 9浏览
¥ 29.90 - YOLO 数据集:瓷砖裂缝识别+检测(2类)【包含划分好的数据集、类别class文件、数据可视化脚本】数据集大小:92MB1700 张左右使用lableimg标注软件,图片格式为png,标签为txt文本,分别保存在不同目录中。可以用于瓷砖裂缝检测,对部分数据集进行翻转、添加噪声点数据增强。总共2类别:裂缝、正常,具体的查看classes.txt 文件 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! 可视化脚本参考:https://blog.csdn.net/qq_44886601/article/details/136578066 关于YOLOV5的检测以及改进参考:https://blog.csdn.net/qq_44886601/category_12605353.html1700 张左右使用lableimg标注软件,图片格式为png,标签为txt文本,分别保存在不同目录中。可以用于瓷砖裂缝检测,对部分数据集进行翻转、添加噪声点数据增强。总共2类别:裂缝、正常,具体的查看classes.txt 文件 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! 可视化脚本参考:https://blog.csdn.net/qq_44886601/article/details/136578066 关于YOLOV5的检测以及改进参考:https://blog.csdn.net/qq_44886601/category_12605353.html
0 27浏览
¥ 19.90 - 图像分类数据集:8种蔬菜识别【包括划分好的数据、类别字典文件、python数据可视化脚本】数据集大小:79MB数据包含:8种蔬菜识别【包括划分好的数据、类别字典文件、python数据可视化脚本】 【分类个数:8分类】茄子、胡萝卜、西葫芦、豆子、辣椒、萝卜、沙拉、西红柿 【数据集详情】data目录下分为3个目录,训练集和验证集、测试集。存放各自的同一类数据图片。训练集图片总数1090,验证集图片总数105,验证集图片总数52。可以用作yolov5的分类数据集. 【json文件】分类标签的字典文件 为了方便查看数据,提供了可视化py文件,随机传入4张图片即可展示,并且保存在当前目录。 脚本无需更改,可以直接运行!数据包含:8种蔬菜识别【包括划分好的数据、类别字典文件、python数据可视化脚本】 【分类个数:8分类】茄子、胡萝卜、西葫芦、豆子、辣椒、萝卜、沙拉、西红柿 【数据集详情】data目录下分为3个目录,训练集和验证集、测试集。存放各自的同一类数据图片。训练集图片总数1090,验证集图片总数105,验证集图片总数52。可以用作yolov5的分类数据集. 【json文件】分类标签的字典文件 为了方便查看数据,提供了可视化py文件,随机传入4张图片即可展示,并且保存在当前目录。 脚本无需更改,可以直接运行!
0 10浏览
¥ 29.90 - 医学图像分类数据集:人体MRI癌症识别6分类【包括划分好的数据、类别字典文件、python数据可视化脚本】数据集大小:251MB数据包含:人体MRI癌症识别6分类【包括划分好的数据、类别字典文件、python数据可视化脚本】 【分类个数:6分类】健康大脑、健康肝脏、健康的肺、脑瘤、肝癌、肺部肿瘤 【数据集详情】data目录下分为3个目录,训练集和验证集、测试集。存放各自的同一类数据图片。训练集图片总数6863,验证集图片总数1960,验证集图片总数980。可以用作yolov5的分类数据集. 【json文件】分类标签的字典文件 为了方便查看数据,提供了可视化py文件,随机传入4张图片即可展示,并且保存在当前目录。 脚本无需更改,可以直接运行!数据包含:人体MRI癌症识别6分类【包括划分好的数据、类别字典文件、python数据可视化脚本】 【分类个数:6分类】健康大脑、健康肝脏、健康的肺、脑瘤、肝癌、肺部肿瘤 【数据集详情】data目录下分为3个目录,训练集和验证集、测试集。存放各自的同一类数据图片。训练集图片总数6863,验证集图片总数1960,验证集图片总数980。可以用作yolov5的分类数据集. 【json文件】分类标签的字典文件 为了方便查看数据,提供了可视化py文件,随机传入4张图片即可展示,并且保存在当前目录。 脚本无需更改,可以直接运行!
