咖啡豆识别训练数据集图片

1.遥感数据集，方便入门学习。 2.RSOD是一个开放的目标检测数据集，用于遥感图像中的目标检测。数据集包含飞机，油箱，运动场和立交桥，以PASCAL VOC数据集的格式进行标注。 3.数据库的亮点是，各个类别之间样本量较均衡。 4.对于一般的目标检测而言，数据集至少应该是千位数甚至上万，可能效果会比较少的数据集更好。 5.上传的是936张数据集，有图片和标签，全部一一对应。 6.可以对任意数据集进行扩充，如果需要定做，私信我，或者私信找我要扩充之后的数据集，付费咨询。 7.扩充增强方法可以采用数据模糊，亮度，裁剪，旋转，平移，镜像等变化，或者基于深度学习SRGAN增强等方式。

矿石数据集（包含4500张左右矿石图片） 矿石图片，均是网络上爬取获得。其中训练集包括“玄武岩”、“花岗岩”、“大理石”、“石英岩”、“煤”、“石灰石”、“砂岩”七种矿石图片。测试集包括24张相应的七种矿石图像。

深度学习中，对不同类的数据集图片进行分类，使得训练集、测试集、验证集中含有的图片类别不冲突。例如我手头有一个医学图像处理的数据集，我要检测图片中的病变类别，分清他是肿瘤、创伤还是其它问题，因为每一类图片都对应着多个病人，但在实际训练过程中，同一个病人的病变图片差不多，如果分属于训练集、验证集、测试集，那么检测精度一定会有是会有所下降，所以需要先进行一次分类。这个程序就是起到这样一个作用。classify.py #读取图片前六位 def sixTop(fileList): sixTopName = list() for name in fileList: sixTopName.append(name[0:6]) return sixTopName #判断前六位数字是否重复，输出次数 def imgRepeat(L): repeatList = [] setList = set(L) flag=True if len(L) != len(setList): flag=False

mnist数据集的图片格式，model.py文件为将mnist数据集转化为图片的代码，将其与mnist.pkl.gz放在同一文件夹之下运行py文件即可（python2.7版本）

鞋子数据集，由500,025张目录图片组成，这些图片被分为4大类——鞋子、凉鞋、拖鞋和靴子——其次是功能性类型和个人品牌。鞋子的中心是白色背景和图片在同一方向，方便分析， 鞋子数据集，由500,025张目录图片组成，这些图片被分为4大类——鞋子、凉鞋、拖鞋和靴子——其次是功能性类型和个人品牌。鞋子的中心是白色背景和图片在同一方向，方便分析，

玉米叶片病害数据集，共4000多张图片，0普通锈病- 1306图像1灰色叶斑- 574图像2枯萎病-1146图像3健康- 1162图像 玉米叶片病害数据集，共4000多张图片，0普通锈病- 1306图像1灰色叶斑- 574图像2枯萎病-1146图像3健康- 1162图像

手指识别数据集，一共包含1、2、3、4类手指数量的图片，每类450张图片以上

凌乱与整齐的场景图像分类数据集，两种场景个100张图片 凌乱与整齐的场景图像分类数据集，两种场景个100张图片 凌乱与整齐的场景图像分类数据集，两种场景个100张图片

六面骰子数据集，有250张图片，每张图片有1-25个六面骰子。每个图片example_image.jpg都有一个关联的注释文件example_image.txt。注释文件包括YOLO格式的水平边界框注释class (integer)， x0, y0, w, h。边界框坐标归一化为图像尺寸。