分类场景数据集大全「包含数据标注+训练脚本」 (持续原地更新)

一、作者介绍:六年+算法开发经验、AI 算法经理、阿里云专家博主。擅长:检测、分割、理解、大模型 等算法训练与推理部署任务。

二、数据集介绍

  • 质量高:高质量图片、高质量标注数据,吐血标注、整理,可以作为训练模型的基础数据集或者作为原数据集的很好补充皆可;
  • 范围广:数据集涉及目标场景范围广,避免算法收敛到某一、某些固定场景;
  • 分类格式:采用文件夹来区分不同的目标类别;
  • 附加训练脚本:提供了 YOLO11cls一键训练脚本,另外还提供了博主本地的训练结果日志可供参考;
  • 注意:由于数据集资源超过 1G,所以托管在我的百度网盘,所以这里获取到的资源格式是 PDF,内附数据集基本情况介绍以及数据集获取方式

下载说明:点击数据集对应的蓝色超链接即可跳转自行下载,如还未添加蓝色超链说明该数据集还在标注中还没发布,如果其他类型的数据集可以私信联系博主。另外未来新增数据集本帖原地更新,分类相关数据集汇总篇不再另开新篇,建议收藏关注 ~

另外,博主整理的其他AI训练数据集大全传送如下:

  • 目标检测数据集下载大全传送:目标检测数据集大全「包含VOC+COCO+YOLO三种格式+划分脚本+训练脚本」(持续原地更新)

目录

生活相关

垃圾分类数据集

动植物相关

水果分类数据集

 花卉分类数据集

 植物分类数据集

其他

场景分类数据集

更多数据集更新中


生活相关

垃圾分类数据集

  • 数据集介绍:日常垃圾分类数据集,真实场景高质量图片数据;
  • 适用实际项目应用:公共场所监控场景下垃圾分类项目,以及作为监控场景通用垃圾分类数据集场景数据的补充;
  • 数据集类别:carboard、glass、metal、paper、plastic、trash;
  • 标注说明:采用文件夹来区分不同的目标类别,标注质量高,可以直接用于如 YOLOCLS 的算法训练;
  • 附赠训练示例:提供 YOLO11cls 一键训练脚本,提供博主训练结果日志供参考;

数据集点击蓝色链接下载 (若想要更多数量数据集请联系博主~):

  • 2300 张图片:目标分类-垃圾分类数据集-2300张图-+对应分类文件夹整理+YOLO11cls一键训练脚本
  • 更多:待更新


动植物相关

水果分类数据集

  • 数据集介绍:水果分类数据集,真实场景高质量图片数据;
  • 适用实际项目应用:水果分类项目,以及作为通用分类数据集场景数据的补充;
  • 数据集类别:Watermelon、Tomato、Strawberry、Raspberry、Potato Red、Pomegranate、Plum、Pineapple、Pepper Red、Pepper Green、Pear、Peach、Passion Fruit、Papaya、Orange、Onion White、Mango、Limes、Lemon、Kiwi、Grape Blue、Cucumber Ripe、Corn、Clementine、Cherry、Cantaloupe、Cactus fruit、Blueberry、Banana、Avocado、Apricot、Apple Granny Smith、Apple Braeburn;
  • 标注说明:采用文件夹来区分不同的目标类别,标注质量高,可以直接用于如 YOLOCLS 的算法训练;
  • 附赠训练示例:提供 YOLO11cls 一键训练脚本,提供博主训练结果日志供参考;

数据集点击蓝色链接下载 (若想要更多数量数据集请联系博主~):

  • 16000 张图片:目标分类-水果分类数据集-16000张图-+对应分类文件夹整理+YOLO11cls一键训练脚本
  • 更多:待更新


 花卉分类数据集

  • 数据集介绍:花卉分类数据集,真实场景高质量图片数据;
  • 适用实际项目应用:自然场景花卉分类项目,以及作为通用分类数据集场景数据的补充;
  • 数据集类别:water_lily、tulip、sunflower、rose、iris、dandelion、coreopsis、common_daisy、carnation、california_poppy、calendula、black_eyed_susan、bellflower、astilben;
  • 标注说明:采用文件夹来区分不同的目标类别,标注质量高,可以直接用于如 YOLOCLS 的算法训练;
  • 附赠训练示例:提供 YOLO11cls 一键训练脚本,提供博主训练结果日志供参考;

数据集点击蓝色链接下载 (若想要更多数量数据集请联系博主~):

