深度学习 - 植物和作物图像数据集大集合
说明:部分数据收费,付费后数据请关注私信内容,会给出下载链接,亲测数据质量不错,如下图所示:
1、小麦麦穗品种识别数据集
数据背景介绍
为了获得有关全世界麦田的大量准确数据,植物科学家使用“小麦头”(包含谷物的植物上的穗)的图像检测。这些图像用于估计不同品种的小麦头的密度和大小。农民在自己的领域做出管理决策时可以使用这些数据评估其健康和成熟度。
数据内容(3432张麦穗图片)
它包含从全球多个国家处于不同生育阶段的,具有广泛基因型的高分辨率RGB图像和带标签的小麦头**。在开发新的头部检测数据集时,提出了图像获取指南,将最小元数据关联以遵守FAIR原则和一致的头部标记方法。 train.csv-学习数据 sample_submission.csv-正确格式的样本提交文件 train.zip-学习图像 test.zip-测试图像 image_id -唯一的图像ID width,height -图像的宽度和高度 bbox -边界框,格式为[xmin,ymin,宽度,高度]的Python样式列表。
下载地址:爱发电 · 连接创作者与粉丝的会员制平台
2、八类患病番茄叶片图像数据集
八类患病番茄叶片数据集文件(每类大月100张图片)
第一类:bacterial spot 99张图片
第二类:early blight 81张图片
第三类:late blight 109张图片
第四类:mold leaf 84张图片
第五类:mosaic virus 53张图片
第六类:normal leaf 60张图片(这个没查出来时啥病)
第七类:septoria spot 146张图片
下载地址:https://afdian.net/item?plan_id=a51c604c60bf11eda32652540025c377
3、柠檬质量识别图像数据集
柠檬质量识别图像数据集,不同质量的柠檬图片超过2533个,分辨率:300x300;
下载地址:爱发电 · 连接创作者与粉丝的会员制平台
4、小白菜病害检测图像数据集
该数据集包含小白菜叶子的健康和潜在感染图片, 数据由训练数据集和测试数据集组成。训练 csv 数据集已被标记为包含疾病类别,例如背蛾、潜叶虫和霉菌。相应的图像也已正确命名以正确反映它们所包含的疾病类别。如果它们接触 x 种疾病,那么它们将在数据集上标记为“1”。否则标记为“0”。
训练集文件夹2878张图片;测试集文件夹53张图片
下载地址:爱发电 · 连接创作者与粉丝的会员制平台
5、水果识别数据集(日常常见33种水果)
图像总数:22495。
训练集中每个种类的水果400-600图片不等。
训练集大小:16854 图像(每个图像一个水果或蔬菜)。
测试集大小:5641 图像(每个图像一个水果或蔬菜)。
下载地址:爱发电 · 连接创作者与粉丝的会员制平台
6、玉米、水稻、甘蔗等农作物图片数据集
玉米、水稻、甘蔗等农作物图片数据集; 数据集包含30种不同类型的作物图像在单独的文件夹, 共有30种作物; 每类农作物大约30张图片,场景为树上的果实实拍。
下载地址:爱发电 · 连接创作者与粉丝的会员制平台
7、水稻叶片病害数据集
数据集介绍
本数据集包含120张水稻染病叶片的jpg图像。 这些图像根据疾病类型分为三类。每类有40张图片。主要三类病害: 叶弄脏 烟草赤星病 细菌性叶枯病。
下载地址:爱发电 · 连接创作者与粉丝的会员制平台
8、10类水果分类数据集
10类水果分类数据集(10类苹果,猕猴桃,香蕉,樱桃,橘子,芒果,鳄梨,菠萝,草莓,。每类超过200张图片)
下载地址:爱发电 · 连接创作者与粉丝的会员制平台
9、黄麻病害数据集
黄麻病害数据集,我们的数据集由4个类组成。每个类的平均计数为384,总计1535幅图像,我们将每个类的图像限制在220张。本图像数据集中列出了四种重要的黄麻害虫。
下载地址:爱发电 · 连接创作者与粉丝的会员制平台
10、稻田慈姑类杂草数据集
稻田慈姑类杂草数据集(426张图片)
下载地址:爱发电 · 连接创作者与粉丝的会员制平台
11、番茄叶病数据集(超过2万张番茄叶子的图片)
番茄叶病数据集(2022年),包含11类10种疾病(超过2万张番茄叶子的图片,有10种疾病和1种健康类。图像是从实验室场景和野外场景收集的。我们的目标是开发一个轻量级模型,可以预测番茄叶病,并将其部署到一个离线的移动应用程序上。每类病害图片在2000张左右。
下载地址:爱发电 · 连接创作者与粉丝的会员制平台
12、102种花卉数据集
牛顿大学公开的102花卉数据集,经过简单的人工分类,划分了大约108种(每种花卉40-200个图片不等)
下载地址:爱发电 · 连接创作者与粉丝的会员制平台
13、盆景风格图片数据集
盆景风格图片数据集,2700张图片(224x224), 9个类别,使用TorchVision进行数据增强的练习,每个类别300张图像。
下载地址:爱发电 · 连接创作者与粉丝的会员制平台
14、开心果图像数据集
开心果图像数据集(该数据集包括467张全高清开心果图像和一个测试视频)
