智能分拣宝石矿石分割数据集、多类别矿物实例分割、YOLOv11n-seg矿石分割代码、15类矿物分割数据、地质勘探AI检测数据集、矿石品类识别数据集、矿石智能分拣AI源码、矿物识别分割模型、地质图像实例分割数据集1343张yolovoccoco三种标注方式图像尺寸:640*640类别数量:15类训练集图像数量:941; 验证集图像数量:135 测试集图像数量:267类别名称: 每一类图像数 每一类标注数gypsum - 石膏187, 235calcite - 方解石541, 1369silver - 银364, 664tantalite - 钽铁矿44, 45cuprite - 铜矿石147, 338limonite - 褐铁矿15, 20gold - 金182, 521prehnite - 磷灰石241, 325erythrite - 红砷镍矿64, 140benitoite - 蓝宝石50, 73copper - 铜263, 444opal - 玉髓88, 103pyrite - 黄铁矿260, 440magnetite - 磁铁矿133, 273halite - 岩盐34, 45image num: 1343一、宝石矿石分割数据集信息表项目详情数据集名称宝石矿石实例分割数据集总图片数1343张图像尺寸640×640标注格式YOLO、VOC、COCO类别总数15类训练集941张验证集135张测试集267张gypsum石膏图像数187标注数235calcite方解石图像数541标注数1369silver银图像数364标注数664tantalite钽铁矿图像数44标注数45cuprite铜矿石图像数147标注数338limonite褐铁矿图像数15标注数20gold金图像数182标注数521prehnite磷灰石图像数241标注数325erythrite红砷镍矿图像数64标注数140benitoite蓝宝石图像数50标注数73copper铜图像数263标注数444opal玉髓图像数88标注数103pyrite黄铁矿图像数260标注数440magnetite磁铁矿图像数133标注数273halite岩盐图像数34标注数45训练模型YOLOv11n-seg训练轮次80 epoch模型代码模型训练使用yolov11n-seg训练80个epoch训练结果map如描述图所示。qt界面运行界面采用pyqt编写本项目已经训练好模型配置好环境后可直接使用运行效果见描述图像二、YOLOv11n-seg 代码1. 配置文件ore_gem_seg.yamlpath:./datasets/ore_gemtrain:images/trainval:images/valtest:images/testnc:15names:0:gypsum1:calcite2:silver3:tantalite4:cuprite5:limonite6:gold7:prehnite8:erythrite9:benitoite10:copper11:opal12:pyrite13:magnetite14:halite2. 训练、评估、推理代码fromultralyticsimportYOLOimportwarnings warnings.filterwarnings(ignore)deftrain_ore_seg():modelYOLO(yolo11n-seg.pt)model.train(dataore_gem_seg.yaml,epochs80,imgsz640,batch8,device0,workers4,patience15,projectruns/segment,nameore_gem_segment,saveTrue,valTrue)print(矿石宝石分割模型训练完成)defeval_model():modelYOLO(runs/segment/ore_gem_segment/weights/best.pt)metricsmodel.val(dataore_gem_seg.yaml,imgsz640)print(f检测mAP0.5:{metrics.box.map50:.4f})print(f分割mAP0.5:{metrics.seg.map50:.4f})defseg_predict(source):modelYOLO(runs/segment/ore_gem_segment/weights/best.pt)resultsmodel.predict(sourcesource,imgsz640,conf0.4,saveTrue,show_masksTrue,show_labelsTrue)returnresultsif__name____main__:train_ore_seg()eval_model()# seg_predict(test.jpg)三、PyQt界面说明基于PyQt开发可视化操作界面内置训练完成的模型权重。配置运行环境后可直接使用支持图片、视频、实时画面的矿石分割识别展示分割掩码、类别、置信度支持结果保存导出全程图形化操作。四、应用场景矿产勘探现场快速识别、分割各类矿石与宝石辅助矿产筛查矿物分拣工业流水线矿石智能分类、形态分割检测科普教学地质、矿物相关专业实训、课程设计与毕业设计藏品鉴定辅助宝石、矿石品类智能识别与区分算法研究多类别小样本实例分割算法测试与优化 智能分拣宝石矿石分割数据集、多类别矿物实例分割、YOLOv11n-seg矿石分割代码、15类矿物分割数据、地质勘探AI检测数据集、矿石品类识别数据集、矿石智能分拣AI源码、矿物识别分割模型
