- 综合排序
- 最热优先
- 最新优先
- 来自专栏人工智能数据集
人工智能数据集-【工业制造篇】
今天给大家分享人工智能数据集，工业制造相关数据，需要的同学可以下载使用。 1、SeverStal 钢铁表面缺陷数据集 下载地址：SeverStal 钢铁表面缺陷数据集 2、MVTec 工业3D对象检测数据集 (MVTec ITODD) MVTec 工业 3D 对象检测数据集 (MVTec ITODD) 是用于 3D 对象检测和姿态估计的公共数据集，重点关注工业设置和应用。 数据集包括： 1、28 个对象和 3500 个包含这些对象实例的标记场景 2、五个传感器（两个 3D 传感器和三个灰度相机）观察每个场景 下载地址：MVTec 工业3D对象检测数据集 (MVTec ITODD 有关此数据集中考虑的测量记录的气体身份名称、浓度值 和时间分布序列的详细信息。 下载地址：工业制造_公开数据集_帕依提提-人工智能数据集服务平台
2K40编辑于 2021-12-12 - 来自专栏二猫の家
【GEE】2、探索数据集
2背景 要将遥感集成到您的研究和分析中，学习如何解析 Google 地球引擎上可用的大量栅格数据集非常重要。了解这些数据的分类方式有助于开始此过程。 华盛顿和爱达荷州边界上的美国国家高程数据集。 3图像采集探索 现在我们已经了解了我们可以使用的数据集的深度和广度，我们可以花点时间详细探索一个集合。 在搜索栏中输入数据集名称的结果。 如果我们点击数据集的名称，我们会看到一个弹出窗口，其中包含一个“导入”按钮（以红色突出显示）。单击此按钮将自动将数据集加载到脚本工作区中。 要查找我们数据集的空间分辨率，请再次键入数据集名称并单击搜索栏中的结果（即“MYD10A1.006 Aqua Snow Cover Daily Global 500m”）。 Google Earth Engine 中可用的一些数据集可用于每日测量（即 MODIS），而其他数据集可能是每月（即 WorldClim）。
99041编辑于 2023-11-05 - 来自专栏气象学家
数据集 | MERRA-2全球再分析数据集
导 读 MERRA-2是一套长时间序列的在分析数据集，其中包括各种气象变量，像净辐射、温度、相对湿度、风速等。 同时，MERRA-2数据覆盖全球，空间分辨率为0.5 ° x 0.625 °，时间分辨率为1小时。这种气象数据在定量遥感中的应用可以说是十分的广泛。 我们今天就一块来看一下这种数据。 01 我们今天就把整理好的MERRA-2数据分享给大家，从1980年到2019年1月的数据，时间分辨率已经聚合成一天的。 首先我们看一下MERRA-2的净辐射数据。 ? 这一景为MERRA-2一天的平均净辐射数据（也有一天的最大值和最小值），这个数据由于是采用同化算法计算得来的，所以全球没有空缺，是一个空间连续的数据。 02 我们再看一下全球的风速数据 ? 04 我们再来看一下MERRA-2官方网站上的一些根据MERRA-2数据做好的图。 ? ? MERRA-2数据分辨率比较粗，显示的时候就会看出来网格。
11.8K42发布于 2020-06-17 - 来自专栏GIS与遥感开发平台
数据集 | MERRA-2全球再分析数据集
导读 MERRA-2是一套长时间序列的在分析数据集，其中包括各种气象变量，像净辐射、温度、相对湿度、风速等。 同时，MERRA-2数据覆盖全球，空间分辨率为0.5 ° x 0.625 °，时间分辨率为1小时。这种气象数据在定量遥感中的应用可以说是十分的广泛。 我们今天就一块来看一下这种数据。 01 我们今天就把整理好的MERRA-2数据分享给大家，从1980年到2019年1月的数据，时间分辨率已经聚合成一天的。 首先我们看一下MERRA-2的净辐射数据。 这一景为MERRA-2一天的平均净辐射数据（也有一天的最大值和最小值），这个数据由于是采用同化算法计算得来的，所以全球没有空缺，是一个空间连续的数据。 04 我们再来看一下MERRA-2官方网站上的一些根据MERRA-2数据做好的图。 MERRA-2数据分辨率比较粗，显示的时候就会看出来网格。
7.4K40编辑于 2022-04-29 - 来自专栏一英里广度一英寸深度的学习
深度学习入门数据集--2.fasion-mnist数据集
Fasion-MNIST是一位老师推荐给我的，要求我在做完MNIST-handwriting数据之后，再玩一下fmnist。这个数据集也是28*28的灰度图像，你可以从下面的图片看清图片内容。 这个数据集是由一家德国的时尚科技公司Zalando提供的，我觉一家公司把定位成时尚科技公司，而不是电商平台，是把科技创新能力作为主要生产力。 本文主要用Keras编写模型，训练数据，并以清晰的可视化方式展示。 查看数据 数据可以从git仓库上下载，https://github.com/zalandoresearch/fashion-mnist fasion-mnist 作为tensorflow分类教程数据， colab.research.google.com/github/margaretmz/deep-learning/blob/master/fashion_mnist_keras.ipynb 运行以上程序，10分钟会验证集准确率能达到
