摘要：MouseDetectionDataset是一个包含3001张老鼠图像的标注数据集，涵盖多种环境和光照条件，共3958个标注框。数据集提供YOLO/XML/JSON三种标注格式，类别为"rat"。采用7:2:1的比例划分训练/验证/测试集，支持YOLOv8等主流检测模型的训练。适用于智能捕鼠、害鼠监测等场景。所有标注经人工审核，可直接用于模型训练与验证。

数据集包含大量通过红外热成像设备采集的高压电力设备图像，图像中涵盖了多个典型的电气部件以及可能的发热区域。类别编号类别名说明0core铁心：变压器核心部件，热异常可能影响变压性能1connection电连接点：包括导线连接、端子等，接触不良易过热2body设备主体部分：评估整体温升情况3LBS负荷开关（Load Break Switch）：常用于中压配电4LA避雷器（Lightning Arres

本数据集主要采集自自然光条件下的温室或露天种植环境，图像具有良好的代表性，涵盖了不同角度、不同遮挡程度、不同光照强度下的西红柿样本。📸 数量：图片共计643张、总框数7781个。其中green 框数为5134个，half_ripened 框数为 1317个，fully_ripened 框数为1330个。green：果实呈绿色，尚未进入成熟阶段；：果实部分转红，处于成熟过渡期；：果实整体呈红色，达

在目标检测模型完成前向推理后，其输出通常为大量未筛选的候选框（bounding boxes），每个候选框包含位置坐标、各类别置信度等信息。为了从中提取有效的目标信息，并在原始图像上可视化展示，需对模型输出进行后处理。在完成目标检测的后处理阶段后，系统已经获得每个候选目标的二维图像坐标和置信度信息。为提升系统在不同平台的兼容性与环境，我们将 PyTorch 格式的 YOLOv11 模型转换为 ONN

本文介绍了一个包含163种常见中草药的高质量图像数据集，总量超过26万张，涵盖药材原植物、切片、干品等多种形态。数据集按类别分类存储，分辨率统一为299×299，适合训练各类图像分类模型。文中详细说明了数据组织结构、训练/验证集划分方法及代码实现，并列举了药材识别、知识图谱构建等多领域应用场景。该数据集对推动中医药数字化和AI辅助诊断具有重要意义。

在计算机视觉领域，水果识别与检测任务广泛应用于农业自动化、智能采摘、分拣系统以及食品工业中的质量检测。为支持目标检测算法在水果识别领域的研究与应用，我们构建并发布了一个高质量的，涵盖多种常见水果品类，并提供多种主流标注格式，便于快速上手训练主流模型如 YOLO系列、Faster R-CNN、SSD 等。

摘要：MouseDetectionDataset是一个包含3001张老鼠图像的标注数据集，涵盖多种环境和光照条件，共3958个标注框。数据集提供YOLO/XML/JSON三种标注格式，类别为"rat"。采用7:2:1的比例划分训练/验证/测试集，支持YOLOv8等主流检测模型的训练。适用于智能捕鼠、害鼠监测等场景。所有标注经人工审核，可直接用于模型训练与验证。

在计算机视觉与智能农业快速发展的背景下，基于深度学习的技术正被广泛应用于植物分类、智能园艺、自动监测与生态研究等多个领域。为了推动花卉类目标检测任务的发展，本文介绍一个包含的目标检测数据集，总计，每张图像均已进行精准的目标框标注。

病虫害数据集一共有5007张包含了11类常见病虫害图像蚂蚁、蜜蜂、甲虫、毛毛虫、蠼螋、蚱蜢、蛾类、鼻涕虫、蜗牛、黄蜂、象甲，各类别数量分布均匀。标签包含了 json、xml、yolo三种格式。每张图像都经过人工手动标注，保证了标签的准确性，旨在支持如YOLO、Faster R-CNN、SSD等主流目标检测算法的训练与评估。数据集中共包含以下11类典型农业害虫，涵盖了不同形态与危害方式的代表性虫害类

本文介绍了一个包含163种常见中草药的高质量图像数据集，总量超过26万张，涵盖药材原植物、切片、干品等多种形态。数据集按类别分类存储，分辨率统一为299×299，适合训练各类图像分类模型。文中详细说明了数据组织结构、训练/验证集划分方法及代码实现，并列举了药材识别、知识图谱构建等多领域应用场景。该数据集对推动中医药数字化和AI辅助诊断具有重要意义。