在海上船舶智能检测的精准监测与安全管控升级进程中，对船舶类型及航行状态的高效识别与动态追踪是提升航运监管效率、强化海上安全防护的核心要素。基于海事卫星与舰载雷达采集的实时数据解析并标注构建的多维度船舶识别数据集，能为 YOLO 等前沿目标检测模型提供贴合实际航海场景的训练样本，助力模型更精准识别复杂海况中不同类别的船舶 —— 尤其小型渔船（体积小巧易与漂浮物混淆）、大型货轮（载货状态导致轮廓变化）、特种作业船（设备搭载造成形态特异）、非船舶干扰（海上平台易引发误判），其识别需兼顾复杂环境（如风浪干扰、雷达杂波）与多样场景（如近岸繁忙水域、远海开阔航线）的识别精度，为船舶的航线规划、碰撞预警提供数据支撑，推动海事管理从人工监控向智能研判转变，实现监管效能与航行安全的提升。

世界城市 这些城市来自GeoNames地名词典： ： 这是原始数据集的描述： 所有人口> 1000或adm div（ca 150.000）所在地的城市[...] 安装 npm install --save cities.json 用法 在node或浏览器（使用webpack ）上，它都变得如此简单： ES5 const cities = require('cities.json'); ES6 import cities from 'cities.json'; 由于webpack> = v2.0.0，默认情况下将导入JSON文件。 描述 此Json版本是具有以下形状的对象的数组：

该站点展示了从我们的研究型无人机（UAV）平台收集的数据集，这些数据集具有大量传感器： 两个3D激光雷达 两个时间同步摄像机 多个惯性测量单元（IMU） UAV上的四个超宽带（UWB）节点，范围为三个锚点。 全面的传感器套件类似于自动驾驶汽车的传感器套件，但具有空中操作独特且具有挑战性的特征。 飞行测试是在各种室内和室外条件下进行的。 引文 如果您使用此数据套件中的某些资源，请引用为 @article{nguyen2021ntuviral, title={NTU VIRAL: A Visual-Inertial-Ranging-Lidar dataset, from an aerial vehicle viewpoint}, author={Nguyen, Thien-Minh and Yuan, Shenghai and Cao, Muqing and Lyu, Yang

在计算机视觉和机器学习领域，数据集的构建是至关重要的一步，它直接影响模型的训练效果和应用性能。YOLO（You Only Look Once）是一种流行的目标检测算法，广泛应用于实时视频对象识别和工业图像分析。为了训练YOLO模型，需要大量的标记好的数据集。而Unity作为一款广泛使用的3D游戏引擎和实时模拟平台，能够创建复杂场景和对象，这使得它非常适合用于制作仿真环境下的训练数据集。 专门用于制作YOLO格式数据集的Unity脚本，可以自动化地在Unity环境中对模型进行训练所需的对象进行标记。这些脚本通常包括了在场景中放置预定义对象、调整对象角度和位置、以及为对象生成标注信息等功能。此外，这些脚本可能还会具有随机化场景元素的参数，例如光照、天气、遮挡等，以模拟真实世界中可能出现的各种情况，从而提高模型的泛化能力。 这些脚本的开发通常需要深入理解Unity引擎的API以及YOLO数据格式的具体要求。YOLO数据集由多个部分组成：图片文件、标注文件和类的定义。标注文件记录了每个物体在图片中的位置和类别信息，通常为文本文件，其中包含了物体的类别ID和包围框的坐标信息。 为了使数据集更加丰富和多样，这些脚本可以实现多种功能，比如自动调整物体的大小、形状、纹理等，以及自动将这些变化同步到标注文件中。这样，数据集的创建者可以在不直接修改标注文件的情况下，快速生成大量不同配置的对象样本。此外，还可能包括数据集划分功能，将数据集分为训练集、验证集和测试集，以符合机器学习的工作流程。 在实际应用中，使用这样的脚本可以大幅提高数据集制作的效率，缩短从构思到实施的时间，这对于需要快速迭代模型的开发者而言是极为有利的。此外，对于初学者而言，这样的脚本可以让他们更加专注于理解YOLO算法本身，而不是在数据收集和标注上消耗过多的时间和精力。 计算机视觉领域的研究和应用不断推进，对于高质量、大规模的标注数据集的需求日益增长。因此，能够自动或半自动化生成符合特定格式要求的数据集的Unity脚本，对于推动算法的发展和实际应用的落地具有重要意义。通过这些脚本，研究人员和工程师能够以更快的速度测试和改进他们的模型，最终达到提升模型准确率和适用性的目的。

