钙化点检测数据集.zip

UMAFall：跌倒检测数据集(19组移动痕迹）.zip

斑马线检测数据集.zip

安全帽检测数据集 (Helmet Detection).zip

1、YOLO火焰和烟雾检测数据集，使用lableimg标注软件，标注好的真实场景的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中，可以直接用于YOLO火焰和烟雾检测；数据场景丰富；对每张图像中的火焰和烟雾同时进行了标注，共fire和smoke两个类别 2、数量：1200 3、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

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)：2090 标注数量(xml文件个数)：2090 标注类别数：2 标注类别名称:["chef hat","head"] 每个类别标注的框数： chef hat count = 4174 head count = 1553 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

NEU-DET钢材表面缺陷检测数据集

1、yolov5水果检测，包含yolov5s和yolov5m两种训练好的水果检测权重，目标类别为apple、banana和orange 3个类别，并附有几百张水果数据集 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，python代码

口罩检测识别数据集（1200训练集+400测试集）。 可以直接拿过来进行训练；共1200张训练集，600张口罩佩戴，600张未佩戴口罩；400张测试集，200张口罩佩戴，200张未佩戴口罩。利用YOLO在数据集上冻结backbone训练了25个epoch，解冻后再训练了25个epoch，测试mAP为90.75%。 可以直接拿过来进行训练；共1200张训练集，600张口罩佩戴，600张未佩戴口罩；400张测试集，200张口罩佩戴，200张未佩戴口罩。利用YOLO在数据集上冻结backbone训练了25个epoch，解冻后再训练了25个epoch，测试mAP为90.75%。

1、VOC水下垃圾检测数据集，几千张使用lableimg标注软件，标注好的真实场景的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中，包含许多不同类型的海洋垃圾的图像；数据场景丰富；类别为metal、wood、platstic、rubber、cloth等多个类别目标 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743