數(shù)據(jù)集服務(wù)
關(guān)注創(chuàng)建者：匿名 創(chuàng)建時(shí)間：2026-01-05
數(shù)據(jù)集服務(wù)的實(shí)例教程
<p>10月28日，Ansys官方『工業(yè)仿真的基礎(chǔ)數(shù)據(jù)庫：Granta數(shù)據(jù)集』研討會(huì)為您展開介紹Granta數(shù)據(jù)集在材料數(shù)據(jù)整合、材料屬性分析、智能推薦加速選材決策等等，感興趣的下滑預(yù)約學(xué)習(xí)??</p><p><br></p><p><br></p><figure style="text-align: center;" class="ql-align-center">
<figure class="figure-image" contenteditable="false" data-img="https://img.jishulink.com/202511/attachment/79e870b44cbc498aab536d3dfc36bdff.png" style="display: inline-block;">
<img src="https://img.jishulink.com/202511/attachment/79e870b44cbc498aab536d3dfc36bdff.png" data-mobile-src="https://img.jishulink.com/202511/attachment/79e870b44cbc498aab536d3dfc36bdff.png?image_process=/format,webp" data-pc-src="https://img.jishulink.com/202511/attachment/79e870b44cbc498aab536d3dfc36bdff.png?
展開 一、數(shù)據(jù)來源
本節(jié)選用的是Python的第三方庫seaborn自帶的數(shù)據(jù)集，該小費(fèi)數(shù)據(jù)集為餐飲行業(yè)收集的數(shù)據(jù)，其中total_bill為消費(fèi)總金額、tip為小費(fèi)金額、sex為顧客性別、smoker為顧客是否吸煙、day為消費(fèi)的星期、time為聚餐的時(shí)間段、size為聚餐人數(shù)。
import numpy as np
from pandas import Series,DataFrame
import pandas as pd
import seaborn as sns #導(dǎo)入seaborn庫 tips=sns.load_dataset('tips') #seaborn庫自帶的數(shù)據(jù)集 tips.head()
二、問題探索
小費(fèi)金額與消費(fèi)總金額是否存在相關(guān)性?
性別、是否吸煙、星期幾、聚餐人數(shù)和小費(fèi)金額是否有一定的關(guān)聯(lián)?
小費(fèi)金額占小費(fèi)總金額的百分比是否服從正態(tài)分布?
三、數(shù)據(jù)清洗
tips.shape #數(shù)據(jù)集的維度
(244，7)
共有244條數(shù)據(jù)，7列。
tips.describe() #描述統(tǒng)計(jì)
描述統(tǒng)計(jì)結(jié)果如上所示。
tips.info() #查看缺失值信息
此例無缺失值。
四、數(shù)據(jù)探索
tips.plot(kind='scatter',x='total_bill',y='tip') #繪制散點(diǎn)圖
由圖可看出，小費(fèi)金額與消費(fèi)總金額存在正相關(guān)性。
展開 5 結(jié)束語
本文在有限的條件下使用GPT2在小的GeotechSet數(shù)據(jù)集上進(jìn)行了訓(xùn)練，得出了我們自己的geotech數(shù)據(jù)模型。今后逐漸加大輸入數(shù)據(jù)，使模型進(jìn)化得更為完善。
這個(gè)事件促使我們快速產(chǎn)生出一個(gè)新的數(shù)據(jù)集----頂板冒落(Roof Collapse), 主要包括:
(1) roof collapse.txt;
(2) ..\Surface Subsidence Prediction
(3) ..\rockbolting
?
以及UDEC模擬. 本公眾號(hào)先前與頂板冒落相關(guān)的主要文章參考如下鏈接:
GIIC-UDEC操作教程(3)---巷道頂板冒落
使用RMR估算巷道支護(hù)壓力 (Support Pressure)
巖爆和沖擊地壓災(zāi)害分類(Rock Burst Hazard)
礦山?jīng)_擊地壓控制(Coal Mine Burst Prevention Controls)
本筆記簡要描述了在發(fā)展這個(gè)數(shù)據(jù)集時(shí)想到的一些問題, 想到哪寫到哪, 沒有太多的邏輯.
2 頂板冒落引起地面斷裂
如果是淺部大面積的頂板冒落, 有可能會(huì)導(dǎo)致冒落上方地面巖體產(chǎn)生斷裂或引起地表沉降. 地表巖體會(huì)產(chǎn)生由應(yīng)力引起的斷裂(stress induced fractures), 如下圖所示. 這種斷裂通常能用肉眼觀察到.
2 導(dǎo)致頂板冒落的主要因素
(1) 地質(zhì)構(gòu)造. 地質(zhì)構(gòu)造直接決定了頂板是否穩(wěn)定. 如果遇到大的斷層或不連續(xù)巖體, 可以考慮避開該地段或者改變開挖方向, 不過, 這對(duì)實(shí)踐的采礦工程師和地質(zhì)工程師來說確實(shí)是一項(xiàng)非常大的挑戰(zhàn).