下载地址:爱发电 · 连接创作者与粉丝的会员制平台
15、4种柠檬状态的分类图片数据集
4种柠檬状态的分类图片数据集,训练集有11000张图片,测试集有1600张图片。
下载地址:爱发电 · 连接创作者与粉丝的会员制平台
16、8类植物叶片病虫害数据集
8类植物叶片病虫害数据集,每类有3000张图片左右,(苹果、玉米、葡萄、桃子,樱桃、马铃薯、橙子,杨树叶)
下载地址:爱发电 · 连接创作者与粉丝的会员制平台
上一篇: 盖州 "菜人 "张红艳
推荐阅读
-
基于深度学习的作物叶病检测系统(UI 界面 + YOLOv5 + 训练数据集)
-
有关深度学习图像数据集的关键问题和注意事项
-
深度学习 - 植物和作物图像数据集大集合
-
[姿势估计] 实践记录:使用 Dlib 和 mediapipe 进行人脸姿势估计 - 本文重点介绍方法 2):方法 1:基于深度学习的方法:。 基于深度学习的方法:基于深度学习的方法利用深度学习模型,如卷积神经网络(CNN)或递归神经网络(RNN),直接从人脸图像中学习姿势估计。这些方法能够学习更复杂的特征表征,并在大规模数据集上取得优异的性能。方法二:基于二维校准信息估计三维姿态信息(计算机视觉 PnP 问题)。 特征点定位:人脸姿态估计的第一步是通过特征点定位来检测和定位人脸的关键点,如眼睛、鼻子和嘴巴。这些关键点提供了人脸的局部结构信息,可用于后续的姿势估计。 旋转表示:常见的旋转表示方法包括欧拉角和旋转矩阵。欧拉角通过三个旋转角度(通常是俯仰、偏航和滚动)描述头部的旋转姿态。旋转矩阵是一个 3x3 矩阵,表示头部从一个坐标系到另一个坐标系的变换。 三维模型重建:根据特征点的定位结果,三维人脸模型可用于姿势估计。通过将人脸的二维图像映射到三维模型上,可以估算出人脸的旋转和平移信息。这就需要建立人脸的三维模型,然后通过优化方法将模型与特征点对齐,从而获得姿势估计结果。 特征点定位 特征点定位是用于检测人脸关键部位的五官基础部分,还有其他更多的特征点表示方法,大家可以参考我上一篇文章中介绍的特征点检测方案实践:人脸校正二次定位操作来解决人脸校正的问题,客户在检测关键点的代码上略有修改,坐标转换部分客户见上图 def get_face_info(image). img_copy = image.copy image.flags.writeable = False image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results = face_detection.process(image) # 在图像上绘制人脸检测注释。 image.flags.writeable = True image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR) box_info, facial = None, None if results.detections: for detection in results. for detection in results.detections: mp_drawing.Drawing.detection = 无 mp_drawing.draw_detection(image, detection) 面部 = detection.location_data.relative_keypoints 返回面部 在上述代码中,返回的数据是五官(6 个关键点的坐标),这是用 mediapipe 库实现的,下面我们可以尝试用另一个库:dlib 来实现。 使用 dlib 使用 Dlib 库在 Python 中实现人脸关键点检测的步骤如下: 确保已安装 Dlib 库,可使用以下命令: pip install dlib 导入必要的库: 加载 Dlib 的人脸检测器和关键点检测器模型: 读取图像并将其灰度化: 使用人脸检测器检测图像中的人脸: 对检测到的人脸进行遍历,并使用关键点检测器检测人脸关键点: 显示绘制了关键点的图像: 以下代码将参数 landmarks_part 添加到要返回的关键点坐标中。
-
深度学习 - 植物和作物图像数据集大集合
-
集合 90+ 深度学习开源数据集的机构:包括目标检测、工业缺陷、图像分割等方向(附下载)
-
基于深度学习和迁移学习的花朵识别实践 - 利用 VGG16 深度网络结构中的五轮卷积网络层和池化层,得到每幅图像的 4096 维特征向量,然后直接用该特征向量替换原始图像,再添加若干层全连接神经网络训练花朵数据集(属于模型迁移)。 训练集(属于模型迁移)
-
深度学习和自动驾驶数据集(KITTI、Oxford、Cityscape、Comma.ai、BDDV、TORCS、Udacity、GTA、CARLA、Carcraft)
-
深度学习/自动驾驶数据集大集合(目标检测/图像分割/语义分割/图像分类/)。
-
集合 90+ 深度学习开源数据集的机构:包括目标检测、工业缺陷、图像分割等方向(附下载)