2K20发布于 2019-03-06 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
GEE数据集——Cloud Score+ S2_HARMONIZED数据集
Cloud Score+ S2_HARMONIZED数据集是由统一的哨兵-2 L1C数据集制作的，Cloud Score+的输出可用于识别相对清晰的像素，并有效去除L1C（大气顶部）或L2A（表面反射率 Cloud Score+ S2_HARMONIZED 数据集包括两个质量保证波段，即 cs 和 cs_cdf，这两个波段都根据表面能见度在 0 和 1 之间的连续刻度上对单个像素的可用性进行评分，其中 前言 – 人工智能教程 Cloud Score+ S2_HARMONIZED集合中的图像与制作这些图像的单个哨兵-2 L1C资产具有相同的id和system:index属性，因此可以根据共享的system 整个哨兵-2 档案的 Cloud Score+ 回填工作目前正在进行中，随着新结果被添加到 Cloud Score+ 集合中，数据集可用性日期将定期更新。 代码： // Harmonized Sentinel-2 Level 2A collection. var s2 = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED
54110编辑于 2024-02-02 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
NASA数据集——对流层中的 AIRSAqua L2 CO2 数据集
AIRS/Aqua L2 CO2 in the free troposphere (AIRS+AMSU) V005 (AIRX2STC) 对流层中的 AIRS/Aqua L2 CO2 (AIRS+AMSU AIRS 二氧化碳（CO2）标准检索产品包括二氧化碳的检索估算值，以及与检索相关的误差估算值。与 AIRX2RET 不同，该标准产品的水平分辨率约为 110 公里（1x1 度）。 一个 AIRS 颗粒被设定为 6 分钟的数据，15 个跨轨道足迹，22 条沿轨道线。 由此产生的 AIRS 2 级产品包括这些云清除的红外辐射和大气温度 T(p)、水蒸气 H2O(p)和臭氧 O3(p)的检索剖面，名义空间分辨率为天底 45 公里。 Spatial Coverage:-180.0,-60.0,180.0,90.0 时间覆盖范围：2002-09-01 至 2012-03-02 文件大小：每个文件 0.4 MB 数据分辨率
32800编辑于 2024-05-24 最大工业机器人抓取数据集ARMBench发布
某中心发布最大规模工业“抓取和放置”机器人训练数据集为提升仓库中负责分拣、抓取和打包产品的机器人性能，某中心公开发布了在工业产品分拣场景中捕获的最大规模图像数据集。 此前最大的工业图像数据集仅包含约100个对象，而名为ARMBench的该数据集则包含了超过190,000个对象。因此，该数据集可用于训练“抓取和放置”机器人，使其能更好地适应新产品和新场景。 ARMBench抓取与放置场景ARMBench包含三个独立任务的图像集：(1) 物体分割，即识别同一料箱中不同产品的边界；(2) 物体识别，即确定参考数据库中的哪张产品图像与图像中高亮显示的产品相匹配； 数据集细分与挑战物体分割数据集包含超过50,000张图像，每张图像包含1到50个手动分割的物体，平均约10.5个。 物体识别数据集包含超过235,000个标记的“抓取活动”；每个抓取活动包括一张抓取图像和三张转移图像。
18910编辑于 2025-12-25- 来自专栏技术汇总专栏
金属外表多种生锈检测数据集（1200张图片已划分）｜面向工业巡检的目标检测数据集
金属外表多种生锈检测数据集（1200张图片已划分）｜面向工业巡检的目标检测数据集在工业设备智能运维、基础设施安全评估与城市大型金属结构全生命周期管理不断推进的背景下，金属锈蚀的自动化识别与精确定位已成为工业视觉领域的重要研究与落地方向 本数据集正是在这一工程需求背景下构建，面向工业级金属外表锈蚀的多类别目标检测任务。 数据集核心特点✅覆盖4种工业常见锈蚀类型✅图像来源多样，包含不同材质、光照、拍摄距离✅已完成训练验证测试集严格划分✅标注精细，适合工业级模型训练与评估✅可直接用于无人机巡检、工业视觉系统开发类别定义（classes ）✅RT-DETR（高精度需求场景）✅FasterR-CNN（离线精细分析）该数据集非常适合作为：工业目标检测入门实战YOLO工程化项目案例无人机视觉巡检系统训练数据六、结语金属锈蚀并非简单的“表面问题 通过构建标准化、可复用、可扩展的金属锈蚀目标检测数据集，并结合深度学习模型进行自动识别，我们可以：提前发现隐蔽风险降低人工巡检成本提升工业运维智能化水平构建真正可落地的AI工业应用系统本数据集为后续YOLO
36110编辑于 2025-12-25 - 来自专栏自然语言处理
MMsegmentation教程 2: 自定义数据集
