登录社区云，与社区用户共同成长
邀请您加入社区
智慧昆虫分类识别数据集 昆虫识别数据集农作物害虫分类数据集 蛾子数据集蜜蜂图像数据集 yolo分类10297期
【代码】用Weisfeiler-Lehman 图核 计算solidworks零件的拓扑相似度。
针对 100 余张口罩检测数据集（二分类：带口罩 / 不带口罩），基于 Windows 平台 + 消费级 GPU 完成 YOLOv5.2 模型训练，最终模型训练 100 轮达到 0.8左右 mAP，适配小数据集 + RTX3050 的实战场景。
该柑橘病害数据集包含训练集和测试集，分为新鲜柑橘和三种病害类型（溃疡病、黑斑病、绿化病）。训练集中：黑斑病206张、溃疡病201张、新鲜388张、绿化病369张。测试集中：黑斑病138张、溃疡病148张、新鲜164张、绿化病176张。总计训练集1164张，测试集626张图像，可用于柑橘病害分类研究。
在工业设计领域，SolidWorks与Creo的对决从未停歇。前者以易用性圈粉中小企业，后者凭强参数化深耕高端制造。2025年技术迭代后，两者差距是否进一步拉大？
编程语言: Python;数据集来自网络mushrooms_9，其中包括6714张蘑菇图片，分9类，依次为伞菌属(Agaricus)、鹅膏属(Amanita)、牛肝菌属(Boletus)、丝膜菌属(Cortinarius)、粉褶蕈属(Entoloma)、蜡伞科(Hygrocybe)、乳菇属(Lactarius)、红菇属(Russula)、乳牛肝菌属(Suillus)；
有时目标检测由于数据集类别不均衡，类别自身分类难易度差距，以及数据集自身标注问题的缘由，导致有的类别能很快收敛，而有的类别迟迟难以收敛，可能出现有的类别已经过拟合而有的类别仍欠拟合的现象。直接改为focal loss难例挖掘又由于标注自身的问题往往不见得有更好的效果。同时由于一般检测时对于不同类别重视程度不同，所以可手动根据类别的重要性和实际的识别效果对分类损失bceloss进行加权，调整难分类别
【完整源码+数据集+部署教程】烟叶植株计数与分类系统源码和数据集：改进yolo11-TADDH
【完整源码+数据集+部署教程】人员异常行为识别检测系统源码和数据集：改进yolo11-CSP-EDLAN
【完整源码+数据集+部署教程】 落叶植物叶片分类系统源码和数据集：改进yolo11-LVMB
视频演示：【鲲码园Python】基于pytorch的猫咪品种分类系统_演示飞书文档：classification_of_cats_breeds_based_on_pytorch
比如我只想从数据集中取手机的图像，来用于我的训练，懒得自己一张一张标注，方法如下。
通过这条曲线，可以评估模型在目标检测任务中的整体性能，并找到合适的置信度阈值，以在精确率和召回率之间做出最佳平衡。PR 曲线越接近右上角，模型性能越好，曲线下方的面积越大，说明模型在不同置信度下的表现越稳定。通过这条曲线，可以选择合适的置信度阈值，以优化模型的检测结果，平衡精确率和召回率。图中的曲线为Precision-Recall Curve（精确度-召回率曲线），展示了不同阈值下分类器的精确度
PyTorch中常见模型可分为三类： 架构分类：CNN（处理图像，如ResNet）、RNN/LSTM（序列数据）、Transformer（长序列建模，如BERT）、GAN（生成数据，如StyleGAN）； 任务分类：图像分类（CNN/ViT）、文本分类（LSTM/Transformer）、结构化数据（MLP）； 功能扩展：预训练模型（微调适配）、轻量化模型（MobileNet剪枝/量化）。 选择建
导入单图后，点击识别按钮进行识别，右侧展示识别结果，根据识别的类别结果展示类别名，数据集中对应类别的随机图片比对，以及中药材的简介；
狗品种识别数据集助力AI精准识别宠物品种。随着宠物经济发展，准确识别数百种外形相似的犬种成为刚需。该数据集包含1257张图像，覆盖6大犬种，采用yolo格式标注。数据经过多源采集、严格筛选和质量控制，包括分辨率筛选、样本均衡和隐私处理，确保数据多样性、清晰度和平衡性，为训练高精度AI识别模型提供可靠基础。
导入单图后，点击识别按钮进行识别，右侧展示识别结果，根据识别的类别结果展示中英文类别名，数据集中对应类别的随机图片比对，以及果蔬的简介；
【代码】按yolo格式标签分类图像。
导入单图后，点击识别按钮进行识别，右侧展示识别结果；
本项目基于YOLOv8和OpenCV实现钢材表面六类缺陷检测，提供完整解决方案。包含4312张图片的数据集、训练好的权重及详细注释的源码。系统采用Tkinter构建GUI界面，支持图片、视频和实时摄像头三种检测模式，可识别龟裂、夹杂物等六种缺陷类型（中英文标注）。项目结构清晰，包含数据集、权重、源码和依赖文件，安装简单只需执行pip安装命令即可运行。检测结果实时可视化显示，准确率高，界面友好，适用
