语义分割【道路裂缝数据集】，适用于语义分割道路裂缝分割，纯手工标注。原图共120张图片，标注后的json文件共120个。博主也用此数据集训练过，精度能够在80以上，精度算是挺不错的，资源免费开放下载，希望能帮到大家。

数据集说明 CoFly-WeedDB数据集（约436MB）由201张航拍图像组成，它们捕获了干扰行作物（棉花）的不同杂草类型，以及它们相应的带注释的图像。 杂草实例的注释过程由农学家使用注释工具进行，指示了三种不同类型的杂草： （高粱halepence） （空心菜） 齿（（马齿ula） 对于带注释的图像，每种杂草类型都用不同的颜色标记，而图像的其余部分被视为背景。 具体来说： 红约翰逊草 黄色-场旋花 蓝P 黑色-背景 数据采集 该数据集是使用安装在DJI Phantom 4 Pro无人机上的RGB相机（1英寸20兆像素CMOS传感器）创建的。 在无人机执行对现场区域的覆盖任务时，收集了RGB图像。 在设计任务期间，将摄影机角度调整为垂直于视场，为-87°。 无人机的飞行高度和速度分别等于5m和3m / s，旨在提供杂草实例的近距离和清晰视野。 可视化 CoFly-WeedDB

将自适应梯度算法（Adagrad）作为反向传播算法应用于普通的三层神经网络（输入层、隐含层、输出层）的反向传播过程，之后建立数据预测模型进行数据预测，压缩包中train.py为训练过程源码，test.py为测试过程源码，train.csv文件为训练数据集，test.csv文件为测试数据集，.npy文件为模型训练后保存的参数。

该数据集使用配备多光谱传感器和X射线荧光光谱仪的无人机对河北的一个大型陆上风电场和新疆的一个光伏电站进行监测，并收集风力涡轮机的GPS位置数据。该数据集将为绿色能源和环境保护的协调发展提供数据和技术支持。该数据集共包含4个子集，其中：（1）PPP.zip为边界，DSM和NDVI数据为光伏电站无人机监控，数据量为306M;（2）WF.kml是风力发电厂的GPS数据，数据量为0.2M;（3）PPP_SOIL_XRAY.csv是光伏电站的土壤元素浓度数据，数据量为1.39M;（4）WF_SOIL_XRAY.csv为风电场土壤元素浓度数据，数据量为0.2 M;（5）wind_evp_gst_1981 2019_SD_SY.csv为风电场周边上渡和尚义气象站的数据，数据量为0.2M。

约20G

视频链接如下： https://www.bilibili.com/video/BV16Z4y127w3/?vd_source=6ea7a224dd878fde411995c70d3c5adb#reply118347089152 看好多人要数据集，可能看不到，就存在这里吧。

先安装环境 ----> 使用data_classify.py文件进行训练集与测试集分割 ----> 在进行训练即可 数据准备：当前数据存放 data_name 文件夹内 文件夹名就是类别名，n个类别就是n个文件夹 目录主要结构组成： model_AlexNet.py ----> 自己建的AlexNet模型（可选其他模型） model_Vgg16.py ----> pytorch自带更改的模型（可选其他模型） train.py ----> 用于训练模型 test.py ----> 用于测试模型 辅助文件： data_classify.py ----> 将 data_name内的类别分为训练集与测试集。 ​ 注意查看代码内容，包含argparse模块 清除单通道图像 -----> 数据清洗，处理异常图像 旧版数据加载 -----> 用于学习图像 数据加载

将自适应矩估计算法（Adam）作为反向传播算法应用于普通的三层神经网络（输入层、隐含层、输出层）的反向传播过程，之后建立数据预测模型进行数据预测，压缩包中Adam.py为训练过程源码，test.py为测试过程源码，train.csv文件为训练数据集，test.csv文件为测试数据集，.npy文件为模型训练后保存的参数。

交通流数据集pems数据集04至08都有