- 综合排序
- 最热优先
- 最新优先
- 来自专栏文鹃阁
pytorch-yolo训练自己的数据集
preface yolo 是一种目标检测算法，官方是基于 darknet 这种框架来训练的，darknet 是用 C 写的，有些硬核，所以我在 GitHub 上找到了人家用 pytorch 复现的 yolo ，这次就拿 pytorch 结合 yolo 来训练一下自己的目标检测数据集 待续 训练好了，用了 22 个小时
74420编辑于 2022-09-02 yolo格式数据集转成coco格式数据集傻瓜式操作教程
yolo转coco格式一般需要自己写脚本转换，但是脚本一般都需设定参数，而且需要理解coco格式和yolo格式含义才能正常转换，这对于初学者来说是十分不方便的，为了解决转换困难的问题，本文介绍一个软件可以一键转换 训练验证集比例为0.9则测试集比例就是0.1，训练集比例是0.9表示训练集整体比例是0.9x0.9=0.81，剩余0.09就是验证集的了。 此外软件提供了检查yolo标注是否存在错误标注，详情请观看视频教程： yolo转coco格式工具视频教程_哔哩哔哩_bilibili这个是windows上使用的小工具，可以一键将yolo格式的数据集转成标准 coco格式数据集，转换的coco数据集可以用于yolox,paddledetection,detr,mmdetection,naodetplus等目标检测框架训练。 txt转coco数据集json格式工具教程 https://www.bilibili.com/video/BV15P411b7No/
85110编辑于 2025-07-20- 来自专栏YOLO大作战
YOLO11-seg分割：如何训练自己的数据集：包裹分割数据集
本文内容：如何训练包裹分割数据集，包装分割数据集（Package Segmentation Dataset）推动的包装分割对于优化物流、加强最后一英里配送、改进制造质量控制以及促进智能城市解决方案至关重要 Segmentation 官方在COCO数据集上做了更多测试： 2.数据集介绍 包裹分割数据集是一个精选的图片集合，专门为计算机视觉领域中与包裹分割相关的任务量身定制。 这个数据集旨在帮助研究人员、开发者和爱好者们进行与包裹识别、分类和处理相关的项目。 该数据集包含了一系列展示不同背景和环境下各种包裹的多样化图片，是训练和评估分割模型的宝贵资源。 数据集结构包装分割数据集的数据分布结构如下：训练集：包含 1920 幅图像及其相应的注释。测试集：由 89 幅图像组成，每幅图像都与各自的注释配对。 该数据集包含在不同地点、环境和密度下拍摄的各种图像。该数据集是开发该任务专用模型的综合资源。这个例子强调了数据集的多样性和复杂性，突出了高质量传感器数据对于涉及无人机的计算机视觉任务的重要性。
2.4K20编辑于 2024-12-14 - 来自专栏机器学习AI算法工程
YOLO目标检测，训练自己的数据集（识别海参）
这篇文章是训练YOLO v2过程中的经验总结，我使用YOLO v2训练一组自己的数据，训练后的model，在阈值为.25的情况下，Recall值是95.54%，Precision 是97.27%。 需要注意的是，这一训练过程可能只对我自己的训练集有效，因为我是根据我这一训练集的特征来对YOLO代码进行修改，可能对你的数据集并不适用，所以仅供参考。 我的数据集 批量改名首先准备好自己的数据集，最好固定格式，此处以VOC为例，采用jpg格式的图像，在名字上最好使用像VOC一样类似000001.jpg、000002.jpg这样。 准备好了自己的图像后，需要按VOC数据集的结构放置图像文件。VOC的结构如下 ? 这里面用到的文件夹是Annotation、ImageSets和JPEGImages。 然后，需要利用scripts文件夹中的voc_label.py文件生成一系列训练文件和label，具体操作如下： 首先需要修改voc_label.py中的代码，这里主要修改数据集名，以及类别信息
2.9K20发布于 2019-10-28 - 来自专栏全栈程序员必看
KerasTensorflow+python+yolo3训练自己的数据集
–yolo2 二、如何使用yolo3,训练自己的数据集进行目标检测 第一步：下载VOC2007数据集，把所有文件夹里面的东西删除，保留所有文件夹的名字。 所需的train.txt,val.txt,test.txt VOC2007数据集制作完成，但是，yolo3并不直接用这个数据集，开心么？ 代码原作者在train.py做了两件事情： 1、会加载预先对coco数据集已经训练完成的yolo3权重文件， 像这样： 2、冻结了开始到最后倒数第N层（源代码为N=-2）， ：红绿灯检测，100张图片作为训练集 明天写yolo2和yolo3的具体原理。 对于已经存在于coco数据集80个种类之中的一类，就不要自己训练了，官网权重训练的很好了已经； 对于不存在coco数据集的一种，无视convert.py, 无视.cfg文件，不要预加载官方权重，直接用我的
84420编辑于 2022-09-07 yolo实例分割数据集转labelme的json格式
软件界面： YOLO实例分割数据集转LabelMe JSON格式软件是一款功能强大的数据转换工具，旨在将YOLO（You Only Look Once）实例分割数据集转换为LabelMe的JSON格式， 该软件具有简洁明了的操作界面，用户只需通过简单的几步操作即可完成数据集的转换。首先，用户需要选择待转换的YOLO实例分割数据集所在的文件夹，然后指定输出文件夹的路径。 总之，YOLO实例分割数据集转LabelMe JSON格式软件是一款功能强大、操作简便、高效准确的数据转换工具，适用于需要进行不同图像标注软件之间数据共享的用户。 视频演示： yolo实例分割数据集转labelme的json格式_哔哩哔哩_bilibili这个是一个windows小工具可以将yolov5/yolov7/yolov8/yolov9实例分割数据集YOLO ，C#使用onnxruntime部署Detic检测2万1千种类别的物体，yolo txt转coco数据集json格式工具教程，labelme json转xml VOC格式数据集，yolov9+deepsort
51310编辑于 2025-07-17西瓜数据集目标检测可用yolo训练-1702张介绍