本项目构建了基于swin_transformer的植物中草药分类识别系统。凭借swin_transformer卓越的性能，该系统能够高效、精准地识别检测'白茅根', '白芍','白头翁','百部', '百合' '半夏','北沙参', '苍术','侧柏叶', '柴胡','赤芍', '佛手'等67种常见植物中草药，满足多样化的使用需求。在接下来的内容中会详细阐述数据集介绍、技术栈、模型训练和精心打造的
在autodl云服务上训练yolov8分类模型的时候出现了报错，以及文件夹数量和跑模型的时候类别对应不上的问题。比如：我的train文件夹下只有cat,dog。去github看了下issue才知道的，特做笔记。原因：因为我在jupyter上运行的，数据集是上传到autodl上的，租用别人的云显卡的。并且我上传数据的时候对数据集进行了操作，比如移动删除之类的。所以有可能会导致出现了隐藏的文件。解决方
随着人工智能技术的飞速发展，大型预训练模型（以下简称“大模型”）已经在自然语言处理、计算机视觉、语音识别等多个领域取得了显著的成果。这些模型通过在海量数据上进行预训练，能够捕捉到丰富的特征信息，为各种下游任务提供强大的支持。本文将围绕大模型的分类，探讨不同类型的大模型及其特点、应用场景和未来发展。一、大模型的分类根据不同的特点和用途，大模型可以分为以下几类：按模型结构分类（1）卷积神经网络（CNN
人工智能(AI)的分类对机器学习进行分类的方式多种多样，可以根据算法的特性、学习方式、任务类型等不同维度进行分类这些分类都不是互斥的：1、按不同:图像，文本，语音，多态等2、按不同:判别式模型，生成式模型等.3、按不同:监督、无监督、半监督、强化学习等。4、按不同:回归、分类、聚类、降维、生成等,
利用 yolo11x 进行物体识别一、物品分类。
01.工作速览医学图像分类需要使用标记过的、特定于任务的数据集来从头训练深度学习网络，或者用于微调基础模型。然而，这一过程在计算和技术上都极具挑战性。在语言处理中，上下文学习提供了一种替代方案，模型可以直接从提示中学习，从而绕过参数更新的需求。然而，上下文学习在医学图像分析中的应用仍处于探索阶段。2024年11月21日，德国海德堡大学在_Nature Communications_在线发表题为**
详细讲解Hugging Face的evaluate库，以及evaluate的使用，并使用evaluate库来优化文本分类实例的代码。
数据准备：加载并标准化MNIST数据集，将图像展平并切分为patches。位置编码：为每个patch添加位置编码。Transformer编码器：输入展平后的patches并通过Transformer编码器处理。池化：通过池化操作将每个patch的表示聚合成一个全局向量表示。分类头：通过全连接层进行数字分类，输出10个类别的概率分布。训练和优化：使用交叉熵损失进行训练，优化模型参数。评估：评估模型的
图像分类任务是YOLOV8几种任务中最简单的一种，涉及将分类为预定义类别中的一个。图像分类器的输出是标签和一个。当你只需要知道图像属于哪个类别，而不需要知道该类别的对象在哪里或它们的确切形状时，图像分类非常有用。要使用 YOLOv8 进行图像分类，您需要准备一个合适的数据集。以下是建立分类数据集的一般步骤：1.收集并准备您需要分类的图像。确保每个类别下有足够数量的图像，以便训练模型时能够获得良好的
添加图片注释，不超过 140 字（可选）钢材表面缺陷检测，yolov8/opencv使用yolov8训练，数据集图片4312张，已经训练好了，也可以自己重新训练，使用opencv，thinter构建的gui 需要下载相关库，如opencv，ultralytics等 六分类，'crazing', 'inclusion', 'patches', 'pitted_surface', 'rolled-in
在这种情况下，我们将 10% 的样本从非欺诈实例中取而代之，然后将它们与欺诈实例相结合 - 随机抽样后的非欺诈性观察:4950 的 10% = 495 将他们与欺诈观察结合后的总观测值: 50 + 495 = 545因此，现在，低采样后新数据集的事件率为: 9%该数据集在 569 个肿瘤上具有 569 个实例或数据，并且包括关于 30 个属性或特征(诸如肿瘤的半径，纹理，光滑度和面积)的信息。这两
这个是二月份学习的，最近整理资料所以上传到博客备份一下数据在这里：https://www.kaggle.com/competitions/nlp-getting-started/data使用BERT（transformers库）对推特灾难文本二分类xxx着火了（灾难）火烧云像是燃烧的火焰（非灾难）
Open Images是由谷歌发布的一个开源图片数据集，在2022年10月份发布了最新的V7版本。这个版本的数据集包含了900多万张图片，都有类别标记。其中190多万张图片有非常精细的标注。Tortoise乌龟Container容器Magpie喜鹊Sea turtle海龟Football足球Ambulance救护车Ladder梯Toothbrush牙刷Syringe注射器Sink水槽Toy玩具Or
