数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：504标注数量(xml文件个数)：504标注数量(txt文件个数)：504标注类别数：4标注类别名称:["loose","missing","normal","rusty"]每个类别标注的框数：loose 框数 = 1
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：939标注数量(xml文件个数)：939标注数量(txt文件个数)：939标注类别数：1标注类别名称:["wrinkle"]每个类别标注的框数：wrinkle 框数 = 2540总框数：2540使用标注工具：label
数据集类型：图像分类用，不可用于目标检测无标注文件数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片图片数量(jpg文件个数)：7554（剩余1w多为测试集）分类类别数：8类别名称:["ALB","BET","DOL","LAG","NoF","OTHER","SHARK","YFT"]每个类别图片数：ALB 图片数：3438BET 图片数：400DOL 图片数：234LAG 图片数
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：1000标注数量(xml文件个数)：1000标注数量(txt文件个数)：1000标注类别数：1标注类别名称:["nest"]每个类别标注的框数：nest 框数 = 1375总框数：1375使用标注工具：labelImg
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：4370标注数量(xml文件个数)：4370标注数量(txt文件个数)：4370标注类别数：1标注类别名称:["yiwu"]每个类别标注的框数：yiwu 框数 = 4536总框数：4536使用标注工具：labelImg
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：3095标注数量(xml文件个数)：3095标注数量(txt文件个数)：3095标注类别数：2标注类别名称:["missing","normal"]每个类别标注的框数：missing 框数 = 1531normal 框
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：1023标注数量(xml文件个数)：1023标注数量(txt文件个数)：1023标注类别数：1标注类别名称:["mines"]每个类别标注的框数：mines 框数 = 1651总框数：1651使用标注工具：labelI
【算法介绍】模型描述在实人认证、文档电子化等场景中需要自动化提取卡证的信息，以便进一步做录入处理。这类场景通常存在两类问题，一是识别卡证类型时易受背景干扰，二是卡证拍摄角度造成的文字畸变影响OCR准确率。鉴于证件类数据的敏感性，我们采用大量合成卡证数据做训练, 并改造人脸检测SOTA方法SCRFD训练了卡证检测矫正模型，可以对各类国际常见卡证（如，身份证、护照、驾照等）进行检测、定位及矫正，得到去
数据集类型：图像分类用，不可用于目标检测无标注文件数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片图片数量(jpg文件个数)：8712分类类别数：2类别名称:["nopd","pd"]每个类别图片数：nopd 图片数：8187pd 图片数：525重要说明：暂无特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理分类存放图片预览：
数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件)图片数量(jpg文件个数)：659标注数量(json文件个数)：659标注类别数：1标注类别名称:["garbage"]每个类别标注的框数：garbage count = 796使用标注工具：labelme=5.5.0标注规则：对类别进行画多边形框polygon重要说明：可以将数据集用labelme打开编辑
针对Python版本的Selenium下载及Chrome环境搭建和使用，以下将详细阐述具体步骤：一、Python版本的Selenium下载安装Python环境：确保系统上已经安装了Python 3.8及以上版本。可以从[Python官方网站]下载并安装最新版本的Python，当然您也可以使用anaconda3进行安装python环境。在安装过程中，勾选“Add Python 3.x to PATH
数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件)图片数量(jpg文件个数)：693标注数量(json文件个数)：693标注类别数：4标注类别名称:["Crack","Welding line","Porosity","Spatters"]每个类别标注的框数：Crack count = 297Welding line count = 979Porosity
数据集中大约500张图是原图，剩余为增强生成数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件)图片数量(jpg文件个数)：5597标注数量(json文件个数)：5597标注类别数：4标注类别名称:["Crack","Welding line","Spatters","Porosity"]每个类别标注的框数：Crack count = 2990Welding
数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件)图片数量(jpg文件个数)：1843标注数量(json文件个数)：1843标注类别数：1标注类别名称:["sky"]每个类别标注的框数：sky count = 2267使用标注工具：labelme=5.5.0标注规则：对类别进行画多边形框polygon重要说明：可以将数据集用labelme打开编辑，json
数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件)图片数量(jpg文件个数)：995标注数量(json文件个数)：995标注类别数：2标注类别名称:["yellow_block_damaged","yellow_blcok"]每个类别标注的框数：yellow_block_damaged count = 66yellow_blcok count = 999使
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：969标注数量(xml文件个数)：969标注数量(txt文件个数)：969标注类别数：1标注类别名称:["Missile"]每个类别标注的框数：Missile 框数 = 1434总框数：1434使用标注工具：label