0 20浏览
¥ 29.90 - 图像分割数据集:地图场景分割(4类)【数据集+标签文件+数据可视化代码】数据集大小:75MB图像分辨率为:1024*512 数据格式:png mask标签格式:png 标签信息:0背景、1为森林、2为道路等。【具体的标签类别可以在classes txt文本中查看】 为了方便观察掩膜,提供了可视化代码。 数据集介绍:分为训练集、测试集 训练集:images图片目录+masks模板目录,73张图片和73个对应的mask图片 测试集:images图片目录+masks模板目录,18张图片和18个对应的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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html图像分辨率为:1024*512 数据格式:png mask标签格式:png 标签信息:0背景、1为森林、2为道路等。【具体的标签类别可以在classes txt文本中查看】 为了方便观察掩膜,提供了可视化代码。 数据集介绍:分为训练集、测试集 训练集:images图片目录+masks模板目录,73张图片和73个对应的mask图片 测试集:images图片目录+masks模板目录,18张图片和18个对应的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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html
0 9浏览
¥ 19.90 - 颈椎骨头3D分割数据集(nii.gz格式)数据集大小:957MB数据为颈椎CT的骨头分割,对每一块颈椎进行分类标注。共有31个样本,以及对应的标签文件。数据标注为nii.gz,可以用ITK-SNAP打开数据为颈椎CT的骨头分割,对每一块颈椎进行分类标注。共有31个样本,以及对应的标签文件。数据标注为nii.gz,可以用ITK-SNAP打开
0 8浏览
¥ 19.90 - 颈椎CT骨骼分割数据【包含横端面、冠状面、矢状面切分的2d数据、可视化代码】软件/插件大小:349MB项目包含:颈椎CT骨骼分割数据【包含横端面、冠状面、矢状面切分的2d数据、可视化代码】 数据集:人体颈椎切片数据,对每个颈椎进行分割 mask的灰度值为0 1 2阈值图,图像和标签分别为png和png格式。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:512*512分辨率,3734张图片和3734个对应的mask图片 y轴:512*196分辨率,4252张图片和4252个对应的mask图片 z轴:512*196分辨率,2426张图片和2426个对应的mask图片 关于医学图像分割可以参考:https://blog.csdn.net/qq_44886601/category_12228072.html 关于分割:https://blog.csdn.net/qq_44886601/category_12102735.html项目包含:颈椎CT骨骼分割数据【包含横端面、冠状面、矢状面切分的2d数据、可视化代码】 数据集:人体颈椎切片数据,对每个颈椎进行分割 mask的灰度值为0 1 2阈值图,图像和标签分别为png和png格式。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:512*512分辨率,3734张图片和3734个对应的mask图片 y轴:512*196分辨率,4252张图片和4252个对应的mask图片 z轴:512*196分辨率,2426张图片和2426个对应的mask图片 关于医学图像分割可以参考:https://blog.csdn.net/qq_44886601/category_12228072.html 关于分割:https://blog.csdn.net/qq_44886601/category_12102735.html
0 9浏览