学生行为StudentBehavior​​Dataset 数 据 集共1810张学生课堂 图像，包括“ Focused 专注听讲”、“ Reading 阅读 ”、“ Hand Movement 手部动作 ”、 “ Head Down 低头 ”、 “ Looking Aside 侧视 ”和“ Sleeping 睡觉 ” 等六种 类型，每张图像 的大小为640像素x640 像素。图像数据集划分为1268 张图像作为训练集，361 张图像作为验证集，181张图像作为测试集。

糖尿病临床数据集（10万行） 用于预测建模和健康分析的100000糖尿病数据集 关于数据集 详细的数据集，包括100000人的健康和人口统计数据，旨在促进糖尿病相关研究和预测建模。该数据集包括性别、年龄、地点、种族、高血压、心脏病、吸烟史、BMI、HbA1c水平、血糖水平和糖尿病状态等信息。 数据集用例 该数据集可用于各种分析和机器学习目的，例如： 预测建模：根据人口统计和健康相关特征构建模型来预测糖尿病的可能性。 健康分析：分析不同健康指标（如BMI、HbA1c水平）与糖尿病之间的相关性。 人口统计学研究：检查糖尿病在不同人口群体和地点的分布。 公共卫生研究：识别糖尿病的风险因素，并针对高危人群进行干预。 临床研究：研究高血压等合并症与糖尿病合并心脏病之间的关系。 潜力分析 描述性统计：总结数据集，了解特征的中心趋势和分散性。 相关性分析：识别特征之间的关系。 分类模型：使用机器学习算法将个体分类为糖尿病患者或非糖尿病患者。 趋势分析：分析多年来的趋势，看看糖尿

免费的东东，官网可以下到，以防网断掉，或者大家找不到，传一份上来。包括100k和1m两个，另外10m的太大，不传了，想要的自己去下吧

ISRUC-SLEEP Dataset公开数据集是一个专门用于睡眠研究的医学数据集，它包含了大量的心电图（ECG）信号记录，这些记录被专业人员手工标注了R点。R点是心电图中一个非常重要的特征点，它代表了心脏每次搏动时的电位峰值，通过分析这些R点可以帮助研究者和医生评估心率变异性（HRV）等相关的心脏健康指标。心率变异性是指心跳间期（相邻R波峰的时间间隔）的微小变化，它是反映自主神经系统活动的一个重要指标，尤其是评估心脏对于压力和其他外部刺激的适应能力。 在ISRUC-SLEEP Dataset中，手工标注的R点文件提供了108条数据记录，这些记录大多数是健康睡眠中的ECG信号。数据集的开发人员为了保证标注的质量，对那些数据质量太差无法准确标注的记录进行了剔除。通过这样的方法，保证了数据集的标注精度和研究的有效性。 由于这些数据涉及到个人的医疗健康信息，因此在使用时需要严格遵守相关的隐私保护法律法规。此外，这些数据不仅可以用于研究心率变异性，还可以用于其他医学研究，比如睡眠障碍的诊断、心律失常的检测等。数据集的高精度和代表性使其成为了一个非常有价值的医学研究资源。 R点的精确标注对于心电图的分析至关重要，因为它直接关系到后续的心率变异性分析质量。心率变异性分析技术能够为临床诊断提供定量的生理学信息，比如在评估心血管疾病的患病风险以及监测糖尿病患者的自主神经系统变化等方面具有重要应用价值。同时，对于睡眠医学领域，心率变异性也是研究睡眠质量和睡眠结构的重要参数之一。 ISRUC-SLEEP Dataset公开数据集中的ECG信号手工标注R点文件不仅为心率变异性的研究提供了一套可靠的数据资源，也对改善睡眠质量和监测心脏健康具有潜在的应用价值。研究人员和医生可以使用这些数据来开发更加精准的诊断工具，或者进行更有深度的临床研究。

rgbd-dataset-freiburg1-desk

适合用于composition任务中为合成物体添加阴影，或者阴影检测、去除等任务。一组数据包含有阴影、无阴影、阴影mask、实例mask等