钢材缺陷识别分割数据集labelme格式693张4类别

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 = 297

Welding line count = 979

Porosity count = 3644

Spatters count = 5814

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数据集需自己转成mask或者yolo格式或者coco格式作语义分割或者实例分割

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:

相关推荐
JokerSZ.11 分钟前
复现:latent diffusion(LDM)stable diffusion
人工智能·深度学习·stable diffusion·生成模型
T0uken14 分钟前
【深度学习】Pytorch:更换激活函数
人工智能·pytorch·深度学习
山西茄子21 分钟前
DeepStream推理dewarped所有surfaces
人工智能·深度学习·计算机视觉·deepstream
万里鹏程转瞬至1 小时前
开源项目介绍:Native-LLM-for-Android
android·深度学习·开源·大模型
byxdaz2 小时前
NVIDIA显卡驱动、CUDA、cuDNN 和 TensorRT 版本匹配指南
linux·人工智能·深度学习
阿拉保2 小时前
初识Bert
深度学习·bert·lstm
CoovallyAIHub2 小时前
QwQ-32B:小模型大智慧,开启AI普惠化与视觉智能新时代
深度学习·机器学习
机器学习社区3 小时前
QwQ-32B 开源!本地部署+微调教程来了
深度学习·算法·面试·大模型·面试题
Wis4e3 小时前
基于PyTorch的深度学习3——非标量反向传播
人工智能·pytorch·深度学习
lihuayong3 小时前
深度学习模型Transformer核心组件—前馈网络FFN
人工智能·深度学习·transformer·全链接层·前馈网络·feed-forward