道路动物横穿马路检测数据集VOC+YOLO格式895张52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):895

标注数量(xml文件个数):895

标注数量(txt文件个数):895

标注类别数:52

所在github仓库:firc-dataset

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):"Hyena","auto","bear","bicycle","bike","bison","boar","buffalo","bus","camel","capybara","car","cat","cheetah","cow","crocodile","deer","dog","duck","elephant","fox","giraffe","goat","hen","horse","kangaroo","koala","leopard","lion","mongoose","monkey","moon","moose","motorcycle","objects","ostrich","person","pig","porcupine","rabbit","racoon","reindeer","sheep","snail","tiger","tortoise","tricycle","truck","van","wildebeest","wolf","zebra"

每个类别标注的框数:

Hyena(鬣狗) 框数 = 2

auto(汽车) 框数 = 1

bear(熊) 框数 = 88

bicycle(自行车) 框数 = 1

bike(自行车) 框数 = 19

bison(野牛) 框数 = 186

boar(野猪) 框数 = 33

buffalo(水牛) 框数 = 63

bus(公交车) 框数 = 11

camel(骆驼) 框数 = 68

capybara(水豚) 框数 = 1

car(汽车) 框数 = 663

cat(猫) 框数 = 47

cheetah(猎豹) 框数 = 28

cow(牛) 框数 = 226

crocodile(鳄鱼) 框数 = 20

deer(鹿) 框数 = 230

dog(狗) 框数 = 78

duck(鸭子) 框数 = 3

elephant(大象) 框数 = 121

fox(狐狸) 框数 = 39

giraffe(长颈鹿) 框数 = 16

goat(山羊) 框数 = 170

hen(母鸡) 框数 = 3

horse(马) 框数 = 43

kangaroo(袋鼠) 框数 = 27

koala(考拉) 框数 = 3

leopard(豹) 框数 = 2

lion(狮子) 框数 = 117

mongoose(猫鼬) 框数 = 1

monkey(猴子) 框数 = 47

moon(月亮) 框数 = 1

moose(驼鹿) 框数 = 32

motorcycle(摩托车) 框数 = 1

objects(物体) 框数 = 1

ostrich(鸵鸟) 框数 = 3

person(人员) 框数 = 215

pig(猪) 框数 = 2

porcupine(豪猪) 框数 = 1

rabbit(兔子) 框数 = 11

racoon(浣熊) 框数 = 1

reindeer(驯鹿) 框数 = 20

sheep(羊) 框数 = 43

snail(蜗牛) 框数 = 1

tiger(老虎) 框数 = 46

tortoise(陆龟) 框数 = 3

tricycle(三轮车) 框数 = 3

truck(卡车) 框数 = 74

van(厢式货车) 框数 = 3

wildebeest(角马) 框数 = 1

wolf(狼) 框数 = 23

zebra(斑马) 框数 = 9

总框数:2851

每个类别占有图片数:

