智慧驾驶道路缺陷检测科研专用】道路缺陷检测数据集3类2128张YOLO格式【数据集规格】• 文件待定下单后自动发送具体文件• 格式标准YOLO txt标注附完整data.yaml解压即用• 规模2128张图像 / 5095个标注框自动过滤1条无效标注• 划分训练集2009张 · 验证集119张• 类别3类pothole坑洞、crack裂缝、manhole井盖【数据特性】• 分辨率标准训练尺寸640px适配YOLO输入• 标注规范全YOLO格式归一化坐标兼容YOLOv8/v10/v11/v26等全系列• 附赠资料5张分析图表子集分布/类别分布/尺寸分布/BBox统计等官方推荐训练参数直接复制即可运行• 数据提示⚠️小目标占比31.0%坑洞多为小目标类别分布较均衡裂缝52.1%/坑洞28.8%/井盖19.0%已附针对性优化建议提高输入分辨率/mosaic增强降低试错成本【YOLO26推荐训练参数】• epochs100 batch16imgsz640• optimizer‘AdamW’ ampTruecacheTrue• save_period25 | workers8显存不足可调低【适用场景】• YOLO系列道路缺陷检测模型训练与对比实验• 市政巡检、路面养护相关算法研究• 计算机视觉算法开发、模型性能验证• 自动驾驶感知系统预研道路缺陷检测数据集科研专用一、数据集信息汇总表项目详细参数数据集名称道路缺陷检测数据集任务类型目标检测兼容YOLOv8/v10/v11/v26全系图像总量2128张标注框总数5095个已过滤无效标注数据集划分训练集2009张验证集119张检测类别3类pothole坑洞、crack裂缝、manhole井盖图像分辨率640px标准尺寸适配YOLO模型输入标注格式标准YOLO TXT归一化坐标标注附带data.yaml配置文件样本特征小目标占比31.0%坑洞多为小目标类别分布裂缝52.1%、坑洞28.8%、井盖19.0%配套资料子集分布、类别分布、BBox尺寸分布等5项统计图表 专属训练优化方案二、数据集yaml配置 road_defect.yamlpath:./road_defect_datasettrain:images/trainval:images/valnc:3names:0:pothole1:crack2:manhole三、YOLOv26 官方推荐训练代码fromultralyticsimportYOLOdeftrain_road_defect():# 加载YOLOv26预训练权重也可替换YOLOv8/v11权重modelYOLO(yolo26s.pt)resultsmodel.train(data./road_defect_dataset/road_defect.yaml,epochs100,imgsz640,batch16,optimizerAdamW,ampTrue,cacheTrue,save_period25,workers8,#显存不足修改为0~4augmentTrue,mosaic1.0,#针对大量小目标增强projectruns/train,nameroad_defect_detect,exist_okTrue)#验证评估metricsmodel.val()print(fmAP0.5{metrics.box.map50:.4f})if__name____main__:train_road_defect()四、推理预测代码fromultralyticsimportYOLO modelYOLO(runs/train/road_defect_detect/weights/best.pt)if__name____main__:resultmodel.predict(sourcetest.jpg,#支持图片/视频/摄像头conf0.25,iou0.45,saveTrue)五、直接复制发布正文标题【科研专用】道路缺陷检测数据集3类2128张 YOLO标准格式正文道路路面缺陷检测科研数据集标准YOLO格式解压直接训练适配YOLOv8/v10/v11/v26全系列。数据概况共2128张图像5095个有效标注框训练集2009张验证集119张识别类别坑洞pothole、裂缝crack、井盖manhole样本640标准尺寸31%小目标样本附带类别分布统计图表。科研优势类别分布清晰裂缝、坑洞、井盖真实道路场景采集附带针对性训练优化方案解决路面小目标漏检问题。附赠全套统计分析图表推荐训练参数省去数据统计、调参试错时间。✅适用方向市政道路智能巡检、路面病害自动化养护、自动驾驶道路感知、计算机视觉课题实验、毕业论文算法研究。⚠️备注虚拟数据集资源下单后发送全套文件。六、关键词标签#道路缺陷数据集 #路面坑洞裂缝检测 #YOLO数据集 #市政智能巡检 #自动驾驶感知 #道路病害检测 #计算机视觉科研数据集