本文主要是介绍深度学习数据集大合集—鱼类数据集，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
最近收集了一大波有关于各类鱼类的数据集，有淡水鱼、有深海鱼、有鱼的状态、有鱼的分类。大家可以详细查看。废话不多说，接下下来逐一的给大家介绍！！
1、鱼类检测数据集
包含鱼类的对象检测数据集
本数据集包含4种鱼类及其相关的.xm[文件。这可以用于物体检测。
该物种是:Catla、Silver、Gulfaam、Grass
共254张图片。
数据查看地址：https://www.dilitanxianjia.com/13902/
2、鱼类分割和分类的大规模数据集
用于鱼类分割和分类的大规模数据集
此数据集包含9种不同的海鲜，它们都是从土耳其伊兹密尔的一家超市采集的为伊兹密尔经济大学的一个校企合作项目，而这项工作发表于美国大学2020。
数据集包括金头朝、红、海、红鱼、马鱼
黑海子、条纹红鱼、鱼、虾图像样本。。
数据收集设备和数据增强：通过柯达EasyshareZ650和三星ST60这两个不同的相机采集图像
因此，图像的分辨率分别为2832x2128、1024x768。
在分割、特征提取和分类过程之前，数据集的大小调整为590x445
通过保持长宽比。调整图像大小后，数据集中的所有标签都被增强 (通过翻转和旋转)在增强过程结束时，每个类的总图像的数量成为2000;1000的RGB鱼图像为他们的配对真相标签。
数据集的说明：数据集包含9种不同的海鲜类型。对于每一个类，有1000个增强图像和他们的成对增强地面真理每个类都可以在“Fish_Dataset”文件中找到，并带有它们的基本事实标签。每个类别的所有图像的顺序是从“00000.png”到“01000.png例如，如果要访问数据集中虾的地面真实图像，应该遵循的顺序是“Fish-Shrimp-Shrimp GT”
共18300张图片。
数据查看地址：https://www.dilitanxianjia.com/13899/
3、有鱼或无鱼的训练和测试集图片数据集
有鱼或无鱼的训练和测试集图像数据集
包含测试集和训练集，共20000多张图片；
有鱼和没有鱼的各占一半。
数据查看地址：https://www.dilitanxianjia.com/13896/
4、用于图像分类任务的不同海洋生物的图像数据集
海洋动物图像数据集
用于图像分类任务的不同海洋生物的图像。
数据集包含不同的海洋动物图像。部分图片来自pixabay.com，使用时无需授权或署名。目前，有19个不同的类可用，并可能在未来进一步扩展。图像的大小调整为300px.n)或(.300px)其中n是小于300像素的像素大小。
数据查看地址：https://www.dilitanxianjia.com/13892/
5、用于水下语义分割的大规模数据集
水下图像的语义分割
用于水下语义分割的大规模数据集
关于数据集
此数据集包含超过1500个图像像素注释的八个对象类别:鱼(脊椎动物)，珊瑚礁(无脊椎动物) ，水生植物，沉船/废墟，人类潜水员，机器人和海底
它还包括一个包含110张图片的测试集
所有图像都具有可变分辨率，可用于基准测试(320x240)或 (320x256)大小。
作为基准数据集用于水下图像分割。
数据查看地址：https://www.dilitanxianjia.com/13889/
6、用于目标检测的Yolov5PyTorch格式水下生物数据集
水下目标检测数据集
用于目标检测的Yolov5PyTorch格式水下生物数据集
关于数据集信息
该数据集包含7类水下生物，并为每种动物提供了bbox位置
数据集已经被分割成训练集、验证集和测试集
数据它包括638张图片。
生物被注释为YOLOv5PyTorch格式
对每张图像进行了以下预处理:
像素数据的自动定向(带EXIF定向剥离).
