竹签标注（xml格式）数据集（210张）

本项目的功能是对YOLO格式的数据实现数据增强，使用本项目代码可以较快的完成扩充数据集快速扩充的工作，会对图像和标注同时处理。但其也存在一定的问题，例如无法保证处理后的数据一定能跑出更好的效果，处理结束后可能会出现一些损坏的图片（原图过大时）。 但本项目处理后出现的坏图，在YOLOv5中会被识别出来并不做训练，其实对训练影响不大，追求完美的同学可以考虑不使用resize系列的函数，手动剔除坏图，使用其他数据增强项目完成工作等。 使用 1. download本项目到本地(建议下载到有图形界面的操作系统中) 2. 打开DataAugOnDetectin.py 修改 image_path， label_path， save_path 三个参数 ``` image_path = "" # 图片的路径 label_path = "" # 标签文件的路径 save_path = "" # 数据增强的结果保存位置路径 ``` 3. 运行，使用pycharm或spyder等软件运行DataAugOnDetectin.py

软件说明： 1.使用说明见：https://blog.csdn.net/weixin_40950590/article/details/133248266 2.源代码支持Windows/Ubuntu/Mac下编译 操作说明: 1.通过工具栏->设置标注类型 进行配置标注类型 2.按住鼠标左键不放滑动鼠标对图像进行标注 3.通过左键盘上的数字键快捷切换标注类型 4.双击鼠标左键可以修改选中框的坐标信息 快捷键使用说明: 1.~键和delete键 删除选中的框 2.左键盘数字1 到 0 可以在软件界面设置标注类型的快捷切换键 3.上、下、左、右键 移动选中框的坐标，每按1次移动1个像素 4.当图片尺寸大于显示框时按鼠标滑轮1:1显示图像大小 联系方式: QQ:250098917 WX:zzn250098917

指针式仪表（纯表盘）数据集，约410张

YOLOv5框架，将源码进行封装，并利用pyqt实现了训练+检测2个部分的界面功能。训练部分，从图片爬虫下载、数据标注、数据集配置到最后的训练；检测部分，从检测参数设置（支持实时设置置信度和IOU等）、数据选择（支持图片、视频和多种摄像头）到结果显示。全部实现界面开发和多线程调度处理。

YoloV8标注好的棉花叶片病害数据集,可以直接用于训练 棉花目标检测 叶片病害

宫颈细胞标注文件之Superficial-Intermediate.rar

命名实体识别（Named Entity Recognition，NER）是自然语言处理领域的一项关键任务，旨在从文本中识别和分类特定的命名实体，如人名、地名、组织机构名等。NER的目标是标记文本中的实体，并将其归类到预定义的实体类型中。 NER通常使用机器学习和深度学习技术来完成任务。以下是一种常见的NER流程： 数据收集和标注：收集包含命名实体的文本数据，并为每个实体标注相应的标签（实体类型）。 特征提取：从文本数据中提取有用的特征，如词性、词形、上下文等。这些特征将作为输入提供给模型。 模型训练：使用标注好的数据和提取的特征来训练NER模型。常用的模型包括条件随机场（CRF）、循环神经网络（RNN）、注意力机制等。 模型评估和调优：使用评估数据集来评估训练得到的模型性能，并进行调优以提高准确性和召回率。 实体识别：使用训练好的NER模型对新的文本进行实体识别。模型将识别并标记文本中的命名实体，使其易于提取和理解。 NER在许多应用中起着重要作用，例如信息抽取、问答系统、文本摘要、机器翻译等。以帮助自动化处理大量文本数据，并提供有关实体的结构化信息，为后续的分析和应用提供基础。

检测岸边钓鱼人员的数据集2，1000张项目数据集，已标注数据集，下载后可直接进行训练

cad坐标标注