  • 13000 张图片:目标分类-花卉分类数据集-13000张图-+对应分类文件夹整理+YOLO11cls一键训练脚本
  • 更多:待更新


 植物分类数据集

  • 数据集介绍:植物分类数据集,真实场景高质量图片数据;
  • 适用实际项目应用:自然场景植物分类项目,以及作为通用分类数据集场景数据的补充;
  • 数据集类别:
  • 标注说明:采用文件夹来区分不同的目标类别,标注质量高,可以直接用于如 YOLOCLS 的算法训练;
  • 附赠训练示例:提供 YOLO11cls 一键训练脚本,提供博主训练结果日志供参考;

数据集点击蓝色链接下载 (若想要更多数量数据集请联系博主~):

  • 21000 张图片:目标分类-植物分类数据集-21000张图-+对应分类文件夹整理+YOLO11cls一键训练脚本
  • 更多:待更新


其他

场景分类数据集

  • 数据集介绍:自然场景分类数据集,真实场景高质量图片数据;
  • 适用实际项目应用:自然场景下场景分类项目,以及作为通用场景分类数据集场景数据的补充;
  • 数据集类别:buildings、forest、glacier、mountain、sea、street;
  • 标注说明:采用文件夹来区分不同的目标类别,标注质量高,可以直接用于如 YOLOCLS 的算法训练;
  • 附赠训练示例:提供 YOLO11cls 一键训练脚本,提供博主训练结果日志供参考;

数据集点击蓝色链接下载 (若想要更多数量数据集请联系博主~):

  • 14000 张图片:目标分类-场景分类数据集-14000张图-+对应分类文件夹整理+YOLO11cls一键训练脚本
  • 更多:待更新


更多数据集更新中

其他数据集需求私信联系博主 ~

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.pswp.cn/news/909094.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

从硬件视角审视Web3安全:CertiK CTO主持Proof of Talk圆桌论坛

6月10日,在备受瞩目的全球Web3与AI峰会Proof of Talk 2025上,CertiK首席技术官Li Kang博士主持了一场聚焦“Web3钱包与托管安全”(Web3 Wallet and Custodial Security)的圆桌论坛。本次论坛从硬件与系统软件的底层视角出发&#…

从DevOps到AIOps:智能体如何接管持续交付流程

引言:从DevOps到AIOps的时代跃迁 DevOps 作为软件开发与运维一体化的最佳实践,已经广泛应用于现代软件工程体系中。在 CI/CD(持续集成/持续交付)的支撑下,软件交付从季度变为月度、从周变为日,乃至分钟级更…

MAC-安装Homebrew、安装Git

1.首先尝试用中科大和清华的源发现不行 中国科学技术大学(USTC)提供了 Homebrew 的镜像仓库,同步官方更新,适合国内用户。 安装命令​​: /bin/bash -c "$(curl -fsSL https://mirrors.ustc.edu.cn/brew/install.sh)" 步骤说明​​: 复制上述命令到终端,按…

flutter基础面试知识汇总(二)

一、全局状态管理工具-----GetX、Provider、Bloc 1.Provider Provider 是 Flutter 中一个流行的状态管理库,它简化了数据共享和状态管理的过程。它通过依赖注入的方式,让不同的 Widget 共享数据,而无需过多地传递参数。Provider也是官方推荐…

基于YOLOv12的电力高空作业安全检测:为电力作业“保驾护航”,告别安全隐患!

在电力行业,尤其是高空作业场景,安全隐患无处不在。高空作业本身就存在着极高的风险,尤其是对于电力维护和检修工作来说,稍有不慎便可能造成严重的安全事故。传统的安全监管方式,如人工巡检和视频监控,存在…

大话软工笔记—需求分析汇总

需求调研和分析完成,可汇总形成两份文档:需求规格说明书和解决方案。 1. 需求规格说明书 1.1 主要内容 引言,包括项目目的、背景、用语等基础信息。项目概述,对项目自身的说明、包括范围、主要处理对象、与其他系统的关系等。功…

openstack实例创建过程分析

用户验证 1、某用户以登录web界面或执行rc文件的方式,通过RESTful API向keystone获取credentials; 2、keystone进行authentication,若正确则生成并返回auth-token; 3、以携带auth-token的形式,在web界面或命令行cli&a…

安卓首次启动Fallbackhome是否可以直接去除?--学员作业

背景: 有学员朋友在vip群提出一个需求相关的问题,他想要把settings裁剪掉,但是发现裁剪后Fallbackhome肯定就没了,发现Launcher居然无法启动了,一直处于Bootanimation的画面,无法进入系统。 针对这个去除…

C++ 实现环形缓冲区

环形缓冲区(Ring Buffer)是一种常见的用于数据流缓冲的结构,通常用于生产者-消费者模型、音视频处理等场景。 因为环形缓冲区使用的场景大多为性能敏感的场景,我们采用数组的数据结构和位运算来实现,以提高代码效率。…

