本文介绍了玉米病虫害检测数据集及训练好的YOLO模型。数据集包含17729张标注图片，涵盖11种玉米病虫害类别，划分为训练集(12410)、验证集(3546)和测试集(1773)。已训练好的YOLOv5模型(mAP0.890)和YOLOv8模型(mAP0.895)均基于100轮训练获得。

本文介绍了一个用于目标检测的行人与车辆数据集，包含17,258张已标注图片，按15,258:2,000划分训练集和验证集。数据集包含"person"和"car"两类目标，适用于YOLO系列模型训练。作者提供了基于YOLOv5和YOLOv8的预训练模型结果，其中YOLOv5模型达到mAP 0.698，YOLOv8模型达到mAP 0.674。

本文介绍了一个包含4203张已标注图片的杂草检测数据集，其中训练集3362张、验证集841张。数据集采用YOLOv5和YOLOv8模型进行训练，均取得优异结果：YOLOv5模型（基于yolov5s.pt预训练）mAP达0.993，YOLOv8模型（基于yolov8n.pt预训练）mAP为0.985。文中展示了样本图片和训练结果曲线图。该数据集可直接用于目标检测任务。

本文介绍了一个X光行李违禁物品检测数据集，包含3771张已标注图片，划分为3016张训练集和755张验证集。数据集涵盖5类违禁物品：枪、刀、钳子、剪刀和扳手。同时提供了基于YOLOv5和YOLOv8的训练结果，两者均达到0.95以上的mAP值。YOLOv5使用yolov5s.pt预训练模型训练100轮后mAP为0.956，YOLOv8使用yolov8n.pt预训练模型训练100轮后mAP为0.95

本文介绍了一个无人机视角的行人检测数据集，包含6186张已标注图片，按4948:1238划分训练集和验证集。数据集仅包含person类别，适用于目标检测任务。同时提供了YOLOv5和YOLOv8的预训练模型结果：YOLOv5s.pt模型训练100轮达到mAP0.484，YOLOv8n.pt模型训练100轮达到mAP0.443。该数据集可用于无人机视角下的行人检测算法开发与优化。

本文介绍了一个电动车头盔佩戴检测数据集，包含2298张已标注图片，划分为1839张训练集和459张验证集。数据集标注了三类目标：骑行者、未戴头盔和佩戴头盔。使用该数据集训练了YOLOv5和YOLOv8模型，分别达到0.961和0.954的mAP值。

本文介绍了一个葡萄叶片病害检测数据集，包含1000张已标注图片，分为训练集（800张）和验证集（200张）。数据标注了三种病害：腐烂洞、麻疹和枯萎病。基于该数据集，作者分别使用YOLOv5和YOLOv8模型进行训练，其中YOLOv5模型达到0.819的mAP值，YOLOv8模型达到0.849的mAP值。

本文介绍了用于目标检测的俯拍视角车辆数据集，包含299张已标注图片，按239:60划分为训练集和验证集。数据集采用YOLOv5和YOLOv8模型训练，其中YOLOv5s.pt模型达到mAP0.994，YOLOv8n.pt模型达到mAP0.995。该数据集适用于俯拍视角下的车辆检测任务，包含完整的标注文件和预训练模型结果。

本文介绍了一个包含2371张标注图片的无人机红外视角数据集，划分为2071:196:104的训练集、验证集和测试集，可直接用于目标检测训练。数据集包含车辆、摩托车、行人和卡车4个类别。同时提供了基于YOLOv5和YOLOv8的预训练模型结果，其中YOLOv5模型达到0.827的mAP值，YOLOv8模型达到0.790的mAP值。

本文介绍了骰子点数检测数据集及训练模型。数据集包含705张已标注图片，按564:141划分为训练集和验证集，涵盖1-6点骰子类别。提供YOLOv5和YOLOv8两种训练好的模型结果，均达到mAP0.995的准确率。其中YOLOv5使用yolov5s.pt预训练模型训练100轮，YOLOv8使用yolov8n.pt预训练模型训练100轮。