欢迎关注，高强度更新和MATLAB,PYTHON编程，C++编程，算法编程，深度学习，自然语言处理，图像处理，OPENCV等相关知识:)

摘要

MNIST数据集、行人车辆检测数据集、安全头盔数据集、白酒数据集、成人数据集、口罩检测数据集、车牌数据集及完整项目、行李箱数据集、神经网络等

各种深度学习机器学习数据集（大多数内附读取脚本！）（建议按ctrl+F查询是否有需要的，持续更新中。。）

行人检测数据集

下载链接

行人车辆检测数据集一共4500张验证集500张，我使用yolov5检测，map能高达98%!效果显著。

部分图片展示：

ChineseMNIST数据集

下载链接

部分图片展示：图片大小为64*64,一共15W张。

MNIST数据集（解压包中有加载的代码及数据集！）

下载链接

原始的MNIST数据集，如果是matlab读取的话，可以使用一下代码：

建立一个loadMNISTLabels.m脚本读取标签：

function labels = loadMNISTLabels(filename)
%loadMNISTLabels returns a [number of MNIST images]x1 matrix containing
%the labels for the MNIST imagesfp = fopen(filename, 'rb');
assert(fp ~= -1, ['Could not open ', filename, '']);magic = fread(fp, 1, 'int32', 0, 'ieee-be');
assert(magic == 2049, ['Bad magic number in ', filename, '']);numLabels = fread(fp, 1, 'int32', 0, 'ieee-be');labels = fread(fp, inf, 'unsigned char');assert(size(labels,1) == numLabels, 'Mismatch in label count');fclose(fp);end

建立一个loadMNISTImages.m脚本读取图片：

function images = loadMNISTImages(filename)
%loadMNISTImages returns a 28x28x[number of MNIST images] matrix containing
%the raw MNIST imagesfp = fopen(filename, 'rb');
assert(fp ~= -1, ['Could not open ', filename, '']);magic = fread(fp, 1, 'int32', 0, 'ieee-be');
assert(magic == 2051, ['Bad magic number in ', filename, '']);numImages = fread(fp, 1, 'int32', 0, 'ieee-be');
numRows = fread(fp, 1, 'int32', 0, 'ieee-be');
numCols = fread(fp, 1, 'int32', 0, 'ieee-be');images = fread(fp, inf, 'unsigned char');
images = reshape(images, numCols, numRows, numImages);
images = permute(images,[2 1 3]);fclose(fp);% Reshape to #pixels x #examples
images = reshape(images, size(images, 1) * size(images, 2), size(images, 3));
% Convert to double and rescale to [0,1]
images = double(images) / 255;end

Adult数据集

下载链接

​ 该数据从美国1994年人口普查数据库中抽取而来，因此也称作“人口普查收入”数据集，共包含48842条记录，年收入大于50k的占比76.07%，数据集已经划分为训练数据32561条和测试数据16281条。该数据集类变量为年收入是否超过50k

解压文件夹内包含一个读取数据集的py脚本文件，0基础小白轻松上手使用！

白酒质量数据集

下载链接

著名的机器学习数据集，解压包中含有该数据集以及一个.py脚本，运行该脚本可以直接把数据集加载到python中去0基础小白轻松上手使用！

garbage_classify_et.zip(垃圾分类数据集在zip文件中包含一个训练的脚本，可直接使用！)

