RhpNet - An Image based object detection Dataset

We used an 80/20 technique to categorize 8592 photos from multiple datasets and sources into Train and Test groups. The Train dataset has 35 categorized folders and 6881 photographs, whereas the Test dataset had 35 categorized folders and 1711 images. The goal is to classify each indoor or outdoor object into one of thirty-five categories based on the message delivered by the object in front of them (0=’1 Taka’, 1=’10 Taka’, 2=’100 Taka’, 3=’1000 Taka’, 4=’2 Taka’, 5=’20 Taka’, 6=’5 Taka’, 7=’50 Taka’, 8=’500 Taka’, 9=’Person’, 10=’bed’, 11=’bicycle’, 12=’bike’, 13=’boat’, 14=’bus’, 15=’c-n-g’, 16=’car’, 17=’chair’, 18=’desk’, 19=’door’, 20=’easybike’, 21=’horse-cart’, 22=’laptop’, 23=’launch’, 24=’leguna’, 25=’lorry’, 26=’mug’, 27=’rickshaw’, 28=’stair’, 29=’television’, 30=’thelagari’, 31=’tractor’, 32=’truck’, 33=’van’, 34=’window’).

本研究采用八成训练、二成测试的比例，对源自多个数据集及来源的8592张照片进行分类，划分为训练集与测试集两组。训练集包含35个分类文件夹及6881张照片，而测试集亦包含35个分类文件夹及1711张图像。研究旨在根据物体前方传达的信息，将室内或室外物体归类于以下三十五个类别之一（0=‘1塔卡’，1=‘10塔卡’，2=‘100塔卡’，3=‘1000塔卡’，4=‘2塔卡’，5=‘20塔卡’，6=‘5塔卡’，7=‘50塔卡’，8=‘500塔卡’，9=‘人物’，10=‘床’，11=‘自行车’，12=‘摩托车’，13=‘船只’，14=‘公共汽车’，15=‘CNG’，16=‘汽车’，17=‘椅子’，18=‘桌子’，19=‘门’，20=‘轻便自行车’，21=‘马车’，22=‘笔记本电脑’，23=‘快艇’，24=‘Leguna’，25=‘卡车’，26=‘杯子’，27=‘人力车’，28=‘楼梯’，29=‘电视’，30=‘Thelagari’，31=‘拖拉机’，32=‘卡车’，33=‘货车’，34=‘窗户’）。