five

安全检查违禁品箱包智能识别数据集|违禁品识别数据集|物体检测数据集

收藏
天津市数据知识产权登记平台2024-09-26 更新2024-10-14 收录
违禁品识别
物体检测
下载链接:
https://dengji.tjippc.cn/xxgg_nr?id=47ea7686-1363-469a-9a50-0426858a5aca
下载链接
链接失效反馈
资源简介:
对同一类型的违禁品图片数据进行预处理,按照统一特征值进行归类和提取,最终筛选其能够识别的典型特征归类为一个数据集。 采用端到端基于回归的目标检测和识别,将物体检测作为回归问题求解,将候选框和对象识别两个阶段整合为一个阶段,直接输入图像进行推理,同时得到图像中所有物体的位置和其所属类别及相应的置信概率。
提供机构:
天津城市轨道咨询有限公司
创建时间:
2024-09-26
AI搜集汇总
数据集介绍
main_image_url
特点
该数据集包含60000条违禁品数据,涵盖多种违禁品类型,适用于箱包安检设备的智能识别训练,能有效提高安检效率和降低运营成本。
以上内容由AI搜集并总结生成
用户留言
有没有相关的论文或文献参考?
这个数据集是基于什么背景创建的?
数据集的作者是谁?
能帮我联系到这个数据集的作者吗?
这个数据集如何下载?
点击留言
数据主题
具身智能
数据集  4099个
机构  8个
大模型
数据集  439个
机构  10个
无人机
数据集  37个
机构  6个
指令微调
数据集  36个
机构  6个
蛋白质结构
数据集  50个
机构  8个
空间智能
数据集  21个
机构  5个
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集

广东省标准地图

该数据类主要为广东省标准地图信息。标准地图依据中国和世界各国国界线画法标准编制而成。该数据包括广东省全图、区域地图、地级市地图、县(市、区)地图、专题地图、红色印迹地图等分类。

开放广东 收录

中国1km分辨率逐月降水量数据集(1901-2024)

该数据集为中国逐月降水量数据,空间分辨率为0.0083333°(约1km),时间为1901.1-2024.12。数据格式为NETCDF,即.nc格式。该数据集是根据CRU发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集,通过Delta空间降尺度方案在中国降尺度生成的。并且,使用496个独立气象观测点数据进行验证,验证结果可信。本数据集包含的地理空间范围是全国主要陆地(包含港澳台地区),不含南海岛礁等区域。为了便于存储,数据均为int16型存于nc文件中,降水单位为0.1mm。 nc数据可使用ArcMAP软件打开制图; 并可用Matlab软件进行提取处理,Matlab发布了读入与存储nc文件的函数,读取函数为ncread,切换到nc文件存储文件夹,语句表达为:ncread (‘XXX.nc’,‘var’, [i j t],[leni lenj lent]),其中XXX.nc为文件名,为字符串需要’’;var是从XXX.nc中读取的变量名,为字符串需要’’;i、j、t分别为读取数据的起始行、列、时间,leni、lenj、lent i分别为在行、列、时间维度上读取的长度。这样,研究区内任何地区、任何时间段均可用此函数读取。Matlab的help里面有很多关于nc数据的命令,可查看。数据坐标系统建议使用WGS84。

国家青藏高原科学数据中心 收录

Global Burden of Disease Study (GBD)

全球疾病负担研究(GBD)数据集提供了全球范围内疾病、伤害和风险因素的详细统计数据。该数据集包括了各种健康指标,如死亡率、发病率、伤残调整生命年(DALYs)等,涵盖了多个国家和地区。数据集还提供了不同年龄组、性别和时间段的详细分析。

ghdx.healthdata.org 收录

ERIC (Education Resources Information Center)

ERIC (Education Resources Information Center) 是一个广泛的教育文献数据库,包含超过130万条记录,涵盖从1966年至今的教育研究、政策和实践。数据集内容包括教育相关的期刊文章、书籍、研究报告、会议论文、技术报告、政策文件等。

eric.ed.gov 收录

Odontoai

在本研究中,我们采用了名为“Odontoai”的数据集,以训练和改进YOLOv8-seg模型,旨在实现牙片牙齿图像的高效分割。该数据集的独特之处在于其涵盖了52个不同类别的牙齿,能够为模型提供丰富的训练样本,从而提升其在实际应用中的表现。每个类别代表了特定类型的牙齿,具体包括从牙齿11到牙齿85的多个编号,这些编号不仅具有科学性,还为牙科专业人员提供了便于识别和分类的标准。数据集的构建过程经过严格的标准化和标注,确保每个图像都经过专业牙科医生的审核,标注的准确性和一致性得到了保障。这种高质量的标注为模型的训练提供了坚实的基础,使得YOLOv8-seg在牙齿图像分割任务中能够更好地理解和识别不同类型的牙齿结构。此外,数据集中的图像样本涵盖了多种拍摄角度、光照条件和背景环境,进一步增强了模型的泛化能力。

github 收录