下载链接

数据集说明一共4大类，40小类，在zip文件中包含一个训练的脚本，可直接使用！一共4000多个数据：

部分图片：

{
"0": "其他垃圾/一次性快餐盒",
"1": "其他垃圾/污损塑料",
"2": "其他垃圾/烟蒂",
"3": "其他垃圾/牙签",
"4": "其他垃圾/破碎花盆及碟碗",
"5": "其他垃圾/竹筷",
"6": "厨余垃圾/剩饭剩菜",
"7": "厨余垃圾/大骨头",
"8": "厨余垃圾/水果果皮",
"9": "厨余垃圾/水果果肉",
"10": "厨余垃圾/茶叶渣",
"11": "厨余垃圾/菜叶菜根",
"12": "厨余垃圾/蛋壳",
"13": "厨余垃圾/鱼骨",
"14": "可回收物/充电宝",
"15": "可回收物/包",
"16": "可回收物/化妆品瓶",
"17": "可回收物/塑料玩具",
"18": "可回收物/塑料碗盆",
"19": "可回收物/塑料衣架",
"20": "可回收物/快递纸袋",
"21": "可回收物/插头电线",
"22": "可回收物/旧衣服",
"23": "可回收物/易拉罐",
"24": "可回收物/枕头",
"25": "可回收物/毛绒玩具",
"26": "可回收物/洗发水瓶",
"27": "可回收物/玻璃杯",
"28": "可回收物/皮鞋",
"29": "可回收物/砧板",
"30": "可回收物/纸板箱",
"31": "可回收物/调料瓶",
"32": "可回收物/酒瓶",
"33": "可回收物/金属食品罐",
"34": "可回收物/锅",
"35": "可回收物/食用油桶",
"36": "可回收物/饮料瓶",
"37": "有害垃圾/干电池",
"38": "有害垃圾/软膏",
"39": "有害垃圾/过期药物"
}  

安全盔安全衣数据集（一步到位，适合小白！）

下载链接

1083张反光衣的数据集，数据集文件包含jpg图片和xml文件，数据集主要四类标注：带头盔的人、没带头盔的人、穿反光衣的人、未穿反光衣的人，主要标注反光衣，识别效果能达到百分之98以上，同时里面还有训练好的yolov5的权重数据，达98%！直接使用load命令即可，一步到位

解压包内容如下：

人工标注的人脸与戴口罩人脸数据集（VOC）格式

下载链接

• 数据来源：Google、Baidu
• 数据质量：最小图像为10.8K，全部为jpg格式
• 数据集大小：全部使用lableImg工具手工标注，数据格式为VOC格式

数据集组织形式：

训练图片示例：

行李箱内物品检测数据集VOC格式

下载链接

该数据集为行李箱物品检测数据集，是多目标检测任务，一共含有521个数据，图片如图所示：

文件包含内容：

可无缝与YOLO等目标检测算法应用。

车牌识别数据集1（主要是opencv来识别）

数据集下载链接

数据集供分为三部分：

cnn_char_train种内容，每个文件夹种图片的数量大概在300张左右：

打开其中文件夹名为Y的可以看到：

也就是说cnn_char_train主要是训练cnn模型对字符的识别的。

而对于cnn_plate_train里面则包含两个文件夹：

其中has文件夹种是包含车牌的图片，一共有1916张：

而no种所包含的是不含车牌的文件,一共有3978张:

完整项目代码下载链接

下载链接

这个是有完整项目版的，会提供代码和上述的数据集，直接安装好所需的第三方库然后一件运行即可。是用opencv配合深度学习框架实现的功能，搭建的是CNN模型，模型较小，不用配置GPU，仅使用CPU就可以运行！：

车牌识别数据集2(目标检测算法，标准的标签格式)

下载链接

数据集如下所示，还是比较大的，受到1G限制，所以这里提供的是百度网盘下载链接。支持 1.单行蓝牌2.单行黄牌 3.新能源车牌 4.白色警用车牌 5.教练车牌 6.武警车牌 7.双层黄牌 8.双层白牌 9.使馆车牌10.港澳粤Z牌11.双层绿牌 12.民航车牌

对于train_data的数据，则是从著名的CCPD和CRPD摘抄而出：

对于val-detect，其中每个文件就对应的不同的拍照啦，一共1W5个样本大概:

blue数据集部分内容：

code文件夹包含的内容，其中脚本可以用来转换标签的格式：

完整项目代码下载链接

下载链接

这个是有完整项目版的，会提供代码和上述的数据集，直接安装好所需的第三方库然后一件运行即可。