- 综合排序
- 最热优先
- 最新优先
- 来自专栏Python与算法之美
YOLOv8 训练自己的数据集
本范例我们使用 ultralytics中的YOLOv8目标检测模型训练自己的数据集，从而能够检测气球。 #安装 ! ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple import ultralytics ultralytics.checks() 一，准备数据 训练yolo模型需要将数据集整理成yolo数据集格式。 然后写一个yaml的数据集配置文件。 device='cuda:0', grad_fn=<MulBackward0>) from torchkeras import KerasModel #我们需要修改StepRunner以适应Yolov8的数据集格式
4K31编辑于 2023-09-05 - 来自专栏GEE数据
Landsat 8 C2 RAW 数据集
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。 Landsat 8 C2 RAW 数据集包含了从Landsat 8 卫星获取的原始遥感数据，这些数据以原始数值形式提供，没有被人为处理或校正。 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
57110编辑于 2024-02-18 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine ——LANDSAT8_SR数据集
这个数据集是Landsat 8 OLI/TIRS传感器的大气校正表面反射率。 数据提供者说明。 虽然表面反射率只能从陆地成像仪(OLI)波段中处理，但SR需要OLI/热红外传感器(TIRS)产品(LC8)的综合输入，以生成相应的云层掩码。 因此，只有OLI（LO8）和只有TIRS（LT8）的数据产品不能计算到SR。 对于太阳天顶角大于76°的场景，SR不会被运行。 提醒用户避免对在高纬度地区（>65°）获取的数据使用SR。 Landsat数据集是联邦创建的数据，因此属于公共领域，可以在没有版权限制的情况下使用、转让或复制。 对美国地质调查局作为数据来源的确认或信用，应通过包括一行文字引用来提供，如下面的例子。 (产品、图像、照片或数据集名称）由美国地质调查局提供。 例子。
64010编辑于 2024-02-02 - 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
89110编辑于 2025-05-21 - 来自专栏paddle深度学习
paddle深度学习8 自定义数据集
除了Paddle中一些已经包含的常用数据集，在实际的深度学习项目中，经常需要使用自定义的数据集(以便灵活地使用一些其它地外部数据集)进行训练和测试。 PaddlePaddle 提供了灵活的工具来加载和处理自定义数据集。下面我们将详细介绍如何使用 PaddlePaddle 加载和使用一个简单的二维空间点的二分类数据集。 【准备自定义数据集】假设要完成一个二维空间点的二分类任务，数据集的结构如下：l 每个样本由两个浮点数 (x1, x2) 组成，表示二维空间中的一个点。 import matplotlib.pyplot as pltplt.figure(figsize=(8, 4))plt.subplot(1, 2, 1)plt.scatter(train_data[: 4个标签值对dalaloader的迭代会直到数据集的最后一个数据为止，为了防止输出过长，我们这里使用break提前结束迭代【用tqdm显示进度条】在实际项目中，为了运行过程更直观，会使用tqdm工具显示数据集的加载进度
45310编辑于 2025-01-14 - 来自专栏AI机器学习与深度学习算法
机器学习入门 8-4 为什么要训练数据集与测试数据集
这一小节，主要介绍通过测试数据集来衡量模型的泛化能力，并得出训练数据集和测试数据集关于模型复杂度与模型精确度之间的趋势，最后通过一个简单的小例子来说明过拟合和欠拟合以加深理解。 其实很简单，这个做法之前也一直在使用，就是所谓的Train_test_split（训练测试数据集的划分），也就是将原来的样本数据划分成训练数据集和测试数据集，用训练数据集学习获得这个模型，在这种情况下， 如果使用训练数据集获得的模型，在训练数据集上能够得到很好的结果，但是在面对测试数据集上的效果很差，此时的模型泛化能力很弱； 对于第2种情况，多半是出现了过拟合的问题，模型虽然能够很好的拟合训练数据集，但是面对新的数据也就是测试数据集 因此衡量模型泛化能力就是将数据集额外划分测试数据集更大的意义。 ? 其实前面的网格搜索，一直都是这样做的，一直都是把数据集划分为训练数据集和测试数据集，将训练数据集用于训练模型，然后对于不同参数训练出的模型去寻找使得测试数据集最好的对应的那组参数，这组模型参数就作为最终模型的参数
3.6K21发布于 2019-12-26 - 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。
2.3K20编辑于 2022-03-30 - 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。
3.2K40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.