Hyena(鬣狗) 占有图片数 = 2

auto(汽车) 占有图片数 = 1

bear(熊) 占有图片数 = 52

bicycle(自行车) 占有图片数 = 1

bike(自行车) 占有图片数 = 15

bison(野牛) 占有图片数 = 57

boar(野猪) 占有图片数 = 15

buffalo(水牛) 占有图片数 = 20

bus(公交车) 占有图片数 = 11

camel(骆驼) 占有图片数 = 29

capybara(水豚) 占有图片数 = 1

car(汽车) 占有图片数 = 265

cat(猫) 占有图片数 = 29

cheetah(猎豹) 占有图片数 = 26

cow(牛) 占有图片数 = 58

crocodile(鳄鱼) 占有图片数 = 20

deer(鹿) 占有图片数 = 126

dog(狗) 占有图片数 = 62

duck(鸭子) 占有图片数 = 1

elephant(大象) 占有图片数 = 56

fox(狐狸) 占有图片数 = 38

giraffe(长颈鹿) 占有图片数 = 7

goat(山羊) 占有图片数 = 30

hen(母鸡) 占有图片数 = 2

horse(马) 占有图片数 = 24

kangaroo(袋鼠) 占有图片数 = 10

koala(考拉) 占有图片数 = 2

leopard(豹) 占有图片数 = 2

lion(狮子) 占有图片数 = 49

mongoose(猫鼬) 占有图片数 = 1

monkey(猴子) 占有图片数 = 18

moon(月亮) 占有图片数 = 1

moose(驼鹿) 占有图片数 = 27

motorcycle(摩托车) 占有图片数 = 1

objects(物体) 占有图片数 = 1

ostrich(鸵鸟) 占有图片数 = 1

person(人员) 占有图片数 = 111

pig(猪) 占有图片数 = 1

porcupine(豪猪) 占有图片数 = 1

rabbit(兔子) 占有图片数 = 11

racoon(浣熊) 占有图片数 = 1

reindeer(驯鹿) 占有图片数 = 18

sheep(羊) 占有图片数 = 11

snail(蜗牛) 占有图片数 = 1

tiger(老虎) 占有图片数 = 42

tortoise(陆龟) 占有图片数 = 3

tricycle(三轮车) 占有图片数 = 3

truck(卡车) 占有图片数 = 64

van(厢式货车) 占有图片数 = 3

wildebeest(角马) 占有图片数 = 1

wolf(狼) 占有图片数 = 17

zebra(斑马) 占有图片数 = 5

图片分辨率:640x640

使用标注工具:labelImg

标注规则:对类别进行画矩形框

重要说明:数据集没有划分训练验证测试集需自行划分

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

图片预览:

标注例子:

相关推荐
jay神1 天前
一文讲清楚YOLOv26模型
人工智能·深度学习·yolo·机器学习·计算机视觉
qq_25294131681 天前
无人机目标检测数据集(UAV Detection Dataset)| 无人机检测 反无人机 低空安防5001期
人工智能·yolo·目标检测·计算机视觉·视觉检测·无人机·反无人机
YOLO数据集集合2 天前
蚊子视觉验证数据集 | 蚊虫识别 疟疾防控 病媒生物 细粒度分类 YOLO格式 深度学习数据集
深度学习·yolo·分类·数据集·蚊子分类·蚊虫分类·蚊虫识别
java1234_小锋2 天前
YOLO26 计算机视觉 - YOLO26图片与视频推理 & 摄像头与实时检测
人工智能·yolo·计算机视觉·机器视觉·yolo26
YOLO数据集集合2 天前
蚊子目标检测数据集 | 蚊虫检测 病媒生物 智能硬件 轻量化模型 目标检测 YOLO格式 深度学习数据集9015期
深度学习·yolo·目标检测·计算机视觉·分类·智能硬件·蚊子识别
YOLO数据集集合2 天前
煤炭质量目标检测数据集 、| 煤炭检测 工业视觉 质量分级 异物检测 煤炭异物8005期
人工智能·yolo·目标检测·计算机视觉·分类·煤炭检测数据集·异物数据集
qq_25294131683 天前
窗户清洁检测数据集 | 窗户清洁检测 建筑运维 二分类任务 YOLO格式 深度学习数据集9019期
运维·人工智能·深度学习·yolo·目标检测·分类·窗户清晰度
YOLO数据集集合3 天前
尼帕果实目标检测数据集 | 尼帕果实检测 农业视觉 热带作物 目标检测 YOLO格式9013期
人工智能·yolo·目标检测·机器学习·计算机视觉·农业果实
qq_25294131683 天前
航拍垃圾堆检测数据集 | 航拍垃圾检测 固废管理 无人机巡检 环保监测9025期
yolo·目标检测·计算机视觉·分类·无人机·垃圾检测·垃圾
qq_25294131683 天前
建筑物缺陷目标检测数据集 | 建筑裂缝检测 房屋缺陷 结构损伤 目标检测9022期
人工智能·yolo·目标检测·计算机视觉·视觉检测·建筑裂缝·建筑外立面