- 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 ) 3、无传感器驱动诊断数据集 从电流驱动信号中提取特征。
2K40编辑于 2021-12-12 - 来自专栏CreateAMind
3d数据集
https://github.com/niessner/Matterport Matterport3D ? The Matterport3D V1.0 dataset contains data captured throughout 90 properties with a Matterport Pro Camera Paper Matterport3D: Learning from RGB-D Data in Indoor Environments If you use the Matterport3D data or code please cite: @article{Matterport3D, title={{Matterport3D}: Learning from {RGB-D} Data in Indoor Vision (3DV)}, year={2017} } Data The dataset consists of several types of annotations: color and
1.4K20发布于 2018-07-24 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。 (3) 缺陷检测，即判断机器人是否出现错误，例如一次抓取了多个物品或在转移过程中损坏了物品。 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 - 来自专栏数据科学（冷冻工厂）
空间转录组: DLPFC数据集分析 (3)
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！
17410编辑于 2025-11-19 CVPR 2026 | GS-CLIP：3D几何先验+双流视觉融合，零样本工业缺陷检测新SOTA，四大3D工业数据集全面领先！
在 MVTec3D-AD、Real3D-AD、Eyecandies、Anomaly-ShapeNet 四大数据集上全面超越 PointAD（NeurIPS'24），O-AUROC 平均提升 1.8%，P-PRO 两大瓶颈制约零样本3D异常检测3D异常检测是工业制造中的核心质检环节。传统无监督方法需要大量目标类别的正常样本进行训练，但在实际工业场景中，商业机密和数据隐私往往使得采集足够训练数据变得极为困难。 实验结果：四大数据集全面验证实验设置One-vs-Rest 设置：全面领先GS-CLIP 在四大数据集上全面取得最优，相比 PointAD（NeurIPS'24）：O-AUROC 平均 +1.8%，O-AP 但考虑到其在四大数据集上的全面精度优势，这是一个合理的精度-效率权衡。 从实用角度看，GS-CLIP 在跨数据集设置下的稳健表现令人印象深刻。工业场景中最头疼的问题就是"换一种产品就要重新训练"，GS-CLIP 的强泛化能力让它离实际落地更近了一步。
42010编辑于 2026-03-09- 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 - 来自专栏数据科学和人工智能
数据集 | 订购数据集
下载数据集请登录爱数科(www.idatascience.cn) 该数据集记录了一家全球超市4年的订购数据，包含订单的订单号、下单时间、发货时间、运输模式、顾客名称和地区等信息。 1. 数据预览 3. 字段诊断信息 4. 数据来源 来源于Kaggle。
2.2K30编辑于 2022-03-30 - 来自专栏数据科学和人工智能
数据集 | 鲍鱼数据集
下载数据集请登录爱数科(www.idatascience.cn) 通过物理测量预测鲍鱼的年龄。 从原始数据中删除了缺失值的样本，并且对连续值的范围进行了缩放。数据集共4177个样本，8个字段 1. 字段描述 2. 数据预览 3. 字段诊断信息 4. 数据来源 Warwick J Nash, Tracy L Sellers, Simon R Talbot, Andrew J Cawthorn and Wes B Ford (1994) "The Population 数据引用 Nash W J, Sellers T L, Talbot S R, et al.
2.9K40编辑于 2022-03-30 - 来自专栏技术汇总专栏
焊接情况检测数据集（千张图片已划分）| 面向工业质检的目标检测训练集
焊接情况检测数据集（千张图片已划分）|面向工业质检的目标检测训练集在现代工业制造体系中，焊接质量作为产品可靠性的重要指标之一，直接影响结构件的力学性能、安全性和使用寿命。 数据集下载链接:https://pan.baidu.com/s/1gzAuAJ1-Qb-1s3TEGIC9Uw? pwd=gd48提取码:gd48用于检测焊接表面缺陷的目标检测数据集，包含3个类别：不良焊缝、良好焊缝和缺陷。该数据集采用YOLO标注格式，用于目标检测任务，标签图可在data.yaml文件中找到。 /test/imagesnc:3names:['BadWeld','GoodWeld','Defect']数据集使用说明下载并解压数据集后，确保目录结构完整。 总结来看，本次分享的焊接情况检测数据集为工业智能化提供了坚实的基础。
69810编辑于 2025-11-12 - 来自专栏数据科学和人工智能
数据集 | 小费数据集
下载数据集请登录爱数科(www.idatascience.cn) 小费数据集 1. 字段描述 2. 数据预览 3. 字段诊断信息 4. 数据来源
1.9K20编辑于 2022-03-30 - 来自专栏数据科学和人工智能
数据集 | 广告数据集
下载数据集请登录爱数科(www.idatascience.cn) 数据集由 Jose Portilla 和 Pierian Data 为他的 Udemy 课程（Python 数据科学和机器学习训练营） 创建,适合用于数据分析与逻辑回归预测。 数据预览 3. 字段诊断信息 4. 数据来源 来源于Kaggle。
2.5K30编辑于 2022-03-30 - 来自专栏集智书童
3D-COCO数据集开源 | COCO数据集迎来3D版本开源，为COCO数据集带来3D世界的全新任务，2D-3D完美对齐 !