¥ 39.90 - 医学图像分割数据集:乳腺细胞癌症分割(2类)【数据集+标签文件+数据可视化代码】数据集大小:24MB图像分辨率为:512*512 数据格式:png mask标签格式:png 数据集为乳腺癌症细胞分割,分割的mask模版为0 1的阈值图像。mask的像素分布为0背景、255为癌症细胞等等。为了方便观察掩膜,提供了可视化代码。 【具体的标签类别可以在classes txt文本中查看】 数据集介绍:分为训练集、测试集 训练集:images图片目录+masks模板目录,40张图片和40个对应的mask图片 测试集:images图片目录+masks模板目录,10张图片和10个对应的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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html图像分辨率为:512*512 数据格式:png mask标签格式:png 数据集为乳腺癌症细胞分割,分割的mask模版为0 1的阈值图像。mask的像素分布为0背景、255为癌症细胞等等。为了方便观察掩膜,提供了可视化代码。 【具体的标签类别可以在classes txt文本中查看】 数据集介绍:分为训练集、测试集 训练集:images图片目录+masks模板目录,40张图片和40个对应的mask图片 测试集:images图片目录+masks模板目录,10张图片和10个对应的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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html
0 15浏览
¥ 14.90 - 青光眼眼底成像分割数据数据集大小:77MB包含 ORIGA、REFUGE 和 G1020 数据集,共有650、1200、1020张数据和标签。 可以运行show代码可视化数据包含 ORIGA、REFUGE 和 G1020 数据集,共有650、1200、1020张数据和标签。 可以运行show代码可视化数据
0 5浏览
¥ 19.90 - 交通信号灯检测(coco标注)交通物流大小:742MB2600张coco标注格式的交通信号灯检测2600张coco标注格式的交通信号灯检测
0 2浏览
¥ 19.90 - 基于 DenseUnet 对腹部多脏器5类的分割实战【包含代码+数据集+训练结果】软件/插件大小:365MB腹部多脏器(5类):背景、肝脏、右肾、左肾、脾脏 代码介绍参考:https://blog.csdn.net/qq_44886601/category_12102735.html 1.train 脚本会生成训练集、验证集的loss、iou曲线、学习率衰减曲线、训练日志、数据集可视化图像等等 2.evaluate 验证脚本用于评估模型,计算测试集的iou、recall、precision、像素准确率等等 3.predice 脚本用于推理图像,会生成gt以及gt+image的掩膜图像 【代码做了详细注释,可以自行下载查看,想要训练自己的数据,参考README文件,傻瓜式运行】 【本项目训练了50个epoch,验证集的mean iou为0.8】腹部多脏器(5类):背景、肝脏、右肾、左肾、脾脏 代码介绍参考:https://blog.csdn.net/qq_44886601/category_12102735.html 1.train 脚本会生成训练集、验证集的loss、iou曲线、学习率衰减曲线、训练日志、数据集可视化图像等等 2.evaluate 验证脚本用于评估模型,计算测试集的iou、recall、precision、像素准确率等等 3.predice 脚本用于推理图像,会生成gt以及gt+image的掩膜图像 【代码做了详细注释,可以自行下载查看,想要训练自己的数据,参考README文件,傻瓜式运行】 【本项目训练了50个epoch,验证集的mean iou为0.8】
0 12浏览
¥ 69.90 - 10种金属表面缺陷分类数据集【包括划分好的数据、类别字典文件、python数据可视化脚本 】数据集大小:922MB数据包含:10种金属表面缺陷分类数据集【包括划分好的数据、类别字典文件、python数据可视化脚本 】 数据集按照目录结构保存 【分类个数:10分类】折痕、孔洞、油斑、轧坑等等 【数据集详情】data目录下分为2个目录,训练集和验证集,存放各自的同一类数据图片。训练集图片总数1849,验证集图片总数457。同时还可以用作yolov项目的分类数据集. 【json文件】分类类别的字典文件 为了方便查看数据,提供了可视化py文件,随机传入4张图片即可展示,并且保存在当前目录。 脚本无需更改,可以直接运行!数据包含:10种金属表面缺陷分类数据集【包括划分好的数据、类别字典文件、python数据可视化脚本 】 数据集按照目录结构保存 【分类个数:10分类】折痕、孔洞、油斑、轧坑等等 【数据集详情】data目录下分为2个目录,训练集和验证集,存放各自的同一类数据图片。训练集图片总数1849,验证集图片总数457。同时还可以用作yolov项目的分类数据集. 【json文件】分类类别的字典文件 为了方便查看数据,提供了可视化py文件,随机传入4张图片即可展示,并且保存在当前目录。 脚本无需更改,可以直接运行!