智能分拣宝石矿石分割数据集、多类别矿物实例分割、YOLOv11n-seg矿石分割代码、15类矿物分割数据、地质勘探AI检测数据集、矿石品类识别数据集、矿石智能分拣AI源码、矿物识别分割模型、地质图像实例分割数据集1343张yolovoccoco三种标注方式图像尺寸:640*640类别数量:15类训练集图像数量:941; 验证集图像数量:135 测试集图像数量:267类别名称: 每一类图像数 每一类标注数gypsum - 石膏187, 235calcite - 方解石541, 1369silver - 银364, 664tantalite - 钽铁矿44, 45cuprite - 铜矿石147, 338limonite - 褐铁矿15, 20gold - 金182, 521prehnite - 磷灰石241, 325erythrite - 红砷镍矿64, 140benitoite - 蓝宝石50, 73copper - 铜263, 444opal - 玉髓88, 103pyrite - 黄铁矿260, 440magnetite - 磁铁矿133, 273halite - 岩盐34, 45image num: 1343一、宝石矿石分割数据集信息表项目详情数据集名称宝石矿石实例分割数据集总图片数1343张图像尺寸640×640标注格式YOLO、VOC、COCO类别总数15类训练集941张验证集135张测试集267张gypsum石膏图像数187标注数235calcite方解石图像数541标注数1369silver银图像数364标注数664tantalite钽铁矿图像数44标注数45cuprite铜矿石图像数147标注数338limonite褐铁矿图像数15标注数20gold金图像数182标注数521prehnite磷灰石图像数241标注数325erythrite红砷镍矿图像数64标注数140benitoite蓝宝石图像数50标注数73copper铜图像数263标注数444opal玉髓图像数88标注数103pyrite黄铁矿图像数260标注数440magnetite磁铁矿图像数133标注数273halite岩盐图像数34标注数45训练模型YOLOv11n-seg训练轮次80 epoch模型代码模型训练使用yolov11n-seg训练80个epoch训练结果map如描述图所示。qt界面运行界面采用pyqt编写本项目已经训练好模型配置好环境后可直接使用运行效果见描述图像二、YOLOv11n-seg 代码1. 配置文件ore_gem_seg.yamlpath:./datasets/ore_gemtrain:images/trainval:images/valtest:images/testnc:15names:0:gypsum1:calcite2:silver3:tantalite4:cuprite5:limonite6:gold7:prehnite8:erythrite9:benitoite10:copper11:opal12:pyrite13:magnetite14:halite2. 训练、评估、推理代码fromultralyticsimportYOLOimportwarnings warnings.filterwarnings(ignore)deftrain_ore_seg():modelYOLO(yolo11n-seg.pt)model.train(dataore_gem_seg.yaml,epochs80,imgsz640,batch8,device0,workers4,patience15,projectruns/segment,nameore_gem_segment,saveTrue,valTrue)print(矿石宝石分割模型训练完成)defeval_model():modelYOLO(runs/segment/ore_gem_segment/weights/best.pt)metricsmodel.val(dataore_gem_seg.yaml,imgsz640)print(f检测mAP0.5:{metrics.box.map50:.4f})print(f分割mAP0.5:{metrics.seg.map50:.4f})defseg_predict(source):modelYOLO(runs/segment/ore_gem_segment/weights/best.pt)resultsmodel.predict(sourcesource,imgsz640,conf0.4,saveTrue,show_masksTrue,show_labelsTrue)returnresultsif__name____main__:train_ore_seg()eval_model()# seg_predict(test.jpg)三、PyQt界面说明基于PyQt开发可视化操作界面内置训练完成的模型权重。配置运行环境后可直接使用支持图片、视频、实时画面的矿石分割识别展示分割掩码、类别、置信度支持结果保存导出全程图形化操作。四、应用场景矿产勘探现场快速识别、分割各类矿石与宝石辅助矿产筛查矿物分拣工业流水线矿石智能分类、形态分割检测科普教学地质、矿物相关专业实训、课程设计与毕业设计藏品鉴定辅助宝石、矿石品类智能识别与区分算法研究多类别小样本实例分割算法测试与优化