作者介绍了3D-COCO，这是对原始MS-COCO [1]数据集的扩展，提供了3D模型和2D-3D对齐标注。 然后，开发可配置3D模型的检测网络可能很有趣，但传统的检测数据集不包括3D模态。 与此同时，基于神经网络的3D重建方法也得到了发展。这些架构可以用于例如工业或虚拟现实应用。 这个数据集以原始的MS-COCO [1]检测数据集为基础，并扩展了从ShapeNet [2]和Objaverse [3]收集的3D模型。 关于所有这些数据集的相关信息在表1中进行了总结。3D-COCO背后的动机是提供一个通用的目标数据集，解决大多数场景理解和3D重建任务。 此外，该数据集被用作检测、分割和姿态估计任务的参考。 3D-COCO数据集在格式上与ObjectNet3D [21]等效，因为它提供了训练经典检测网络所需的所有数据，包括3D模型和2D-3D。
1.3K10编辑于 2024-04-12 - 来自专栏单细胞天地
Seurat4.0系列教程3：合并数据集
在此，我们将合并两个 10X PBMC 数据集：一个包含 4K 细胞，一个包含 8K 细胞。数据集可以在这里[1]找到。 首先，我们在数据中读入并创建两个Seurat对象。 # PBMC4K PBMC8K ## 4340 8381 合并两个以上的Seurat对象 要合并两个以上的对象，只需将多个对象的向量传递到参数中即可：我们将使用 4K 和 8K PBMC 数据集以及我们以前计算的 library(SeuratData) InstallData("pbmc3k") pbmc3k <- LoadData("pbmc3k", type = "pbmc3k.final") pbmc3k " "3K_AAACATTGAGCTAC" "3K_AAACATTGATCAGC" ## [4] "3K_AAACCGTGCTTCCG" "3K_AAACCGTGTATGCG" "3K_AAACGCACTGGTAC " "4K" "8K" table(pbmc.big$orig.ident) ## pbmc3k PBMC4K PBMC8K ## 2638 4340 8381 基于标准化数据的合并
8.6K51发布于 2021-07-02 - 来自专栏张高兴的博客
YOLOv8 入门指南：（3）数据集准备
整理数据集 将数据集图像与标签分别放至单独的文件夹，如图像存放至 JPEGImages 文件夹，标签存放至 Annotations 文件夹。 生成训练集与测试集 运行下面的 Python 代码划分数据集 import xml.etree.ElementTree as ET import os import random from shutil (cls_id) + " " + " ".join([str(a) for a in bb]) + '\n') in_file.close() out_file.close() # 数据集的标签 classes=['blue_qr', 'green_qr', 'red_qr'] # 训练比例，即将70%的数据划分为训练集 TRAIN_RATIO = 70 # 数据集路径 work_sapce_dir /") # 数据集标签文件夹路径 annotation_dir = os.path.join(work_sapce_dir, "Annotations/") # 划分后的数据集文件夹路径 yolo_dataset_dir
74610编辑于 2025-05-21 - 来自专栏数据科学（冷冻工厂）
空间转录组: Visium HD 数据集分析 (3)
引言 本系列讲解 空间转录组学 (Spatial Transcriptomics) 相关基础知识与数据分析教程[1] 反卷积分析 接下来，我们将对以 16 µm 为单位的 Visium HD 空间转录组数据进行反卷积分析 加载单细胞参考数据 首先，我们加载与之匹配的 Chromium 单细胞 RNA 测序（scRNA-seq）数据，该数据提供了两种细胞注释分辨率：低分辨率（Level1）将细胞分为 9 类，高分辨率（Level2 为了确保参考数据与 Visium 数据在转录特征上保持一致，我们仅保留来自 patient 2 的细胞作为参考集。 memory low) cs <- split(seq_len(ncol(sce)), sce$Level1) cs <- lapply(cs, \(.) sample(., min(length(.), 4e3)
31910编辑于 2025-11-29 - 来自专栏数据科学和人工智能
数据集 | 苹果股价数据集
下载数据集请登录爱数科(www.idatascience.cn) 这个数据集涵盖了过去6年苹果公司的股价。 1. 字段描述 2. 数据预览 3. 字段诊断信息 4. 数据来源 来源于Kaggle。
1.9K30编辑于 2022-03-30 - 来自专栏数据科学和人工智能
数据集 | 中风预测数据集
数据集下载请登录爱数科（www.idatascience.cn） 根据世界卫生组织（WHO）的数据，中风是全球第二大死亡原因，约占总死亡人数的11％。 该数据集用于根据输入参数（例如性别，年龄，各种疾病和吸烟状况）预测患者是否可能中风。数据中的每一行都提供有关患者的相关信息。 1. 字段描述 2. 数据预览 3. 字段诊断信息
2.4K40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