0 10浏览
¥ 29.90 - 医学图像分割数据集:乳腺肿瘤细胞核分割(2类)【数据集+标签文件+数据可视化代码】数据集大小:62MB图像分辨率为:256*256,1000*1000 数据格式:png mask标签格式:png 数据集为乳腺肿瘤细胞核分割,分割的mask模版为0 1的阈值图像。mask的像素分布为0背景、1为肿瘤细胞瘤等等。为了方便观察掩膜,提供了可视化代码。 【具体的标签类别可以在classes txt文本中查看】 数据集介绍:分为训练集、测试集 训练集:images图片目录+masks模板目录,66张图片和66个对应的mask图片 测试集:images图片目录+masks模板目录,167张图片和16个对应的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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html图像分辨率为:256*256,1000*1000 数据格式:png mask标签格式:png 数据集为乳腺肿瘤细胞核分割,分割的mask模版为0 1的阈值图像。mask的像素分布为0背景、1为肿瘤细胞瘤等等。为了方便观察掩膜,提供了可视化代码。 【具体的标签类别可以在classes txt文本中查看】 数据集介绍:分为训练集、测试集 训练集:images图片目录+masks模板目录,66张图片和66个对应的mask图片 测试集:images图片目录+masks模板目录,167张图片和16个对应的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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html
0 8浏览
¥ 29.90 - YOLO 数据集:地面坑洞识别+检测(1类)【包含划分好的数据集、类别class文件、数据可视化脚本】数据集大小:334MB650 张左右使用lableimg标注软件,图片格式为png,标签为txt文本,分别保存在不同目录中。可以用于地面坑洞检测。总共1类别:坑洞等等,具体的查看classes.txt 文件 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! 可视化脚本参考:https://blog.csdn.net/qq_44886601/article/details/136578066 关于YOLOV5的检测以及改进参考:https://blog.csdn.net/qq_44886601/category_12605353.html650 张左右使用lableimg标注软件,图片格式为png,标签为txt文本,分别保存在不同目录中。可以用于地面坑洞检测。总共1类别:坑洞等等,具体的查看classes.txt 文件 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! 可视化脚本参考:https://blog.csdn.net/qq_44886601/article/details/136578066 关于YOLOV5的检测以及改进参考:https://blog.csdn.net/qq_44886601/category_12605353.html
0 6浏览
¥ 29.90 - 目标检测数据集:地面坑洞检测(1类)【VOC标注格式,包含训练集和验证集、类别json文件以及可视化脚本】目标检测大小:334MB项目包含:地面坑洞检测【VOC标注格式,包含训练集和验证集、类别json文件以及可视化脚本】 ,数据保存按照文件夹保存,经测试,可直接用作目标检测数据集,无需额外处理。 【数据集介绍】1类别:坑洞 【数据集详情】data目录下分为两个目录,训练数据和验证数据。训练集共532张图片和532个xml解释文件。验证集共133张图片和133个xml解释文件 【json文件】1 类别的json字典文件 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行得到标注后的图像 关于yolo实战检测教程:https://blog.csdn.net/qq_44886601/article/details/134878776 yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html项目包含:地面坑洞检测【VOC标注格式,包含训练集和验证集、类别json文件以及可视化脚本】 ,数据保存按照文件夹保存,经测试,可直接用作目标检测数据集,无需额外处理。 【数据集介绍】1类别:坑洞 【数据集详情】data目录下分为两个目录,训练数据和验证数据。训练集共532张图片和532个xml解释文件。验证集共133张图片和133个xml解释文件 【json文件】1 类别的json字典文件 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行得到标注后的图像 关于yolo实战检测教程:https://blog.csdn.net/qq_44886601/article/details/134878776 yolov5的改进实战:https://blog.csdn.net/qq_44886601/category_12605353.html