(2) 應(yīng)力集中. 當(dāng)開挖深度很大或者開挖尺寸很大時(shí), 巖體內(nèi)部由構(gòu)造作用產(chǎn)生的原巖應(yīng)力以及巖體的自重會(huì)導(dǎo)致頂板產(chǎn)生應(yīng)力集中. 特別是原巖應(yīng)力的大小和方向?qū)﹂_挖起著主要作用, 因此必須對(duì)開挖尺寸和開挖方向進(jìn)行優(yōu)化設(shè)計(jì), 避免應(yīng)力集中區(qū)域.
(3) 開采順序.
展開 訓(xùn)練步驟
a、訓(xùn)練VOC07+12數(shù)據(jù)集
數(shù)據(jù)集的準(zhǔn)備
本文使用VOC格式進(jìn)行訓(xùn)練，訓(xùn)練前需要下載好VOC07+12的數(shù)據(jù)集，解壓后放在根目錄
數(shù)據(jù)集的處理
修改voc_annotation.py里面的annotation_mode=2，運(yùn)行voc_annotation.py生成根目錄下的2007_train.txt和2007_val.txt。
開始網(wǎng)絡(luò)訓(xùn)練
train.py的默認(rèn)參數(shù)用于訓(xùn)練VOC數(shù)據(jù)集，直接運(yùn)行train.py即可開始訓(xùn)練。
訓(xùn)練結(jié)果預(yù)測(cè)
訓(xùn)練結(jié)果預(yù)測(cè)需要用到兩個(gè)文件，分別是yolo.py和predict.py。我們首先需要去yolo.py里面修改model_path以及classes_path，這兩個(gè)參數(shù)必須要修改。
model_path指向訓(xùn)練好的權(quán)值文件，在logs文件夾里。
classes_path指向檢測(cè)類別所對(duì)應(yīng)的txt。
完成修改后就可以運(yùn)行predict.py進(jìn)行檢測(cè)了。運(yùn)行后輸入圖片路徑即可檢測(cè)。
b、訓(xùn)練自己的數(shù)據(jù)集
數(shù)據(jù)集的準(zhǔn)備
本文使用VOC格式進(jìn)行訓(xùn)練，訓(xùn)練前需要自己制作好數(shù)據(jù)集，
訓(xùn)練前將標(biāo)簽文件放在VOCdevkit文件夾下的VOC2007文件夾下的Annotation中。
訓(xùn)練前將圖片文件放在VOCdevkit文件夾下的VOC2007文件夾下的JPEGImages中。
數(shù)據(jù)集的處理
在完成數(shù)據(jù)集的擺放之后，我們需要利用voc_annotation.py獲得訓(xùn)練用的2007_train.txt和2007_val.txt。
修改voc_annotation.py里面的參數(shù)。第一次訓(xùn)練可以僅修改classes_path，classes_path用于指向檢測(cè)類別所對(duì)應(yīng)的txt。
訓(xùn)練自己的數(shù)據(jù)集時(shí)，可以自己建立一個(gè)cls_classes.txt，里面寫自己所需要區(qū)分的類別。
展開 
數(shù)據(jù)集服務(wù)的相關(guān)專題、標(biāo)簽、搜索
數(shù)據(jù)集服務(wù)的最新內(nèi)容
在自動(dòng)駕駛感知的下半場，數(shù)據(jù)已成為驅(qū)動(dòng)算法迭代的核心燃料。然而，真實(shí)路測(cè)數(shù)據(jù)面臨著成本高昂、標(biāo)注困難、極端場景（Corner Cases）難以覆蓋以及安全性受限等“卡脖子”問題。
面對(duì)這一核心痛點(diǎn)，虛擬仿真數(shù)據(jù)已成為解決方案中的關(guān)鍵角色，成為確保開發(fā)效率與安全性的不可或缺一環(huán)。免費(fèi)獲取 | SimData高保真虛擬數(shù)據(jù)集開源發(fā)布，兼容nuScenes，開箱即用！文章中，簡單介紹了一下SimData
<p>10月28日，Ansys官方『工業(yè)仿真的基礎(chǔ)數(shù)據(jù)庫：Granta數(shù)據(jù)集』研討會(huì)為您展開介紹Granta數(shù)據(jù)集在材料數(shù)據(jù)整合、材料屬性分析、智能推薦加速選材決策等等，感興趣的下滑預(yù)約學(xué)習(xí)??</p><p><br></p><p><br></p><figure style="text-align: center;" class="ql-align-center">
<figure class=
一、前言
