用于darknet框架下深度学习的数据集，自己收集的图片制作而成，一共1600余张，包括手工标注的xml文件，可以直接用于训练使用

用LUNA16数据集每张CT图保存结节上下三张保存为jpg格式图片，根据Annotations生成xml标注文件，另外在肺实质图像上画出结节所在位置用于预测时对比

可以解决多个数据集重名问题，规范化数据集内的文件名。 YOLO数据集VOC数据集用UUID重命名图片和xml文件，包含修改xml内的path，只需要修改图片和xml的路径就可以使用。 # 1、打开xml文件 tree =ET.parse(xPath + xmlnewname) # 获xml文件的内容取根标签 root = tree.getroot() # print(root) # 2、读取节点内容 Events_object = root.find("folder")

该数据集是人员跌倒数据集，一共近10000张，都是有效高清图片，可以直接用来训练，不需要再做额外的数据清洗工作。购买之后，可手把手进行训练辅助教学，保证训练代码可以跑通，喜欢的可以看看~~

├─football_VOCdevkit │ ├─VOC2007 │ │ ├─Annotations │ │ │ 000001.xml │ │ │ 000001_1.xml │ │ │ 000001_2.xml │ │ │ 000001_3.xml │ │ │ 000001_4.xml │ │ │ 000001_5.xml │ │ │ 000002_7.xml │ │ │ ...... │ │ │ │ │ └─JPEGImages │ │ 000001.jpg │ │ 000001_1.jpg │ │ 000001_2.jpg │ │ 000001_3.jpg │ │ 000001_4.jpg │ │ 000001_5.jpg │ │ 000002_7.jpg │ │ ......

肝了3天，近400个篮球样品，我在网上硬是没找到单独篮球的训练数据集 VOC格式的数据集。 为了提升训练性能，图片的分辨率都不是特别高，所以整个文件并不大

用于voc数据集的清洗，自动对应文件夹中的xml和jpg文件，并绘制目标检测框，将xml文件和图片放入一个命名为train的文件夹，程序放入和train同级的目录，运行程序，得到整理好的xml文件夹和img文件夹，同时取出部分图片绘制目标检测框

voc数据集格式转yolo数据集格式（直接划分成训练集和验证集）---目标检测数据集转换代码，python程序代码，自己当前在用，使用过程中只需要修改相应的路径即可。

数据集整合多种识别能力，支持安全帽、反光衣、抽烟、打电话、喝水、口罩等识别，部分关键词的识别精度有限，建议在这个基础上进一步优化调整。

高空作业安全带，VOC数据集已经标注，标准了安全带的各个关键点，行人，能够应用到安全带的检测，判断做业人员是否按照穿戴标准作业。