通过重新组织数据来定制数据集 最简单的方法是将您的数据集进行转化，并组织成文件夹的形式。 如下的文件结构就是一个例子。 通过混合数据去定制数据集 MMSegmentation 同样支持混合数据集去训练。 当前它支持拼接 (concat) 和 重复 (repeat) 数据集。 重复数据集 我们使用 RepeatDataset 作为包装 (wrapper) 去重复数据集。 pipeline=train_pipeline ) ) 拼接数据集 有2种方式去拼接数据集。 pipeline=train_pipeline ) ) data = dict( imgs_per_gpu=2, workers_per_gpu=2, train = [
1.2K42编辑于 2022-03-04 - 来自专栏数据科学（冷冻工厂）
空间转录组: DLPFC数据集分析 (2)
引言 本系列讲解 空间转录组学 (Spatial Transcriptomics) 相关基础知识与数据分析教程[1]，持续更新，欢迎关注，转发，文末有交流群！ 我们还在前 50 个 PCs 上运行 UMAP，并保留前 2 个 UMAP 成分用于可视化。 "UMAP" dim(reducedDim(spe, "PCA")) ## [1] 3614 50 dim(reducedDim(spe, "UMAP")) ## [1] 3614 2 # update column names for plotting colnames(reducedDim(spe, "UMAP")) <- paste0("UMAP", 1:2) 聚类 接下来， store cluster labels in column 'label' in colData colLabels(spe) <- factor(clus) 通过在X-Y空间中绘制群集标签，并与该数据集可用的手动注释参考标签
15910编辑于 2025-11-19 - 来自专栏AIUAI
Caffe2 - (十)训练数据集创建
Caffe2 - 训练数据集创建 caffe2 使用二值 DB 存储模型训练的数据，以 key-value 格式保存， key1 value1 key2 value2 key3 value3 buffer： 记录 Tensors，也叫多维数组(multi-dimensional arrays, together)，tensor 数据类型及数据 shape 信息. 以 UCI Iris 数据集为例，Iris 花朵分类数据集，其包括 4 种实值特征来表示花，对三种类型的花进行分类. 数据集格式： 5.1,3.5,1.4,0.2,Iris-setosa 4.9,3.0,1.4,0.2,Iris-setosa 4.7,3.2,1.3,0.2,Iris-setosa 4.6,3.1,1.5,0.2 将数据放入 Caffe2 DB，key - train_xxx，value - 使用 TensorProtos 来存储每个数据样本的两个 tensor，feature 和 label. # 测试 # 从
78420发布于 2019-02-18 - 来自专栏Tom
基于CelebA数据集的GAN模型-2
前两篇我们介绍了celeB数据集 CelebA Datasets——Readme 基于CelebA数据集的GAN模型 直接上代码咯 导入依赖： # example of a gan for generating model.add(Conv2D(128, (5,5), strides=(2,2), padding='same')) model.add(LeakyReLU(alpha=0.2)) # downsample to 10x10 model.add(Conv2D(128, (5,5), strides=(2,2), padding='same')) model.add(LeakyReLU model.add(Conv2DTranspose(128, (4,4), strides=(2,2), padding='same')) model.add(LeakyReLU(alpha=0.2 1=0.5) model.compile(loss='binary_crossentropy', optimizer=opt) return model 加载我们上一篇文章写到的numpy压缩数据包点
81520编辑于 2023-02-14 - 来自专栏paddle深度学习
paddle深度学习2 数据集的构建
在深度学习中，无论是做哪项任务，图像、文本或是声音，都涉及到数据的处理，而数据通常包含在数据集中paddle当中有两个重要的类是和数据集相关的：Dataset和DataLoader【Dataset】它位于 paddle.io.Dataset，用于定义数据集这里只介绍它的__getitem__和__len__两个方法1. 当我们使用索引操作符 [] 时，实际上是调用了 __getitem__ 函数__getitem__ 函数接收一个索引作为参数，并返回对应索引位置的数据样本2. 它定义了获取数据集长度的行为下面的代码使用Dataset定义了一个基础的数据集：import paddleclass MyDataset(paddle.io.Dataset): def __init shuffle=True)for batch in dataloader: print(batch)可以看到，因为设置batchsize=2，每次会取出2组数据而shuffle=True使得数据的顺序被打乱了这里显示我们的数据类型是