数据集名称：高质量西瓜目标检测数据集 数据集地址：数据集VOC格式目标检测数据集西瓜数据集-1702张-数据集文档类资源-CSDN下载 数据集介绍： 数据集格式：Pascal VOC格式(不包含分割路径的 txt文件和yolo格式的txt文件，仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数)：1702 标注数量(xml文件个数)：1702 标注类别数：1 标注类别名称:["watermelon "] 每个类别标注的框数： watermelon count = 2812 使用标注工具：labelImg 标注规则：对类别进行画矩形框 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标注
24110编辑于 2025-07-19- 来自专栏Edward的专栏
CCPD 车牌数据集提取标注，并转为标准 YOLO 格式
介绍 CCPD 是一个大型的、多样化的、经过仔细标注的中国城市车牌开源数据集。CCPD 数据集主要分为 CCPD2019 数据集和 CCPD2020（CCPD-Green）数据集。 CCPD2019 数据集车牌类型仅有普通车牌（蓝色车牌），CCPD2020 数据集车牌类型仅有新能源车牌（绿色车牌）。 具体介绍可以看看这篇： [深度学习] CCPD车牌数据集介绍_ccpd数据集-CSDN博客 下载地址在文末，只要数据集的直接下滑 下载后是这样的： 可以看到，该数据集包含的场景还是很丰富的 ，并且数据量也特多，cpdd_base 里甚至有 20w 数据，每个图片名字的文件就是该图片的标注（除了 ccpd_np 文件夹），例如下面这个文件： 01-86_91-298&341_449&414- x1, y1), (x2, y2) def get_bbox(x_min, y_min, x_max, y_max, img_w, img_h): """ 根据给定的最小最大坐标计算YOLO
3.1K10编辑于 2025-07-15 - 来自专栏陶陶计算机
基于yolo的口罩识别(开源代码和数据集)
收集数据集 本项目的数据集是笔者花了一个晚上通过网络爬虫的方式收集的（ps:没有违反爬虫协定）。 标注数据集 标注数据集同数据的清洗而言就比较简单了，比较的机械化。这里笔者使用labelImg这个标注工具进行标注。 数据装载 申明一下最后会将数据集提供给大家。 训练数据集 完成了上述操作后，即可进行数据集的训练操作了。 可能出现的bug 在操作的过程中难免会出现一些小毛病，这里呢，笔者已经为这个项目总结了几个容易出现的问题，请参考笔者的另一篇博客：项目可能出现的问题及其解决方法 项目源码和数据集 这里笔者将本项目的源代码和数据集都已经上传到
1.3K30编辑于 2022-05-16 花粉数据集花粉粒检测数据集VOC+YOLO格式2412张20类别
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)：2412 标注数量 ","linden","maple","meadow_pink","mugwort","nettle","pigweed","pine","plantain","sorrel","willow"] 数据集编号 = 217 sorrel 框数 = 271 willow 框数 = 816 总框数：7744 使用标注工具：labelImg 标注规则：对类别进行画矩形框 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标注 图片预览： 标注例子：
17610编辑于 2025-07-16SIMD数据集遥感地物目标检测数据集VOC+YOLO格式5000张17类别
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)：5000 标注数量 (xml文件个数)：5000 标注数量(txt文件个数)：5000 标注类别数：17 标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["airliner 框数 = 631 truck 框数 = 2802 van 框数 = 5732 总框数：45310 使用标注工具：labelImg 标注规则：对类别进行画矩形框 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标注 图片预览： 标注例子：
39900编辑于 2025-07-17精灵标注助手目标检测数据集格式转VOC或者yolo
有时候我们拿到一个数据集发现是xml文件格式如下： <?xml version="1.0" ? 格式是目标检测最常用数据集格式，标注精灵助手格式显然不能直接用于训练，必须转换到VOC格式或者yolo格式才行。 详情参考视频教程讲解： 精灵标注助手格式转VOC转YOLO格式_哔哩哔哩_bilibili这个软件是window上使用的，可以将精灵标注助手格式xml文件或者json格式文件转成VOC格式或者YOLO格式 未来自主研究中心，相关视频：C#实现全网yolov7目前最快winform目标检测，基于yolov8+deepsort实现目标追踪视频演示，基于yolov8+bytetrack实现目标追踪视频演示，VOC数据集自动预标注反标注系统之视频自动追踪标注视频演示 ，[数据集介绍][目标检测]河道垃圾水面漂浮物数据集VOC格式1304张，将yolov5-6.2封装成一个类几行代码完成语义分割任务 https://www.bilibili.com/video/BV1qX4y1W7bW
56910编辑于 2025-07-17- 来自专栏CVer
随机的YOLO：数据集偏移下的高效概率目标检测
本文引入Stochastic-YOLO这种新的结构，这种结构是基于YOLO V3进行的改进，与此同时还加入了MC-Drop抽样，以引入预测中的随机性，从而进行不确定性的估计。 虽然本文使用YOLOv3作为基础，但该结构可以在许多其他OD模型中应用，只需进行最小的修改，从而使它们对数据集转移的情况下具有更好的鲁棒性。 2、本文方法 2.1、Stochastic-YOLO 本文介绍了一种基于YOLOv3的新型OD架构——Stochastic-YOLO。 2.2、数据集Shift场景的系统评估 作者这里使用了Michaelis等人提出的Python包来系统地评估模型对不断增加的数据集Shift的鲁棒性；Michaelis等人也提出了一种评估指标，名为Corruption 同时，作者还测试了三个有代表性的dropout rates (25%，50%和75%)和spatial and label qualities在数据集Shift平均的结果。