0 6浏览
¥ 19.90 - 基于efficientnet+yolov5融合改进对X影像下的人体骨折检测【包含数据集、代码、训练好的权重文件】数据集大小:43MB基于efficientnet+yolov5融合改进对X影像下的人体骨折检测【包含数据集、代码、训练好的权重文件】。经测试,代码可以直接使用。 【yolov5】项目总大小:44 MB 本项目更换了yolov5骨干网络为官方实现的EfficientNet网络,简单训练了100个epoch,map指标为0.52。这里仅仅训练了100个epoch用于测试,网络还没收敛,加大轮次可以获取更高的网络性能 【如何训练】和yolov5一样的训练方法,摆放好datasets数据,然后更改yaml文件中的类别信息即可训练 【数据集】(数据分为分为训练集和验证集) 训练集datasets-images-train:439张图片和439个标签txt文件组成 验证集datasets-images-val:52张图片和52个标签txt文件组成 更多yolov5改进介绍、或者如何训练,请参考: https://blog.csdn.net/qq_44886601/category_12605353.html基于efficientnet+yolov5融合改进对X影像下的人体骨折检测【包含数据集、代码、训练好的权重文件】。经测试,代码可以直接使用。 【yolov5】项目总大小:44 MB 本项目更换了yolov5骨干网络为官方实现的EfficientNet网络,简单训练了100个epoch,map指标为0.52。这里仅仅训练了100个epoch用于测试,网络还没收敛,加大轮次可以获取更高的网络性能 【如何训练】和yolov5一样的训练方法,摆放好datasets数据,然后更改yaml文件中的类别信息即可训练 【数据集】(数据分为分为训练集和验证集) 训练集datasets-images-train:439张图片和439个标签txt文件组成 验证集datasets-images-val:52张图片和52个标签txt文件组成 更多yolov5改进介绍、或者如何训练,请参考: https://blog.csdn.net/qq_44886601/category_12605353.html
0 8浏览
¥ 39.90 - 基于 Unet++ 对自动驾驶车道线分割实战【包含数据集、完整代码、训练好的结果】自动驾驶大小:489MB基于 UnetPlusPlus 网络自动驾驶车道线分割实战 代码均为手写,全网无重复,训练自己数据很简单,只需要摆放好数据即可,具体参考README文件,小白均可使用 代码详细介绍:https://blog.csdn.net/qq_44886601/article/details/138858574 数据集:自动驾驶车道线分割(2类别,约3200张数据和标注图像) 网络仅仅测试30个epoch,全局像素点的准确度达到0.995,精确度为0.907,召回率为0.908,dice为0.91,训练epoch加大的话,性能还会更加优越! 代码介绍: 训练过程提供了多种优化器选择(Adam、SGD、RMSProp),损失函数采用BCE 逻辑损失,学习率的衰减提供了常规恒定lr、余弦退火算法、以及step学习率衰减。可以自行选择 【训练过程会生成最好和最后一个权重,以及数据预处理完的可视化效果图、dice、loss曲线、训练日志等等】基于 UnetPlusPlus 网络自动驾驶车道线分割实战 代码均为手写,全网无重复,训练自己数据很简单,只需要摆放好数据即可,具体参考README文件,小白均可使用 代码详细介绍:https://blog.csdn.net/qq_44886601/article/details/138858574 数据集:自动驾驶车道线分割(2类别,约3200张数据和标注图像) 网络仅仅测试30个epoch,全局像素点的准确度达到0.995,精确度为0.907,召回率为0.908,dice为0.91,训练epoch加大的话,性能还会更加优越! 代码介绍: 训练过程提供了多种优化器选择(Adam、SGD、RMSProp),损失函数采用BCE 逻辑损失,学习率的衰减提供了常规恒定lr、余弦退火算法、以及step学习率衰减。可以自行选择 【训练过程会生成最好和最后一个权重,以及数据预处理完的可视化效果图、dice、loss曲线、训练日志等等】