yolov9实现自建数据集训练，最新训练的安全帽佩戴识别，定义了helmet和head，使用1.6w张VOC格式数据集进行训练，迭代次数为100次，使用模型结构为yolov9-e.yaml，支持算法优化改进，包含加注意力机制，修改损失函数，修改网络结构等。
本篇主要计算机网络的定义和分类，例如按交换方式、使用者、传输介质、覆盖范围、拓扑结构进行分类。
另外一个简易版本的keras实现：，这个实现内没有采用VIVIT提出的几种模式，直接用3D卷积提取了特征，然后跟了几层transformer。模型从时间或者空间的dimension来拆分了计算，VIT模型需要更多的数据来train，模型参数量更多，常见的视频网络就是3D卷积，然后在视频帧提取的特征之间做average，最后做分类，现在有的工作在后面加了transformer来做分类的，提取时间上帧
语言模型的分类法
数据集格式为VOC格式，共包含3类图片（苹果，香蕉和橘子），每类有100张图片，其中80张用于训练集，20张用于验证集。数据集目录如下：数据集部分图片：
要注意的是，YOLOv5主要被设计和优化用于目标检测，且由于是社区维护的版本，它并不是官方的后续版本。将YOLOv5用于图像分类的一个常用方法是提取YOLOv5中的特征提取部分，即其CNN骨干网，并在此基础上添加一个用于分类的全连接层。YOLOv5在不牺牲太多精度的前提下，提供了不同大小的模型，从小型的YOLOv5s到大型的YOLOv5l和YOLOv5x，满足不同计算能力的平台需求。YOLOv5的
某些GPR实现通过对核函数的函数形式做出具体的决策，已经实现了良好的性能，例如，它只使用指数项，并进行相应的优化，但这不是一个全局解决方案。在宇宙学中，红移，反映了宇宙尺度的增加，因为光是由一些遥远的物体发出的，由于宇宙膨胀是针对距离，因此在确定遥远的星系和类星体的物理参数时是必要的，如它们的亮度、质量等。时域的开放使对各种现象的系统的、大规模的研究成为可能，包括恒星和活动星系核的变化、各种宇宙爆
yolov5 pytorch 检测模型与分类模型进行级联，效果比单独训练yolov5表情要提升不少。使用一万张数据集训练人脸检测模型，使用五万张数据集训练表情分类模型。
如果想用 Python 实现一个基于 Transformer 的图像分类模型，可以使用以下步骤:准备数据：需要准备一组图像和相应的标签，进行训练和测试。加载预训练模型：可以使用开源的预训练模型，比如 Transformers 库中的 BERT 模型。定义网络结构：需要定义一个 Transformer 模型，输入图像特征，并通过预训练模型提取语义信息。训练模型：使用训练数据进行训练，...
使用yolov5训练行人和香烟的数据集效果还是可以的，不过香烟的目标比较小，会出现一定的漏检和误识别，需要继续收集数据集进行优化提升
DarkNet避坑指南！！！！这个框架真的很坑！
基于Bert的中文电商文本分类
LeNet 网络的结构如图：网络流通的顺序为：输入->卷积层1->激活函数->池化层->卷积层2->激活函数->池化层2->全连接层1->激活函数->全连接层2->激活函数->全连接层3->激活函数->softmax->输出10个类别的概率再看一下网络的维度：src 代表输入图像，dst代表输出图像，也可以计算对应的Height ， Widthf 代表卷积核的sizep 代表填充的个数s 代表卷积
将pytorch模型部署到服务器（将自己电脑作为服务器），手机前端访问返回分类结果,毕业设计必备！！
1.GoogLeNet网络详解网络中的创新点：（1）引入了Inception结构（融合不同尺度的特征信息）（2）使用1x1的卷积核进行降维以及映射处理 （虽然VGG网络中也有，但该论文介绍的更详细）（3）添加两个辅助分类器帮助训练（4）丢弃全连接层，使用平均池化层（大大减少模型参数，除去两个辅助分类器，网络大小只有vgg的1/20）Inception结构...
一、数据集介绍中文文本分类数据集数据来源：今日头条客户端数据格式：6554695793956094477_!_110_!_news_military_!_「欧洲第一陆军」法兰西帝国的欧陆霸权_!_查理八世,布列塔尼,卡佩王朝,佛兰德斯,法国6554855520291783175_!_110_!_news_military_!_以色列为巷战而研发的重型装甲运兵车，美军也租一辆进行作战测试_!_装甲运
import onnxfrom onnx import helper, checkerfrom onnx import TensorProtoimport reimport argparsemodel = ""onnx_model = onnx.load(model)graph = onnx_model.graph# print(graph)node = graph.node# node[213]
分类
——分类
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
乐奇 Rokid 开放社区
