羊驼与非羊驼分类数据集（羊驼142、非羊驼185张），JPEG图像（小体量）数据集用于将图像分类为“羊驼”和“非羊驼” 羊驼与非羊驼分类数据集（羊驼142、非羊驼185张），JPEG图像（小体量）数据集用于将图像分类为“羊驼”和“非羊驼”

一个开心果数据集，包含6个视频和423个标记图像，第一部分包括423张真实的图片。我们把开心果分成两类开口型和闭口型。图像的基本真相是一个CSV文件，由图像中两类开心果的边界框组成。每张图片中有1到27个开心果，总共3927个。第二部分包括6个视频，总时长167秒，561个滚动的开心果。

中等大小的奶牛肿块病数据集，每类图像约500张。健康的牛和有块状病毒病的牛的图片。这两个不同的文件分别包含大约500张图片，可以使用数据增强进一步增强和有效的结果。使用该数据集，CNN模型可用于预测任何类型的牛(或牛)中是否存在疾病。 中等大小的奶牛肿块病数据集，每类图像约500张。健康的牛和有块状病毒病的牛的图片。这两个不同的文件分别包含大约500张图片，可以使用数据增强进一步增强和有效的结果。使用该数据集，CNN模型可用于预测任何类型的牛(或牛)中是否存在疾病。

轮胎充气是否充足检测图像数据集，本数据集由OpenMV Cam H7 Plus捕获的图像组成。它包括900张标有“满”、“平”或“无轮胎”的240x240灰度图像。这些图像是从移动的角度和距离，以及多个轮胎旋转角度拍摄的。

木瓜成熟度图像识别数据集，实验共使用了57种水果的130个样本。这些果实可分为三个成熟期(EM1、EM2和EM3)。有些图像有多个采集，拥有多个图像。 木瓜成熟度图像识别数据集，实验共使用了57种水果的130个样本。这些果实可分为三个成熟期(EM1、EM2和EM3)。有些图像有多个采集，拥有多个图像。

皮肤肿瘤数据集，该数据集由2357张恶性和良性肿瘤疾病的图像组成，这些图像来自国际皮肤成像合作组织(ISIC)。所有的图像都按照ISIC的分类进行排序，除黑色素瘤和痣的图像略占优势外，所有子集的图像都被分成相同数量的图像

面部表情比较图像数据集，每个注释都是集合{1,2,3}中的一个整数。值为1意味着与第一张脸的表情相比，三元组中第二张和第三张脸的表情在视觉上更相似。值为2意味着与第二张脸的表情相比，三元组中第一张和第三张脸的表情在视觉上更相似。值为3意味着与第三张脸的表情相比，三元组中第一张和第二张脸的表情在视觉上更相似。

37个类的图像识别数据集，图像的大小被调整为224x224，目标标签的范围从原来的1-37移动到0-36。数据被分成train和测试文件集 37个类的图像识别数据集，图像的大小被调整为224x224，目标标签的范围从原来的1-37移动到0-36。数据被分成train和测试文件集

基于Intel RealSense SDK 2.0。 测试Intel RealSense D400系列设备(深度相机)，包括Intel RealSense深度相机D435i, D435, D415 可获取以下数据: (1)color image，2D彩色图像 (2)点云 xyz (3)texture image，点云纹理彩色图像，与点云xyz（或者说深度图像）是对齐的 (4)点云 xyzrgb，将2和3组合得到 (5)ir left image，左侧ir灰度图像 (6)ir right image，右侧ir灰度图像

基于图像处理（非机器学习）的方法实现细胞的检测和分割的全部数据资料并对结果进行评估。 我们将整个程序分成7个python文件，其中三个文件是细胞分割的算法，一个结果评估的文件，一个细胞再筛选的文件，一个图像处理的文件和一个main文件 三个划分算法分别为：cell_segmentation_by_sub.py、cell_segmentation_by_shape.py、cell_segmentation_by_fit.py. 结果评估文件是：divide_assessment.py. 细胞再筛选文件是：results_filter.py. 图像处理文件是：image_processing.py. 主程序文件：main.py. 基于图像处理（非机器学习）的方法实现细胞的检测和分割的全部数据资料并对结果进行评估。基于图像处理（非机器学习）的方法实现细胞的检测和分割的全部数据资料并对结果进行评估。基于图像处理（非机器学习）的方法实现细胞的检测和分割的全部数据资料并对结果进行评估。基于图像处理（非机器学习）的方法实现细胞的检测和分割的全部数据资料并对结果进行评估。