红外弱小飞机目标检测数据集，可用于目标检测926张图像，bmp和xml一一对应，类别：bird

如何使用深度学习模型进行分割或检测任务 智慧工地数据集（戴安全帽和未戴安全帽两类） 机器（PC运输车、自卸卡车、混凝土搅拌车、挖掘机、压路机、推土机和轮式装载机七类等

行为类别数据集打架数据集 考场行为数据集 考生行为数据集 学生行为检测数据集 学生数据集 1.考场考生行为检测数据集14类 7000张 带标注 voc yolo 2打架数据集3类 打架 摔倒 持械

深度学习-基于YOLOv5的NEU-DET钢材表面缺陷任务检测，加入CFPNet、动态卷积ODConv、多个检测头提升精度NEU-DET钢材表面缺陷共有六类数据集

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

深度学习目标检测UOLOV8模型训练 橘子成熟度目标检测数据集 柑橘成熟度检测数据集的训练及应用

海事监控数据集Seaships，共包含6类7000张船舶图片，具有不同的尺度、船体部分、照明、视点、背景和遮挡。散货船bulk cargo carrier、集装箱船container ship、渔船fishing boat、杂货船general cargo ship、矿砂船ore carrier、客船passenger ship。本数据集可以用于yolo系列目标检测算法。

如何训练——数据集的害虫类别共为三类，分别包含：蝗虫（locust），毛毛虫（caterpillar），甲虫（beetle）。2.该数据集共4010张JPG图片，标签文件为xml格式，4010个。三类缺陷在标签文件中分别命名为：locust，caterpillar，beetle。3.其中蝗虫和毛毛虫占比最多。

如何处理红外变电站分割数据集——并使用深度学习方法进行训练

​如何使用YOLO系列的目标检测算法来训练一个道路语义分割数据集，并附上详细的训练代码。尽管YOLO主要设计用于目标检测而非语义分割，但在某些情况下，可以通过巧妙地利用YOLO的输出来实现类似于语义分割的效果。但是，为了更精确地进行语义分割，通常会使用专门为此目的设计的模型，如U-Net、DeepLab等。不过，如果你确实需要使用YOLO来进行类似的任务，比如标记道路裂缝或其他特定区域，那么你可以