该存储库包含用于各种光学音乐识别任务的许多数据集的集合，包括人员线检测和删除，卷积神经元网络（CNN）的训练或通过将系统与已知的真实情况进行比较来验证现有系统。 请注意，大多数数据集都是由研究人员开发的，使用它们的数据集需要接受一定的许可和/或引用各自的出版物，如每个数据集所示。 大多数数据集都链接到官方网站，您可以在其中下载数据集。 如果您对光学音乐识别研究感兴趣，可以在找到精选的书目。 概述 该存储库引用了以下数据集： 名称 雕刻 尺寸 格式 典型用法 手写的 15200个符号 文本文件 符号分类（在线+离线） 排版+手写 〜90000个符号 图片 符号分类（离线） 手写的 1000个分数图像 图片 撤职人员，作家身份证明 手写的 > 90000条注释 图像，度量注释，MuNG 符号分类，对象检测，端到端识别，量度识别 排字 300000图片 图片，XML 符号分类，对象

labelme_json_to_dataset的批量转数据，提高效率， 下载后修改自己的路径 for file in ./img+json_org*

牛津大学17类花卉数据集，每个类别有80个图像。选择的花是英国的一些常见花。图像具有大规模，姿势和光线变化，并且在类中也存在具有大量图像的类并且与其他类非常相似。类别可以在下图中看到。我们将数据集随机分成3个不同的训练，验证和测试集。已经将图像的子集标记为用于分割。

城市火车 UrbanLoco：完整的传感器套件数据集，用于城市场景中的地图绘制和本地化 抽象 映射和本地化是自动驾驶的关键模块，在这一领域已经取得了重大成就。 除了全球导航卫星系统（GNSS）之外，在点云配准，视觉特征匹配和惯性导航方面的研究还大大提高了在不同情况下进行地图和定位的准确性和鲁棒性。 但是，高度城市化的场景仍然具有挑战性：基于LIDAR和相机的方法在处理大量动态对象时效果较差； 基于GNSS的解决方案会遇到信号丢失和多径问题； 惯性测量单元（IMU）会发生漂移。 不幸的是，当前的公共数据集要么不能充分解决这一城市挑战，要么不能提供足够的与制图和定位有关的传感器信息。 在这里，我们

快速绘图草图分类器 使用Google的Quick Draw数据集训练卷积神经网络对新草图进行分类。 在演示模型。

此 Matlab 函数可用于将任何给定的人脸（图像）数据集随机拆分为训练集和测试集。 该函数考虑类/人员标签。 例如，在ORL人脸数据集中，有40个人每个人有10张图像； 该函数可以将每个人的10张图片随机分割成5张训练图片和5张测试图片，如下： load ORL_FaceDataSet % 上传到这里[训练集测试集]=Split_DataSet(ORL_FaceDataSet, 10, 5, 5); 请注意，您可以选择不同数量的训练和测试图像。

亚马逊食物正负样本数据集,正面样本将近10万条，负面样本将近8万条。可以用来做好评和差评的二分类

OASIS, Open Annotations of Single Image Surfaces, a dataset for single-image 3D in the wild consisting of detailed 3D geometry for 140,000 images by Princeton University. OASIS开放单个物体表面图像数据集由普林斯顿大学出品， 含有140000张单个物体的详细3D图片。 OASIS paper.pdf

今天小编就为大家分享一篇TensorFlow dataset.shuffle、batch、repeat的使用详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

多焦点图像融合数据集 新数据集