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
FL16238631294 小时前
外来入侵植物检测数据集VOC+YOLO格式1111张5类别
人工智能·yolo·机器学习
菜鸟变凤凰20237 小时前
基于深度学习 YOLOv8 的各种识别系统(Vue3 + Element Plus + Django 全栈项目)
深度学习·yolo·django
冷雨夜中漫步8 小时前
YOLO快速入门——(2)YOLO V26安装与快速入门
图像处理·算法·yolo·计算机视觉
YOLO数据集集合8 小时前
遥感滑坡图像识别数据集 | 滑坡识别 遥感影像 语义分割 灾害监测 无人机航拍 目标检测 深度学习数据集 计算机视觉9172期
人工智能·yolo·目标检测·计算机视觉·无人机·滑坡
YOLO数据集集合9 小时前
空中鸟类检测数据集 | 单目标 鸟类检测 生态监测 鸟击防范 目标检测9174期
安全·yolo·目标检测·飞鸟数据集·飞鸟
YOLO数据集集合9 小时前
学生课堂行为智能检测系统 | 课堂行为检测 YOLOv13 DeepSeek 智慧教育 行为识别 9178期
yolo·目标检测·计算机视觉·课堂·学生课堂行为
YOLO数据集集合1 天前
Deepseek融合yolo的行人车辆多目标检测系统 |行人检测 车辆检测 多目标检测 YOLO DeepSeek9165期
人工智能·yolo·目标检测·计算机视觉·车辆检测·行人检测
YOLO数据集集合1 天前
YOLO 目标检测模型与 DeepSeek/Qwen 大语言模型融合的跌倒检测系统 | 跌倒检测 YOLO DeepSeek Qwen 行为识别 目标检测
yolo·目标检测·语言模型
YOLO数据集集合1 天前
道路与桥梁灾后损伤检测数据集 | 道路损伤 桥梁损坏 灾后评估 无人机巡检 目标检测 YOLO格式 深度学习数据集 计算机视觉10551期
yolo·目标检测·计算机视觉·无人机·桥梁损害·灾后评估
答案是你2 天前
YOLOE 开放词汇检测 + ONNX / TensorRT 推理,开源了!
python·深度学习·yolo·目标检测·计算机视觉·视觉检测