深度学习中，对不同类的数据集图片进行分类，使得训练集、测试集、验证集中含有的图片类别不冲突。例如我手头有一个医学图像处理的数据集，我要检测图片中的病变类别，分清他是肿瘤、创伤还是其它问题，因为每一类图片都对应着多个病人，但在实际训练过程中，同一个病人的病变图片差不多，如果分属于训练集、验证集、测试集，那么检测精度一定会有是会有所下降，所以需要先进行一次分类。这个程序就是起到这样一个作用。classify.py #读取图片前六位 def sixTop(fileList): sixTopName = list() for name in fileList: sixTopName.append(name[0:6]) return sixTopName #判断前六位数字是否重复，输出次数 def imgRepeat(L): repeatList = [] setList = set(L) flag=True if len(L) != len(setList): flag=False

超全的 3D 视觉数据集汇总.pdf 21个深度学习开源数据集分类汇总.pdf 行人检测.docx 15个目标检测开源数据集汇总.pdf 10个工业检测数据集.docx

中文乐谱数据集内含几百首乐谱格式为xml可以作为歌声合成的数据集.zip

螺钉异常检测图片数据集，这个数据集中有三个文件train、test和gound_truth。训练集有320 (1024x1024)张没有异常的螺钉图片，测试文件有良好，操纵前，刮刮头，刮刮颈，线程边，线程顶，总共160张图片与匹配的groundtruth。

绿幕背景下人体交通指挥形态数据集，每类有30张图片左右 绿幕背景下人体交通指挥形态数据集，每类有30张图片左右 绿幕背景下人体交通指挥形态数据集，每类有30张图片左右

马铃薯叶片数据集，使用标签工具注释土豆叶子。注释分为两类，共52张马铃薯叶子生镜照片 马铃薯叶片数据集，使用标签工具注释土豆叶子。注释分为两类，共52张马铃薯叶子生镜照片 马铃薯叶片数据集，使用标签工具注释土豆叶子。注释分为两类，共52张马铃薯叶子生镜照片

马与人分类图像数据集，共有1282张图片 马与人分类图像数据集，共有1282张图片 马与人分类图像数据集，共有1282张图片

猫和兔子分类数据集，有两组数据。第一个数据集“train-cat-rabbit”有两个子集猫和兔子，每个子文件包含大约800张图像。第二个数据集是一个验证数据集，它的目录类似于train-cat-rabbit文件，每个子文件夹包含大约200个图像。这可以用于验证模型。
两个数据集都相对较小，所有图像都被重塑为(300,300)。

美丑等级分类图像数据集，数据集由训练集、测试集、验证集和整合集组成。每组包含两个文件夹，分别为Beautiful和Average。对于训练集，Beautiful文件夹中有2000张图像，Average文件夹中有2000张图像。对于测试集，beautiful文件夹中有150张图像，Average文件夹中有150张图像。验证集类似地分为每种类型的150个图像。合并文件夹2300张图片在Beautiful文件夹和2300张图片在Average文件夹。

蜜箱出入口蜜蜂数据集，包含携带花粉和不携带花粉的蜜蜂的图像。共包含714张图片，可以用于判断蜜蜂有没有携带花粉 蜜箱出入口蜜蜂数据集，包含携带花粉和不携带花粉的蜜蜂的图像。共包含714张图片，可以用于判断蜜蜂有没有携带花粉