岩石分类数据集核心信息表与要素解析

类别

在这里插入图片描述

Classes (3) 类别（3）
Igneous
火成岩
Metamorphic
变质岩
Sedimentary
沉积岩

岩石分类数据集核心信息表

在这里插入图片描述

核心维度具体内容
分类类别覆盖岩石三大基础成因类型：火成岩（Igneous）、变质岩（Metamorphic）、沉积岩（Sedimentary），精准匹配地质研究核心分类体系
数据数量含 1197 张标注图像（约 1.2k 张），规模可满足轻量级目标检测模型训练与验证，兼顾数据多样性与标注效率
数据集格式种类适配计算机视觉目标检测任务标准格式，支持主流深度学习框架（如 PyTorch、TensorFlow）直接调用，降低数据预处理成本
最重要应用价值1. 为地质勘探场景提供自动化岩石识别技术基础，替代传统人工野外鉴别，提升勘探效率；2. 助力矿业、建筑行业原料分选，减少人工误差；3. 作为教学与科研样本库，支撑岩石分类算法优化与创新

数据三要素概述在这里插入图片描述

从类别维度看，该数据集聚焦岩石成因的三大核心类别，既覆盖了地质研究中最基础的分类体系，又避免了类别过多导致的标注混乱，能精准满足目标检测模型对 “类别聚焦性” 的需求，为后续模型训练提供清晰的标签逻辑。
在这里插入图片描述

在数量层面，1197 张标注图像的规模，既突破了小样本数据集泛化能力弱的局限，又无需承担超大规模数据的标注成本，是平衡 “训练效果” 与 “数据获取效率” 的最优区间之一，可快速支撑算法原型验证与迭代优化。
在这里插入图片描述

分辨率方面，虽未直接标注具体参数，但结合其适配目标检测任务的特性及实际应用场景（如野外勘探、原料分选）可推断，图像分辨率能清晰呈现岩石纹理、结构等关键特征 —— 这是确保模型能准确区分不同类别岩石的核心前提，为后续特征提取与分类精度提供了基础保障。

# 人工智能 # 自动化 # 分类
Logo
天工造物局

北京人形旗下天工造物具身智能开源社区，聚焦具身天工与慧思开物两大平台

更多推荐

deck.gl TripsLayer 出租车轨迹动画示例实战：从示例运行到着色器原理

TripsLayer 是 deck.gl 中用于渲染**随时间流动的轨迹动画**（如出租车行程、物流路径、迁徙路线）的核心图层。本文以仓库中的最小独立示例 [examples/website/trips](https://link.gitcode.com/i/1442af8f442f4cff39ff546e050fceb5) 为骨架，带你完成从安装依赖、启动应用、理解曼哈顿出租车数据格式，到深入

avatar 天工造物局

Foundry Anvil 中 eth_simulateV1 的 Blob 交易与 Blob Gas 字段规范化：原理、实现与测试验证

本篇技术指南以 [anvil-simulate-blob-transactions.md](https://link.gitcode.com/i/3d2ebe227262de169335eb290af80da8) 这条 changelog 条目为起点，深入剖析 Foundry Anvil 对 `eth_simulateV1` RPC 返回结果中 blob（EIP-4844）交易与 blob gas

avatar 天工造物局

LMCache CLI 实战：用 `lmcache kvcache clear` 管理运行中服务的 KV Cache 状态

本文是一份针对 LMCache 官方 CLI 命令 `lmcache kvcache` 的完整技术指南。该命令用于在**运行中的 LMCache 服务（MP HTTP server）**上管理 KV cache 状态，当前提供 `clear` 子命令，用于清空 L1（CPU 内存）层中缓存的全部 KV 数据。读完本文，你将掌握该命令的完整参数体系、退出码语义、终端/JSON/静默三种输出模式，并能

avatar 天工造物局