49710编辑于 2024-05-17 - 来自专栏GEE数据
Landsat 8 C2 RAW 数据集
数据名称： Landsat8_C2_RAW 数据来源： USGS 时空范围： 2020年1月-2023年3月 空间范围： 全国 数据简介： Landsat8_C2_RAW数据集是经过缩放和校准的辐射亮度产品 该数据集提供了高质量的地球观测数据，可用于研究地表和大气的各种变化。 Landsat 8 C2 RAW 数据集是基于Landsat 8 卫星获取的原始遥感数据。 持续更新：Landsat 8 C2 RAW 数据集是一个持续更新的数据集。每当Landsat 8 卫星获取新的遥感数据时，这些数据将被添加到数据集中，以保持数据集的最新性。 此外，USGS 还提供了一些教程和培训材料，帮助用户理解和使用Landsat 8 C2 RAW 数据集。 总之，Landsat 8 C2 RAW 数据集是一组提供高质量地球观测数据的卫星遥感数据集。 key为LANDSAT_8/02/T1/RAW的Landsat8_C2_RAW类数据集 * @Name : Landsat8_C2_RAW_T1数据集 */ /** */ //指定检索数据集
49710编辑于 2024-02-18 烟火数据集烟雾明火2类别数据集VOC-6460张
数据集格式：Pascal VOC格式(不包含分割的txt文件，仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数)：6460 标注数量(xml文件个数)：6460 标注类别数：2 标注类别名称 ,"fire"] 每个类别标注的框数： smoke count = 7901 fire count = 11066 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：本数据集对图片中烟雾和明火进行 2个类别标注，其中烟雾类型有交通事故，森林火灾，建筑失火，柴木生火等，明火有蜡烛，柴火，火灾类型，奥运火炬等 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 图片示例
18810编辑于 2025-07-21- 来自专栏可持续开发
工业互联网2
在文章”工业互联网”中，我提到了工业互联网需要分内部和外部形态，优秀的企业内部形态是实现外部互联互通的前提条件，如果企业内部都非常多的信息孤岛，又怎么能做好外部的连接工作呢，所以工业互联网实现的难度要远远高于消费 工业企业流程多样化的问题 C端互联网的实现是标准统一化的，一个淘宝手机端，微信手机端可以服务10亿以上的用户，但工业互联网，每个节点都是多样化的。 ? 工业互联网需要先进的智能设备 智能设备是工业互联网的鼻子，眼睛，耳朵，手和脚，ERP和MES系统是企业内部形态的大脑和躯干，流动的信息就是血液循环系统。 ? ? 智能化设备是数据来源的基础，也是命令执行者，数据不可靠，执行不到位，工业互联网又有啥真正的意义呢。服装制造行业，当然也可以靠人工来收集数据，来执行，但毕竟还有很多行业不能靠人工来处理。 工业互联网需要企业信息化升级 工业互联网是企业管理软件领域的再次升级，但这必须是建立在企业完成内部信息化的基础上面的，而且如果只有大企业完成信息也，中小企业还在数字化低端水平，也无法真正实现工业互联网。
1.2K20发布于 2019-08-26 - 来自专栏相约机器人
PaddleNLP：工业级中文NLP开源工具集
为了适应全面丰富的NLP任务，方便更多开发者灵活插拔尝试多种网络结构，并且让应用最快速达到工业级效果，今年4月23日，百度正式开放了工业级中文NLP工具与预训练模型集——PaddleNLP(nlp.baidu.com 工具集拥有当前业内效果最好的中⽂语义表示模型和基于用户大数据训练的应用任务模型，模型源于产业实践，达到工业级的应用效果。 PaddlePaddle 是中国首个、也是目前国内唯一开源开放，集核心框架、工具组件和服务平台为一体的端到端开源深度学习平台，其囊括支持面向真实场景应用、达到工业级应用效果的模型，并具备针对大规模数据场景的分布式训练能力 与此同时，百度还开放了在对话等任务的开放数据集上超越SOTA效果的模型网络结构与参数，方便相关领域研究人员快速验证、使用。 除了开放预训练模型，PaddleNLP还开放了相关任务的评测数据集。这些数据来自于百度真实的工业化场景，能够很好地对模型效果进行评估。
1.2K30发布于 2019-06-21 - 来自专栏数据科学和人工智能
数据集 | 图书数据集
下载数据集请登录爱数科(www.idatascience.cn) 由电商平台爬取的图书信息，包括书名、出版信息、当前价格等。 1. 字段描述 2. 数据预览 3. 字段诊断信息 4. 数据来源 当当网搜索页面爬取。
2.9K40编辑于 2022-03-30 - 来自专栏数据科学和人工智能
数据集 | 行星数据集
下载数据集请登录爱数科(www.idatascience.cn) 其记录了2014年之前天文学家在恒星（除了太阳）周围发现的行星的信息。 1. 字段描述 2. 数据预览 3. 数据来源 来源于UCI机器学习库。
2.1K20编辑于 2022-03-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号