0 43浏览
¥ 79.90 - YOLO 数据集:X影像下的人体骨折识别+检测(2类)【包含划分好的数据集、类别class文件、数据可视化脚本】数据集大小:11MB500 张左右使用lableimg标注软件,图片格式为jpg,标签为txt文本,分别保存在不同目录中。可以用于骨折检测。总共2类别:骨折、没有骨折等等,具体的查看classes.txt 文件 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! 可视化脚本参考:https://blog.csdn.net/qq_44886601/article/details/136578066 关于YOLOV5的检测以及改进参考:https://blog.csdn.net/qq_44886601/category_12605353.html500 张左右使用lableimg标注软件,图片格式为jpg,标签为txt文本,分别保存在不同目录中。可以用于骨折检测。总共2类别:骨折、没有骨折等等,具体的查看classes.txt 文件 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! 可视化脚本参考:https://blog.csdn.net/qq_44886601/article/details/136578066 关于YOLOV5的检测以及改进参考:https://blog.csdn.net/qq_44886601/category_12605353.html
0 17浏览
¥ 29.90 - 图像分割数据集:火焰图像语义分割(2类)【数据集+标签文件+数据可视化代码】数据集大小:295MB图像分辨率为:256*256 数据格式:jpg mask标签格式:png 数据集为火焰分割,分割的mask模版为0 1的阈值图像。mask的像素分布为0背景、其他为火焰。为了方便观察掩膜,提供了可视化代码。 【具体的标签类别可以在classes txt文本中查看】 数据集介绍:分为训练集、测试集 训练集:images图片目录+masks模板目录,19222张图片和19222个对应的mask图片 测试集:images图片目录+masks模板目录,8238张图片和8238个对应的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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html图像分辨率为:256*256 数据格式:jpg mask标签格式:png 数据集为火焰分割,分割的mask模版为0 1的阈值图像。mask的像素分布为0背景、其他为火焰。为了方便观察掩膜,提供了可视化代码。 【具体的标签类别可以在classes txt文本中查看】 数据集介绍:分为训练集、测试集 训练集:images图片目录+masks模板目录,19222张图片和19222个对应的mask图片 测试集:images图片目录+masks模板目录,8238张图片和8238个对应的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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html
0 13浏览
¥ 29.90 - 着火图像分类数据集【包括划分好的数据、类别字典文件、python数据可视化脚本 】数据集大小:406MB数据包含:2 种是否着火分类数据集【包括划分好的数据、类别字典文件、python数据可视化脚本 】 数据集为着火分类,数据集按照目录结构保存 【分类个数:2分类】有火、无火 【数据集详情】data目录下分为2个目录,训练集和验证集,存放各自的同一类数据图片。训练集图片总数27,197,验证集图片总数11,655。同时还可以用作yolov项目的分类数据集. 【json文件】分类类别的字典文件 为了方便查看数据,提供了可视化py文件,随机传入4张图片即可展示,并且保存在当前目录。 脚本无需更改,可以直接运行!数据包含:2 种是否着火分类数据集【包括划分好的数据、类别字典文件、python数据可视化脚本 】 数据集为着火分类,数据集按照目录结构保存 【分类个数:2分类】有火、无火 【数据集详情】data目录下分为2个目录,训练集和验证集,存放各自的同一类数据图片。训练集图片总数27,197,验证集图片总数11,655。同时还可以用作yolov项目的分类数据集. 【json文件】分类类别的字典文件 为了方便查看数据,提供了可视化py文件,随机传入4张图片即可展示,并且保存在当前目录。 脚本无需更改,可以直接运行!