1.9K21发布于 2020-09-23 coco2017数据集转换为yolo格式(记录过程)
最快的方法：目录快速跳转——最快的方法1.转换脚本的链接：点我使用命令git clone https://github.com/ssaru/convert2Yolo.git克隆到本地创建环境conda 文件夹中创建YOLO文件夹4.执行脚本python example.py --datasets COCO --img_path . /YOLO/ --img_type ".jpg" --manifest_path ./ --cls_list_file . /coco.names5.执行结果和生成文件这个过程出现的问题在YOLO文件夹中生成的标签文件数量为4952个，少于val2017中的5000张图片！！！ not os.path.exists(ana_txt_save_path): os.makedirs(ana_txt_save_path) id_map = {} # coco数据集的
1.8K10编辑于 2024-02-28红外车辆检测数据集VOC+YOLO格式13979张类别
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)：13979 标注数量 标注类别名称:["car"] 每个类别标注的框数： car 框数 = 247622 总框数：247622 使用标注工具：labelImg 标注规则：对类别进行画矩形框 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标注 图片示例： 标注示例： 下载地： https://download.csdn.net/download/FL1623863129/89367163
30110编辑于 2025-07-20军事目标系列数据集地雷检测数据集VOC+YOLO格式1023张1类别
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 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：labelImg 标注规则：对类别进行画矩形框 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标注 图片预览： 标注例子：
15200编辑于 2025-07-16军事目标系列数据集导弹检测数据集VOC+YOLO格式969张1类别
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( 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：labelImg 标注规则：对类别进行画矩形框 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标注 图片预览： 标注例子：
41000编辑于 2025-07-15水面垃圾检测数据集VOC+YOLO格式4273张8类
数据集中有部分增强图片 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 ，数据集只提供准确且合理标注 图片预览： 标注例子： 【训练步骤】 首先我们获取数据集压缩包7z格式或者zip格式后解压到一个非中文或者有空格路径下面。 然后我们在数据集data文件夹下面新建一个脚本split.py写入下面代码： import os import shutil import random class VOCDataSplit(object ') 视频或摄像头预测 results = model('path_to_video.mp4') # 视频 #results = model(0) # 摄像头 验证集评估 yolo task=detect 验证集是用来评估模型性能的数据集，与训练集分开，以确保评估结果的公正性。 Instances： 在所有图片中目标对象的总数。
91610编辑于 2025-07-30- 来自专栏YOLO大作战
YOLO11-seg分割如何训练自己的数据集（道路缺陷）
本文内容：如何用自己的数据集（道路缺陷）训练yolo11-seg模型以及训练结果可视化； 1.YOLO11介绍Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建 YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。 Segmentation 官方在COCO数据集上做了更多测试： 2.数据集介绍道路裂纹分割数据集是一个全面的4029张静态图像集合,专门为交通和公共安全研究而设计。 该数据集包括训练、测试和验证集,有助于精确的裂缝检测和分割。 训练集3712张，验证集200张，测试集112张 标签可视化： 3.如何训练YOLO11-seg模型3.1 修改 crack-seg.yaml# Ultralytics YOLO , AGPL-3.0
2.3K10编辑于 2024-10-21 锤子检测数据集VOC+YOLO格式1510张1类别
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)：1510 标注数量 ["hammer"] 每个类别标注的框数： hammer 框数 = 1955 总框数：1955 使用标注工具：labelImg 标注规则：对类别进行画矩形框 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标注 图片总览： 标注例子： 下载地址：https://download.csdn.net/download/FL1623863129/89655106
20410编辑于 2025-07-21
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号