1、YOLO红外车辆行人检测数据集，真实场景的高质量图片数据，数据场景丰富。使用lableimg标注软件标注，标注框质量高，含voc(xml)、coco(json)和yolo(txt)三种格式标签，分别存放在不同文件夹下，可以直接用于YOLO系列的目标检测。 2、附赠YOLO环境搭建、训练案例教程和数据集划分脚本，可以根据需求自行划分训练集、验证集、测试集。 3、数据集详情展示和更多数据集下载：https://blog.csdn.net/m0_64879847/article/details/132301975

数据集格式：Pascal VOC格式(不包含分割路径的txt文件和yolo格式的txt文件，仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数)：4330 标注数量(xml文件个数)：4330 标注类别数：1 标注类别名称:["fishing"] 每个类别标注的框数： fishing count = 4644 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：检测岸边钓鱼人员的数据集，当有人拿个鱼竿或者明显在钓鱼则会被标注 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注

煤气罐检测数据集（课程作业、设计、比赛、实际项目所用） 【实际项目应用】： 智慧社区、智能安防、煤气罐识别检测告警等 【数据集说明】： 煤气罐检测数据集，一共1071张图片，数据背景较丰富，目标有大有小，各种角度，分布均匀，数据整体多样性较充足，标签包含voc（xml）、yolo（txt）、json三种格式，多种目标检测算法可直接使用。纯手工标注，目标框精准，算法拟合不错，数据质量可靠。

包含自行车图片227张

网上大部分cityscapes转VOC的代码都不完整，所以写了这个完整转换VOC格式的脚本 注意事项： cityscapes_root需要自行修改，应设为leftImg8bit_trainvaltest和gtFine_trainvaltest所在的目录。 由于cityscapes的中并不包含VOC中的truncated和difficult信息，所以将所有object中truncated和difficult的值都设为0。 cityscapes数据集，通常将val作为test集用于验证性能，因为官方没有放出test集的标注，目的是防止有人用test集训练，在网站上刷分。

数据集格式：Pascal VOC格式(不包含分割的txt文件，仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数)：3026 标注数量(xml文件个数)：3026 标注类别数：1 标注类别名称:["pothole"] 每个类别标注的框数： pothole count = 8174 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注

基于coco_2014与VOC_2017数据集为基础，提取出来的牛（cow)单一种类的目标检测数据集（包含4110张各种场景下的cow图片），可用于cow的目标检测识别，以及cow的个体统计。格式符合yolo系列的（voc)格式，可以直接使用。

数据内容为168张变电站及输电线路异物图像，已经对图像中的异物进行了标注，标签格式为VOC格式

bit vehicle 的数据集 已经将图片标注信息转换成xml格式 可用于目标检测训练 yolov3 yolov5等 包含分类和原始的一样 Bus’, ‘Truck’, ‘SUV’, ‘Microbus’, ‘Sedan’, ‘Minivan’ 这是转换好的xml文件 用labelimg打开 使用 change save dir 更改标签保存目录为本目录即可查看标签 或者将xml与图片放在同一目录也可查看

1. 项目使用的数据集是PASCAL VOC语义分割数据集 2. 通过自定义 dataset 实现对 VOC 数据集的处理 3. 使用学习率衰减，根据训练的 epoch 按照cos自动衰减学习率 4. 损失函数为交叉熵损失，对填充的灰度值为255的忽略损失计算 5. 通过混淆矩阵对网络性能进行评估，计算分割像素的准确率和各个像素点的iou，以及mean iou 。并将训练损失和测试精度绘制成曲线形式 6. 由于VOC的填充方式独特，所以预测代码可以根据得到的VOC调色板进行填充