0 11浏览
¥ 19.90 - 车牌检测数据集voc标注+yolo标注两种格式数据集大小:386MB433 张车辆数据,对车牌进行标注,标注格式分为xml和txt 两种格式,适用于voc和yolo的检测项目。 提供类别的json文件和classes文件,以及将bbox绘制在原图的可视化代码433 张车辆数据,对车牌进行标注,标注格式分为xml和txt 两种格式,适用于voc和yolo的检测项目。 提供类别的json文件和classes文件,以及将bbox绘制在原图的可视化代码
0 6浏览
¥ 39.90 - 医学图像分割数据集:气胸语义分割(5类)【数据集+标签文件+数据可视化代码】数据集大小:31MB图像分辨率为:128*128 数据格式:png mask标签格式:png 数据集为气胸分割,分割的mask模版为0 1的阈值图像。mask的像素分布为0背景、1为前景等等。为了方便观察掩膜,提供了可视化代码。 【具体的标签类别可以在classes txt文本中查看】 数据集介绍:分为训练集、测试集 训练集:images图片目录+masks模板目录,2002张图片和2002个对应的mask图片 测试集:images图片目录+masks模板目录,667张图片和667个对应的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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html图像分辨率为:128*128 数据格式:png mask标签格式:png 数据集为气胸分割,分割的mask模版为0 1的阈值图像。mask的像素分布为0背景、1为前景等等。为了方便观察掩膜,提供了可视化代码。 【具体的标签类别可以在classes txt文本中查看】 数据集介绍:分为训练集、测试集 训练集:images图片目录+masks模板目录,2002张图片和2002个对应的mask图片 测试集:images图片目录+masks模板目录,667张图片和667个对应的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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html
0 10浏览
¥ 19.90 - 图像分割数据集:大分辨率下自动驾驶车道线语义分割(3类)【数据集+标签文件+数据可视化代码】数据集大小:157MB图像分辨率为:500-1000 数据格式:jpg mask标签格式:png 数据集为车道线分割,分割的mask模版为0 1的阈值图像。mask的像素分布为0背景、1为左道线、2为右道线。为了方便观察掩膜,提供了可视化代码。 【具体的标签类别可以在classes txt文本中查看】 数据集介绍:分为训练集、测试集 训练集:images图片目录+masks模板目录,3075张图片和3075个对应的mask图片 测试集:images图片目录+masks模板目录,129张图片和129个对应的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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html图像分辨率为:500-1000 数据格式:jpg mask标签格式:png 数据集为车道线分割,分割的mask模版为0 1的阈值图像。mask的像素分布为0背景、1为左道线、2为右道线。为了方便观察掩膜,提供了可视化代码。 【具体的标签类别可以在classes txt文本中查看】 数据集介绍:分为训练集、测试集 训练集:images图片目录+masks模板目录,3075张图片和3075个对应的mask图片 测试集:images图片目录+masks模板目录,129张图片和129个对应的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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html
0 8浏览
¥ 29.90 - YOLO 数据集:花粉细胞识别+检测(20类)【包含划分好的数据集、类别class文件、数据可视化脚本】数据集大小:19MB2400 张左右使用lableimg标注软件,图片格式为jpg,标签为txt文本,分别保存在不同目录中。可以用于花粉病检测。总共20类别:菩提树、荞麦、野生当归、山芥、草甸粉红等等,具体的查看classes.txt 文件 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! 可视化脚本参考:https://blog.csdn.net/qq_44886601/article/details/136578066 关于YOLOV5的检测以及改进参考:https://blog.csdn.net/qq_44886601/category_12605353.html2400 张左右使用lableimg标注软件,图片格式为jpg,标签为txt文本,分别保存在不同目录中。可以用于花粉病检测。总共20类别:菩提树、荞麦、野生当归、山芥、草甸粉红等等,具体的查看classes.txt 文件 为了方便查看数据,提供了可视化py文件,随机传入一张图片即可绘制边界框,并且保存在当前目录。脚本无需更改,可以直接运行可视化图像!! 可视化脚本参考:https://blog.csdn.net/qq_44886601/article/details/136578066 关于YOLOV5的检测以及改进参考:https://blog.csdn.net/qq_44886601/category_12605353.html