大小调整为1024x1024(适合内)
包含：鱼，水母，企鹅，海雀，鲨鱼，海星，黄貂鱼
数据查看地址：https://www.dilitanxianjia.com/13886/
7、用于对象检测的YOLO格式标注的大规模深海鱼类图像数据集
用于对象检测的YOLO格式标注的大规模鱼类数据集
该数据集包含数千张高分辨率图像，展示了各种各样的鱼类。根据YOLO数据集标准，每个图像文件与相应的注释文件(.txt文件)相关联。这些注释文件包含边界框的坐标，封装在每个图像中的鱼和各自的类，这些鱼。需要注意的一点是，限界框注释是根据图像的尺寸进行规范化的，范围在0到1之间。
该数据集的首要目标是促进发展的对象检测模型，可以有效地检测和分类不同类型的鱼在水下图像或视频。这种模型的应用可以扩展到广泛的领域，从生态学和生物学研究到渔业自动化的进步。
尽管数据集没有被划分为单独的训练、验证或测试子集，但我们鼓励用户根据自己的需求和模型开发流程进行这样的划分。
共6517张图片。
数据查看地址：https://www.dilitanxianjia.com/13883/
8、印度南亚大陆的鱼类识别的目标检测数据集
用于鱼类识别的目标检测数据集；
基于深度学习的鱼类种群识别，用于种群分析。
最初的270张图像的5种鱼类，主要发现在印度次大陆，即Catla (塔拉)，白 (鱼)，!罗氏野、鲤(鲤)草鱼是从。
然后将图像大小调整为640x640像素。Varoius数据增强技术，以消除类的不平衡，使图像的数量在五个类中的每一个是200。最后创建了一个包含1033张图像的数据集。
然后用PascalVOC格式的限界框标注对所有图像进行标注，生成目标检测数据集。然后将数据集拆分为训练、验证和测试数据集的7020:10。
数据查看地址：https://www.dilitanxianjia.com/13880/
9、入侵狮子鱼-物体检测图像数据集
入侵狮子鱼-物体检测
通过检测入侵的狮子鱼，帮助拯救本地加勒比物种!
该数据集由565张图像组成，标记为YOLOv5格式的边界框，并分成训练/评估/测试桶进行对象检测。
数据查看地址：https://www.dilitanxianjia.com/13877/
10、六种不同种类的水母图像数据集
六种不同种类的水母
1.月水母(学名Aurelia aurita): 常见的水母，从半透明的钟状体顶端可以看到四个马蹄形的生殖腺。它以触须收集水母、浮游生物和软体动物为食。
2.桶形水母(学名Rhizostoma pulmo): 英国水域中最大的水母，有一个铃状体，直径可达90厘米。它以浮游生物和小鱼为食，用触须捕捉它们。
3.蓝水母:大型水母，直径可达30厘米。它以浮游生物和小鱼为食，用触须捕捉它们。
4.罗盘水母:因其铃销上有类似罗盘玫瑰的棕色斑纹而得名。它靠触须捕食浮游生物和小鱼。5.狮繁水母(Cvanea capillata):世界上最大的水母，有一个直径可长到2米的铃铛，触手可达30米长。它以浮游生物和小鱼为食，用触须捕捉它们。
6.淡紫色刺水母(学名Pelagia noctiluca):一种小型水母，有长长的触须，钟状结构上布满毒刺细胞。它以其他小型水母和海鞘为食。
共1879张图片，每类已经按照类型进行分类；
数据查看地址：https://www.dilitanxianjia.com/13874/
11、卡布姚市马林尼格渔港可以找到的鱼类品种
鱼类数据集
在卡布姚市马林尼格渔港可以找到的鱼类品种，共13304张图片；
数据查看地址：https://www.dilitanxianjia.com/13870/
12、加勒比海巴巴多斯附近水域的鹦鹉图片数据集
加勒比海巴巴多斯附近水域的鹦鹉图片
该数据集包含目标鱼类的图像数据。
它在本质上是分类的，用于计算机视觉。
此数据集包含鱼在不同自然位置、光照和水条件下的图像
鱼是在那里的自然环境中出现的。
一些图像可能包含一个以上的目标物种的成员，或者它可能包含另一个物种，而不是占主导地位的可能会影响训练过程
数据收集时间:2020年8月至11月。
数据收集地点:巴巴多斯。
