数据集介绍1. 数据集概述数据集名称：大规模多传感器滑坡检测数据集数据来源：使用多种传感器采集，包括Landsat、Sentinel-2、Planet、无人机图像覆盖地区：国内四川、贵州，国外菲律宾、印尼等地图像数量：共2万余幅图像数据量：约8GB标签格式：Mask格式，准确标注滑坡位置2. 数据集结构假设你的数据集已经按照以下结构组织：深色版本landslide_dataset/├── imag

使用YOLOv8来训练一个包含1206张图像的施工安全数据集。这个数据集包含5个类别，已标注为YOLO格式，可以直接用于模型训练。数据集描述数据量：1206张图像类别：0: 头盔（helmet）1: 无头盔（no-helmet）2: 无背心（no-vest）3: 人（person）4: 背心（vest）数据划分：训练集：997张验证集：119张测试集：90张标注格式：YOLO格式应用场景：施工安全

森林火灾类——分割——如何构建和使用基于遥感图像的森林过火区域估计与严重程度评估数据集的详细步骤和代码。我们将使用Python和深度学习框架（如PyTorch）来实现这一任务。

使用YOLOv8进行训练和评估 防震锤缺陷检测数据集防震锤数据集 1000张 防震锤 带标注 voc yolo 2 类 目标检测

如何使用yolov8训练使用火灾烟雾数据集 Fire和Smoke两类 yaml文件 一万张 训练集、验证集与测试集比例划分，为xt格式，标签图片相对应，用于YOLO系列模型训练 目标检测用 火焰数据集

使用YOLOv8来训练一个包含500张图像的珊瑚目标检测数据集。这个数据集包含14个类别，已标注为YOLO格式，可以直接用于模型训练。数据集描述数据量：500张图像类别：0: Arborescent（树状的）1: Caespitose-a（丛生的-a）2: Caespitose-b（丛生的-b）3: Columnar（柱状的）4: Corymbose（伞房状的）5: Digitate（指状的）6:

如何使用yolov8训练使用——焊接缺陷数据集/焊缝缺陷目标检测数据集6000张 4类 YOLO格式 可直接用于YOLO系列目标检测算法模型训练

如何训练智慧工业防护数据集，收集各种工业环境，高质量图像（超过8000张最低1080p）丰富的标注实例（超过7万个标注），标注类型包括人，头，脸，眼镜，医用口罩，面罩，耳朵，耳罩，手部，手套，脚，鞋，安全马甲，工具，安全帽，医用服装，安全服共17类别，基本涵盖所有工业场景下搜集的图像，共14GB数据量，voc和yolo格式都有

遥感影像各类油罐检测，共分为外浮顶油罐，封闭顶油罐，球形压力罐，水塔，沉淀罐五种类型，超过26000张影像，采用voc格式标注，512×215尺寸，2GB

Matlab肺结节分割(肺结节提取)源程序，也有GUI人机界面版本。使用传统图像分割方法，非深度学习方法。使用LIDC-IDRI数据集。工作如下：1、读取图像。读取原始dicom格式的CT图像，并显示，绘制灰度直方图；2、图像增强。对图像进行图像增强，包括Gamma矫正、直方图均衡化、中值滤波、边缘锐化；3、肺质分割。基于阈值分割，从原CT图像中分割出肺质；4、肺结节分割。肺质分割后，进行特征提取