0 10浏览
¥ 29.90 - 瓷砖表面6种缺陷图像语义分割【数据集+标签文件+数据可视化代码】数据集大小:49MB数据格式:jpg mask标签格式:png 缺陷类别:不平整、破碎、裂缝、孔洞等等,共2500左右数据+标签图像 数据集为瓷砖表面缺陷分割,分割的mask模版为0 255的阈值图像。mask的像素分布为0背景、255为缺陷等等。为了方便观察掩膜,提供了可视化代码。 【具体的标签类别可以在classes txt文本中查看】 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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html数据格式:jpg mask标签格式:png 缺陷类别:不平整、破碎、裂缝、孔洞等等,共2500左右数据+标签图像 数据集为瓷砖表面缺陷分割,分割的mask模版为0 255的阈值图像。mask的像素分布为0背景、255为缺陷等等。为了方便观察掩膜,提供了可视化代码。 【具体的标签类别可以在classes txt文本中查看】 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。脚本不需要改更改,直接运行即可显示可视化结果 网络分割可以参考:https://blog.csdn.net/qq_44886601/category_12102735.html
0 6浏览
¥ 39.90 - 基于yolov5实现的对家具椅子、沙发的语义分割项目课程资源大小:41MB基于yolov5实现的对家具椅子、沙发的语义分割项目 教程请参考:https://blog.csdn.net/qq_44886601/category_12605353.html基于yolov5实现的对家具椅子、沙发的语义分割项目 教程请参考:https://blog.csdn.net/qq_44886601/category_12605353.html
0 7浏览
¥ 29.90 - 基于efficientnet+yolov5融合改进对猫狗检测【包含数据集、代码、训练好的权重文件】数据集大小:109MB基于EfficientNet+yolov5融合改进对猫狗检测【包含数据集、代码、训练好的权重文件】。经测试,代码可以直接使用。 【yolov5】项目总大小:109 MB 本项目更换了yolov5骨干网络为官方实现的EfficientNet网络,简单训练了100个epoch,map指标为0.99。这里仅仅训练了100个epoch用于测试,网络还没收敛,加大轮次可以获取更高的网络性能 【如何训练】和yolov5一样的训练方法,摆放好datasets数据,然后更改yaml文件中的类别信息即可训练 【数据集】(数据分为分为训练集和验证集) 训练集datasets-images-train:2949张图片和2949个标签txt文件组成 验证集datasets-images-val:737张图片和737个标签txt文件组成 更多yolov5改进介绍、或者如何训练,请参考: https://blog.csdn.net/qq_44886601/category_12605353.html基于EfficientNet+yolov5融合改进对猫狗检测【包含数据集、代码、训练好的权重文件】。经测试,代码可以直接使用。 【yolov5】项目总大小:109 MB 本项目更换了yolov5骨干网络为官方实现的EfficientNet网络,简单训练了100个epoch,map指标为0.99。这里仅仅训练了100个epoch用于测试,网络还没收敛,加大轮次可以获取更高的网络性能 【如何训练】和yolov5一样的训练方法,摆放好datasets数据,然后更改yaml文件中的类别信息即可训练 【数据集】(数据分为分为训练集和验证集) 训练集datasets-images-train:2949张图片和2949个标签txt文件组成 验证集datasets-images-val:737张图片和737个标签txt文件组成 更多yolov5改进介绍、或者如何训练,请参考: https://blog.csdn.net/qq_44886601/category_12605353.html
0 10浏览
¥ 49.90 - yolov5格式的家具分割(txt标注)7Z大小:5MByolov5格式的家具分割(txt标注);yolov5格式的家具分割(txt标注);yolov5格式的家具分割(txt标注);yolov5格式的家具分割(txt标注);yolov5格式的家具分割(txt标注);yolov5格式的家具分割(txt标注);yolov5格式的家具分割(txt标注);yolov5格式的家具分割(txt标注);yolov5格式的家具分割(txt标注);yolov5格式的家具分割(txt标注);
0 14浏览
¥ 14.90