3.1K40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。
2.4K30编辑于 2022-03-30 - 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
2.1K20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。
2.7K30编辑于 2022-03-30 - 来自专栏量子位
8种寻找机器学习数据集的方法 | 附数据集资源
近日，亚马逊AWS高级技术顾问Will Badr介绍了8种寻找机器学习数据集的方法。 通过这些方法，不仅能够找到大量的实验数据集及相关的描述和使用示例。在某些情况下，还会有用于训练数据集的算法代码。 以下，就是他介绍的8种方法： 1、Kaggle数据集 ? Kaggle的数据集中，包含了用于各种任务，不同规模的真实数据集，而且有许多不同的格式。 中国国家统计局： http://www.stats.gov.cn/ 8、计算机视觉数据 ? 里面有各种用于计算机视觉研究数据集，可以通过特定的主题去查找数据集，比如语义分割、图像字幕、图像生成等等。 （点击文字即可传送） 自然语言处理 非正式汉语数据集 腾讯中文词NLP数据集 DeepMind机器阅读理解数据集 计算机视觉 腾讯多标签图像数据集 谷歌地标识别数据集 吴恩达医学影像数据集 YouTube 已标注视频数据集 斯坦福3D街景数据集 中科院目标追踪数据集 20万NSFW图片数据集 其他 世界银行开放数据 微软恶意软件数据集 最后的最后 遇到有缺陷的数据集该怎么办？
1.7K40发布于 2019-04-24 - 来自专栏CNNer
【数据集】开源 | Toronto-3D：大规模的室外点云数据集，包含8个标签。
随着移动激光扫描(MLS)系统的快速发展，大量的点云可用于场景理解，但是公共可访问的大规模可以用于深度学习的标记数据集仍然有限。 本文介绍了加拿大多伦多MLS系统获取的用于语义分割的大型城市户外点云数据集Toronto- 3d。该数据集覆盖了大约1公里的点云，由大约7830万个点和8个标记的对象类组成。 进行了语义分割的基线实验，结果验证了该数据集具备有效的训练深度学习模型的能力。Toronto-3D的发布是为了鼓励新的研究，欢迎在社区进行反馈，用以改进和更新数据标签。 主要框架及实验结果 ? ?
2.1K40发布于 2021-04-22 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine ——Landsat 8 Collection 1 Tier 1数据集
Landsat 8 Collection 1 Tier 1 DN值，代表经过缩放、校准的传感器辐射度。 具有最高可用数据质量的陆地卫星场景被归入第1级，并被认为适合进行时间序列处理分析。 第一级包括一级精确地形（L1TP）处理的数据，这些数据具有良好的辐射测量特性，并在不同的Landsat传感器之间进行了相互校准。 8. Landsat数据集是联邦创建的数据，因此属于公共领域，可以在没有版权限制的情况下使用、转让或复制。 对美国地质调查局作为数据来源的确认或信用，应通过包括一行文字引用来提供，如下面的例子。 (产品、图像、照片或数据集名称）由美国地质调查局提供。 例子。
52110编辑于 2024-02-02 - 来自专栏数据科学和人工智能
数据集 | 员工信息数据集
下载数据集请登录爱数科(www.idatascience.cn) 这是对公司人力资源有用的数据集。公司记录员工的不同参数（例如满意度，薪水，晋升次数，离职等）。 该数据集可用于预测员工是离开公司还是留在公司。。 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。
1.2K30编辑于 2022-03-30 - 来自专栏数据科学和人工智能
数据集 | 旅游保险数据集
下载数据集请登录爱数科(www.idatascience.cn) 一家位于新加坡的第三方旅行保险服务公司的数据，用于预测索赔状态。 1. 字段描述 2. 数据预览 3. 数据来源 来源于Kaggle。
90030编辑于 2022-03-30 - 来自专栏数据科学和人工智能
数据集 | 共享单车数据集
下载数据集请登录爱数科(www.idatascience.cn) 共享单车在过去的十几年内在世界范围内得到了广泛的推广。 这份数据集是在2011-2012年收集的有关于每天的共享单车租赁信息，十年后共享单车市场或许发生了改变，但人们租赁共享单车的使用习惯会改变吗? 1. 字段描述 2. 数据预览 3. 数据来源 来源于Kaggle。
2K20编辑于 2022-03-30 - 来自专栏数据科学和人工智能
数据集 | Google图书数据集
下载数据集请登录爱数科(www.idatascience.cn) 该数据是从Google图书商店获取的。使用Google API来获取数据。数据集中为每本书收集了九种属性。 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。
1K30编辑于 2022-03-30 - 来自专栏数据科学和人工智能
数据集 | 航班票价数据集
下载数据集请登录爱数科(www.idatascience.cn) 本数据集包含航班的起点、终点、定价、所含服务等信息，可用于预测航班票价。 1. 字段描述 2. 数据预览 3.
1.5K20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