MySQL虚拟列:一个被低估的MySQL特性

前言 最近在做订单系统重构时,遇到了一个有趣的问题。 系统里有很多地方都要计算订单的总价(数量单价),这个计算逻辑分散在各个服务中,产生了不少相似甚至重复的代码。 代码评审时,同事提出了一个建议 —…

音频导入规范

一般音频可以交给策划来导入提交,需要遵循一些规范,下面是我们实际项目用到的一些规范 1、Force To Mono: 勾选,强制单声道。(可以减少音效文件的内存占用) 2、Normalize: 勾选,引…

使用html写一个倒计时页面

一个使用 HTML、CSS 和 JavaScript 实现的倒计时页面,包含动态效果和响应式布局: 功能特点: 动态效果: 每个时间单元带有 hover 动画(悬浮时轻微上浮)倒计时数字实时更新,精确到秒结束时自动更换背景颜色并显示提示信息响应式设计: 适配移动端屏幕(屏幕宽度小于600px…

spring boot源码和lib分开打包

1.项目通过maven引入的jar多了之后&#xff0c;用maven打出的jar会非常庞大&#xff0c;我的是因为引入了ffmpeg的相关jar,所以&#xff0c;每次上传服务更新都要传输好久&#xff0c;修改maven打包方式&#xff0c;改为源码和lib分离模式 2.maven的pom.xml配置如下 <build…

计算机网络笔记(三十)——5.2用户数据报协议UDP

5.2.1UDP概述 一、UDP 的定义 用户数据报协议 (User Datagram Protocol, UDP) 是传输层的无连接、不可靠协议。它提供最小化的协议机制&#xff0c;仅支持数据报的简单传输&#xff0c;不保证数据顺序或可靠性。 二、UDP 的核心特点 无连接 通信前无需建立连接&#xff0c;直…

Java异步编程之消息队列疑难问题拆解

前言 在Java里运用消息队列实现异步通信时&#xff0c;会面临诸多疑难问题。这里对实际开发中碰到的疑难为题进行汇总及拆解&#xff0c;使用RabbitMQ和Kafka两种常见的消息队列中间件来作为示例&#xff0c;给出相应的解决方案&#xff1a; 一、消息丢失问题 消息在传输过程…

香橙派3B学习笔记10:snap打包C/C++程序与动态链接库(.so)

esnap打包C/C程序与动态链接库&#xff08;.so&#xff09; 之前已经学会了snap基本的打包程序&#xff0c;现在试试打包C/C程序与动态链接库&#xff08;.so&#xff09; ssh &#xff1a; orangepi本地ip 密码 &#xff1a; orangepi 操作系统发行版&#xff1a; 基于 Ubun…

【Python工具开发】k3q_arxml 简单但是非常好用的arxml编辑器,可以称为arxml杀手包

k3q_arxml 介绍 仓库地址1 仓库地址2 极简的arxml编辑库&#xff0c;纯python实现 用法 from pprint import pp # 可以美化打印对象&#xff0c;不然全打印在一行 import k3q_arxml # 加载arxml文件 io_arxml k3q_arxml.IOArxml(filepaths[test/model_merge.arxml])# 打印…

【CSS-8】深入理解CSS选择器权重:掌握样式优先级的关键

CSS选择器权重是前端开发中一个基础但极其重要的概念&#xff0c;它决定了当多个CSS规则应用于同一个元素时&#xff0c;哪条规则最终会被浏览器采用。理解权重机制可以帮助开发者更高效地编写和维护CSS代码&#xff0c;避免样式冲突带来的困扰。 1. 什么是CSS选择器权重&…

大语言模型原理与书生大模型提示词工程实践-学习笔记

&#x1f4d8; 第五期书生葡语实战营讲座总结 &#x1f399; 主讲人&#xff1a;王明&#xff08;东部大学 数据挖掘实验室 博士生&#xff09; 一、大语言模型的生成原理 架构基础&#xff1a;采用 Transformer&#xff08;Decoder-only&#xff09;架构&#xff0c;如 GPT …

李沐 《动手学深度学习》 | 实战Kaggle比赛:预测房价

文章目录 1.下载和缓存数据集2.数据预处理读取样本预处理样本数值型特征处理特征标准化的好处离散值处理转换为张量表示 训练K折交叉验证模型选择最终模型确认及结果预测代码总结提交到Kaggle 房价预测比赛链接&#xff1a;https://www.kaggle.com/c/house-prices-advanced-reg…