一般日期坐标:13.1939N，59.5432W。
数据采集深度范围:OM至5m。
数据收集气候:热带，海洋，海洋
平均水温29摄氏度
数据收集者:SAntonio Hollingsworth
相机使用:BW Space Pro4K变焦
平台:水下机器人。
共2332张图片。
数据查看地址：https://www.dilitanxianjia.com/13867/
13、东北大西洋地区200多种鱼类和贝类的年名义渔获量数据
东北大西洋地区200多种鱼类和贝类的年名义渔获量数据。2004年到2004年；
该数据集提供了东北大西洋地区超过200种鱼类和贝类的年度名义渔获量数据，这些数据由20个国际海洋考察理事会 (ICES)成员国在2006年和2014年之间正式提交。
数据查看地址：https://www.dilitanxianjia.com/13864/
14、淡水鱼分类7.000幅30种鱼类的图像，用于分类和OD注释
荷兰淡水鱼类
7.000幅30种鱼类的图像，用于分类和OD注释；
30常见的淡水鱼品种的荷兰，由钓鱼者拍摄
此数据集包含荷兰的淡水鱼图像:
7.000+图片总数
30种不同的物种
每种物种100-500张图片
图像按物种分组在一个文件夹中，用于分类培训
每个图像包含一个YOLO文件，用于对象检测训练；
数据查看地址：https://www.dilitanxianjia.com/13861/
15、从侧面透视的边界框注释斑马鱼图像数据集
斑马鱼再识别数据集
从侧面透视的边界框注释斑马鱼
基于度量学习的斑马鱼再识别
斑马鱼通常被生物学家用来测试和分析不同的药物、群体行为等。然而，斑马鱼的运动模式非常不稳定，因此很难追踪。因此，为了连接生成的tracklet，重新识别是跟踪管道中必不可少的一步。斑马鱼的跟踪传统上进行了顶视图为重点的方法，抛弃了视觉上丰富的侧视图的角度。
这是第一个公开可用的数据集限界框注斑马鱼，记录从侧视角度和颜色。在丹麦奥尔堡大学的实验室环境中被记录下来。总共记录了六条鱼，每次三条鱼，共记录了两次。
使用一个32X32X32厘米的鱼缸，鱼被限制在鱼缸的前35厘米内游泳。一个IDSUI
3070CP Rev.2相机和KOWALM16HC镜头用于拍摄布景，两个Kino Diva-Lite 401-230工作室灯用于照明布景
每个视频的限界框注释使用AAU VAP限界框注释器。所有的鱼与时间上一致的ID标签，以及限界框的位置注释。还包括四个布尔元数据标签:
右-无论鱼是否指向右边
转弯一一无论鱼是否在转弯/游向某个角度
闭塞-无论鱼是否是闭塞的一部分
相机/图像故障是否发生在限界框内。
数据查看地址：https://www.dilitanxianjia.com/13858/
16、468种鱼类约4000幅图像的数据集
包含468种鱼类约4000幅图像的数据集。
鱼类数据集目前包括从468个物种收集的3960张图像
数据包括在3个条件下捕获的鱼的真实世界的图像定义为“控制”，“出的水”和“原位”“受控”的图像包括鱼标本，它们的绪展开，对一个恒定的背景和控制照明。
“原位”图像是鱼在其自然栖息地的水下图像，因此没有对背景或照明的控制。“出水”的图像包括鱼标本，采取了不同的背景和有限的控制照明条件的水。
数据查看地址：https://www.dilitanxianjia.com/13851/
17、亚马逊流域四种鱼类图像的小数据集
亚马逊流域四种鱼类图像的小数据集；
一共4类；共172张图片。
数据查看地址：https://www.dilitanxianjia.com/13855/
18、20种地中海鱼类图片的训练和测试集
20种地中海鱼类的训练和测试集
共40000张图片；已经做好分类；每类1700张左右；
数据查看地址：https://www.dilitanxianjia.com/13847/
后面持续为大家及时更新更多高质量深度学习数据集！！
这篇关于深度学习数据集大合集—鱼类数据集的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
