当使用体积图像进行深度学习时，标记数据是一个很大的挑战。 在放射治疗领域，从CT图像中，提取人体、器官、GTV等各个区域作为区域数据，并存储在DICOM RT的RT-Structure中。 这些数据主要用于计划治疗，但我们也可以使用它们作为标签数据来加速深度学习工作流程。 通过此演示，您可以了解如何将 RT-Structure 数据转换为标签数据，并使用它们在 MATLAB 上训练 3D UNet（语义分割）模型。 [日本人]医学图像 3D 深度学习的主要挑战是标记复杂且耗时。在放射治疗领域，人体、器官、肿瘤等被定义为所拍摄的 CT 图像的区域，并由 DICOM RT 的 RT-Structure 管理。这些是为治疗计划而创建的，但提取的区域数据也可以用作深度学习的标签。在此演示中，您可以转换 RT-Structure 数据以用于深度学习并学习流程，直到将其用于学习 3D UNet。

https://www.bilibili.com/video/BV1Qr4y1n7ML/?spm_id_from=333.999.0.0&vd_source=f038fae2eb026cbbe5b42dec789fea76

https://www.bilibili.com/video/BV1Qr4y1n7ML/?spm_id_from=333.999.0.0&vd_source=f038fae2eb026cbbe5b42dec789fea76

FOD(Foreign Object Debris)泛指可能损伤航空器或系统的某种外来的物质，常称为跑道异物。FOD的种类相当多，如飞机和发动机连接件(螺帽、螺钉、垫圈、保险丝等)、机械工具、飞行物品(钉子、私人证件、钢笔、铅笔等)、野生动物、树叶、石头和沙子、道面材料、木块、塑料或聚乙烯材料、纸制品、运行区的冰碴等等。

哔哩哔哩有演示视频-目标检测 原创拍摄 FOD(Foreign Object Debris)泛指可能损伤航空器或系统的某种外来的物质，常称为跑道异物。FOD的种类相当多，如飞机和发动机连接件(螺帽、螺钉、垫圈、保险丝等)、机械工具、飞行物品(钉子、私人证件、钢笔、铅笔等)、野生动物、树叶、石头和沙子、道面材料、木块、塑料或聚乙烯材料、纸制品、运行区的冰碴等等。 https://www.bilibili.com/video/BV1Qr4y1n7ML/?spm_id_from=333.999.0.0&vd_source=f038fae2eb026cbbe5b42dec789fea76

matlab开发-基于模糊控制器计算平均标记分数。通过考虑对特定科目的重要性来计算一个人的平均分数

花生胚芽标记25张图， labelme标记 花生胚芽标记25张图， labelme标记 花生胚芽标记25张图， labelme标记

使用了labelimg进行了人和瓶子的区分（YOLO格式）可免费使用。 imgs为所有图片数据集 labels为所有标准好的txt标签文件 未将数据集进行划分（可根据个人需求进行比例划分）

一个开心果数据集，包含6个视频和423个标记图像，第一部分包括423张真实的图片。我们把开心果分成两类开口型和闭口型。图像的基本真相是一个CSV文件，由图像中两类开心果的边界框组成。每张图片中有1到27个开心果，总共3927个。第二部分包括6个视频，总时长167秒，561个滚动的开心果。

这些是经过人工标记的轮胎图像（1000多张轮胎图片），用于图像分割。，并标记了标签。轮胎以YOLO v5 PyTorch格式进行注释。对每个图像进行以下预处理像素数据自动定向(使用exif定向剥离)调整大小为416x416(拉伸)