垃圾分类数据集 含：xml、txt格式（图片和标注各1377张） 标注类别： paper products（纸制品，任何纸盒子和报纸） plastics：（塑料类：饮料瓶、塑料袋、塑料泡沫等） glass（玻璃类：玻璃瓶、白炽灯泡、碎玻璃、其他玻璃制品。） metals（金属罐（如易拉罐）、金属盒、其他金属制品） kitchen waste（厨余垃圾：食物，水果，鲜花） WPD这个用大写（未破带：凡是用垃圾袋装着其他垃圾的都标WPD，这个不用标plastics） cloth（布料，布袋子，衣服，布制品）

数据集标注软件labelimg，基于python的安装包，同时也有打包好的exe文件，对于新手可以直接运行，目标检测领域数据集标注的不二选择。

关系抽取任务采用DuIE2.0数据集，包含超过43万三元组数据、21万中文句子及48个预定义的关系类型。数据集分为以下5个部分： 关系schema：48个预定义的关系类型，其中43个简单O值的关系类型，5个复杂O值的关系类型。 训练集：共17万个句子，包含句子中对应的SPO，用于竞赛模型训练。 验证集：共2万个句子，包含句子中对应的SPO，用于竞赛模型训练和参数调试。 测试集: 约2万个句子，不包含句子中对应的SPO。该数据用于作为最终的系统效果评估。 注：另外为了防止针对测试集的调试，数据中将会额外加入混淆数据。

Nice Ride 共享单车骑行数据，包括：使用次数、骑行时间、骑行时长、起点和终点经纬度坐标等属性。

yolov5实现目标检测，包括yolov5整个训练亲测流程，改代码配置好所需cuda、torch等环境后，可直接运行，或者按照训练流程重新训练和测试自己的数据集，包教会。

MultiWOZ数据集2.0 2.1 2.2

基于径向基神经网络（RBFNN）的数据预测模型（Python实现），压缩包中源码RBFNN.py为模型的训练过程，训练结束后会保存训练好的的模型参数，test.py主要用于利用训练好的模型对测试数据集进行预测，输出结果包括各种误差指标，.npy文件为训练后生成的中心点、宽度向量等参数，train.csv为训练数据集，test.csv为测试数据集。

针对实际交通场景下的车辆目标，应用深度学习目标分类算法中具有代表性的Faster R-CNN框架，结合ImageNet中的车辆数据集，把场景中的目标检测问题转换为目标的二分类问题，进行车辆目标的检测识别。相比传统机器学习目标检测算法，基于深度学习的目标检测算法在检测准确度和执行效率上优势明显。通过本实验结果分析表明，该方法在识别精度以及速度上均取得了显著的提高。

使用Python实现广义回归神经网络（GRNN）用于数据预测，压缩包中源码GRNN.py主要用于使用训练数据集进行模型训练，同时对测试数据集进行预测，输出结果包括MAE、MAPE等误差值以及预测差值的分布情况等，train.csv为训练数据集，test.csv为测试数据集，.npy文件为保存预测的值及预测误差值。

口罩数据集，可以用来训练yolo系列的模型，这里面有label文件，直接编写数据集路径就能进行训练了。就可以完成了。数据集 不大也不小，cl为两类，一类是mask，一类是unmask。很简单。最重要的是还包括了未正确佩戴口罩的图片（也就是那些戴口罩漏鼻子的）！把这部分也作为未佩戴口罩的数据集，在极高的实际意义。所有图片均是由人脸识别模块切割出，只包含人脸这一小部分图像，对训练的准确性有极大的提高，还进行了旋转操作实现数据增强。可以是yolo格式的，也可以是voc格式的。