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：428标注数量(xml文件个数)：428标注数量(txt文件个数)：428标注类别数：1标注类别名称:["submarine"]每个类别标注的框数：submarine 框数 = 455总框数：455使用标注工具：lab
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：1464标注数量(xml文件个数)：1464标注数量(txt文件个数)：1464标注类别数：4标注类别名称:["junren","junshuji","tanke","zhuangjiache"]=>[军人,运输
数据集1/3是原图，剩余为增强图片。数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件)图片数量(jpg文件个数)：3970标注数量(json文件个数)：3970标注类别数：9标注类别名称:["kinky","heart_shape","curly","round_shape","square_shape","oval_shape","oblong_shap
数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件)图片数量(jpg文件个数)：8481标注数量(json文件个数)：8481标注类别数：1标注类别名称:["water_logging"]每个类别标注的框数：water_logging count = 11712使用标注工具：labelme=5.5.0标注规则：对类别进行画多边形框polygon重要说明：可以
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：8474标注数量(xml文件个数)：8474标注数量(txt文件个数)：8474标注类别数：1标注类别名称:["water"]每个类别标注的框数：water 框数 = 11695总框数：11695使用标注工具：labe
数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件)图片数量(jpg文件个数)：165标注数量(json文件个数)：165标注类别数：3标注类别名称:["benign","norm","malignant"]每个类别标注的框数：benign count = 38norm count = 67malignant count = 66使用标注工具：labelme
数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件)图片数量(jpg文件个数)：2696标注数量(json文件个数)：2696标注类别数：1标注类别名称:["water"]每个类别标注的框数：flood count = 4284使用标注工具：labelme=5.5.0标注规则：对类别进行画多边形框polygon重要说明：可以将数据集用labelme打开编辑，
数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件)图片数量(jpg文件个数)：3071标注数量(json文件个数)：3071标注类别数：3标注类别名称:["no-pneumonia","low-pneumonia","high-pneumonia"]每个类别标注的框数：no-pneumonia count = 3070low-pneumonia count
数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件)图片数量(jpg文件个数)：3751标注数量(json文件个数)：3751标注类别数：4标注类别名称:["Effusion","Consolidation","Tuberculosis","Pneumonia"]=>[“积液”、“肺实变”、“结核病”、“肺炎”]每个类别标注的框数：Effusion c
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：1400 标注数量(xml文件个数)：1400 标注数量(txt文件个数)：1400 标注类别数：3 标注类别名称:["adenocarsinoma","cancer","nodule"] 每个类别标注的框数： ad
数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件)图片数量(jpg文件个数)：681标注数量(json文件个数)：681标注类别数：1标注类别名称:["lung-tumor"]数据集编号：mbd.pub/o/bread/Z5yck5hw每个类别标注的框数：lung-tumor count = 687使用标注工具：labelme=5.5.0标注规则：对类别进
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：1971标注数量(xml文件个数)：1971标注数量(txt文件个数)：1971标注类别数：13标注类别名称:["Chave_69kV","Chave_H_230kV","Chave_V_230kV","Disjunt
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：183标注数量(xml文件个数)：183标注数量(txt文件个数)：183标注类别数：1标注类别名称:["heated_area"]数据集编号：mbd.pub/o/bread/Z5yckplt每个类别标注的框数：hea
数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件)图片数量(jpg文件个数)：288标注数量(json文件个数)：288标注类别数：4标注类别名称:["slup","tabliczka","izolator","lina"]数据集编号：mbd.pub/o/bread/Z5yckplt每个类别标注的框数：slup count = 292tabliczka c
Copyright © 2005-2025 51CTO.COM 版权所有 京ICP证060544号
![[数据集][图像分类]常见鱼类分类数据集2w张8类别](https://s2.51cto.com/images/blog/202412/29160646_677103167d54657592.png?x-oss-process=image/resize,m_fixed,w_116,h_70/ignore-error,1)
![[C#]winform基于scrfd深度学习算法实现卡证身份证检测矫正](https://s2.51cto.com/images/blog/202412/27191254_676e8bb62c9d385790.png?x-oss-process=image/resize,m_fixed,w_116,h_70/ignore-error,1)