在自動(dòng)駕駛感知系統(tǒng)的研發(fā)過程中，模型的性能高度依賴于大規(guī)模、高質(zhì)量的感知數(shù)據(jù)集。目前業(yè)界常用的數(shù)據(jù)集包括 KITTI、nuScenes、Waymo Open Dataset 等，它們?yōu)樽詣?dòng)駕駛算法的發(fā)展奠定了重要基礎(chǔ)。
然而，構(gòu)建真實(shí)世界的感知數(shù)據(jù)集并非易事——不僅需要投入大量人力、物力與時(shí)間成本，還需要面對(duì)數(shù)據(jù)采集受限、隱私合規(guī)、標(biāo)注耗時(shí)以及極端場景（corner case
<p>生活不易，貓貓賣藝。最近搗鼓一個(gè)數(shù)據(jù)集的公眾號(hào)，提供數(shù)據(jù)集出售、咨詢等，985算法團(tuán)隊(duì)???</p><p>各位老板有需要可以關(guān)注下公眾號(hào)</p><div contenteditable="false" width="100%"><figure class="figure-link" data-title="編程貓的算法屋" data-link="https://i-blog.csdnimg.cn
精彩直播預(yù)告
人工智能的快速發(fā)展帶動(dòng)基于深度學(xué)習(xí)的自動(dòng)駕駛技術(shù)有了長足的進(jìn)步，無論是基于傳統(tǒng)深度學(xué)習(xí)的自動(dòng)駕駛技術(shù)還是基于端到端的自動(dòng)駕駛技術(shù)，高質(zhì)量的數(shù)據(jù)獲取永遠(yuǎn)是關(guān)鍵。但是數(shù)據(jù)獲取通常面臨著著成本高，多場景難以覆蓋，數(shù)據(jù)標(biāo)注困難等一系列難題，導(dǎo)致數(shù)據(jù)獲取效率低，數(shù)據(jù)質(zhì)量不高。
海克斯康工業(yè)軟件旗下的自動(dòng)駕駛場景仿真軟件VTD，對(duì)常用傳感器如：激光雷達(dá)、相機(jī)、毫米波雷達(dá)等有真實(shí)的物理建模
YOLOV7：You Only Look Once目標(biāo)檢測(cè)模型在pytorch當(dāng)中的實(shí)現(xiàn)
所需環(huán)境
torch==1.2.0+
為了使用amp混合精度，推薦使用torch1.7.1以上的版本。
全部 代碼 ,預(yù)訓(xùn)練模型 獲取方式：
關(guān)注微信公眾號(hào) datayx 然后回復(fù) v7 即可獲取。
訓(xùn)練步驟
a、訓(xùn)練VOC07+12數(shù)據(jù)集
數(shù)據(jù)集的準(zhǔn)備
GSAUTO早新聞
01
余承東稱汽車芯片被炒太貴，自己無法接受
DONEWS
1 引言
隨著計(jì)算巖土力學(xué)技術(shù)的發(fā)展，邊坡穩(wěn)定性的概率分析技術(shù)越來越多地在實(shí)踐中得到了應(yīng)用。在過去三年的邊坡工程課程教學(xué)中，逐漸進(jìn)化出一個(gè)完善的邊坡穩(wěn)定性概率分析數(shù)據(jù)集，包括多種先進(jìn)的計(jì)算工具。
巖石邊坡穩(wěn)定性概率分析
巖石邊坡楔形體穩(wěn)定性概率分析(3)---節(jié)理剪切強(qiáng)度的隨機(jī)分布
巖石邊坡楔形體穩(wěn)定性概率分析(Probabilistic Analysis)---Part
北鯤云超算平臺(tái)如何為生命科學(xué)研究提供數(shù)據(jù)歸檔與存儲(chǔ)服務(wù)？
在人工智能、計(jì)算機(jī)、大數(shù)據(jù)等技術(shù)飛快演進(jìn)的大背景下，生命科學(xué)如何與它們互相交叉、融合、滲透乃至賦能，實(shí)現(xiàn)乘法效應(yīng)甚至指數(shù)級(jí)效應(yīng)，已成為全球科學(xué)界新的風(fēng)口趨勢(shì)。這也是北鯤云超算平臺(tái)自成立以來始終在嘗試做的事情。
作為生命科學(xué)的基礎(chǔ)學(xué)科，從全球來看，DNA測(cè)序儀每年能產(chǎn)生大約150億兆（PB）字節(jié)的數(shù)據(jù)（這一數(shù)據(jù)仍在迅速增長）；
作者 | 維維@知乎
來源 | https://zhuanlan.zhihu.com/p/402128801
1. 點(diǎn)云分類(羅蒙諾索夫莫斯科國立大學(xué))
Legend: red — ground, black — building, navy — car, green — tree, cyan — low-vegetation
