智能化巡检无人机视角道路损伤分割数据集2412张yolovoccoco三种标注方式图像尺寸:640*640类别数量:6类训练集图像数量:1588; 验证集图像数量:441 测试集图像数量:383类别名称: 每一类图像数 每一类标注数Transverse crack - 横向裂缝2128, 6298Alligator crack - 龟裂402, 648Oblique crack - 斜向裂缝823, 1809Pothole - 坑洞150, 228Longitudinal crack - 纵向裂缝1214, 3613Repair - 修补218, 384image num: 2412一、无人机视角道路损伤分割数据集 完整文档1.1 数据集基础信息表项目详情数据集名称无人机视角道路损伤分割数据集总图像数量2412 张图像分辨率640×640标注格式YOLO、VOC、COCO 三种格式总类别数6 类训练集1588 张验证集441 张测试集383 张1.2 类别明细图像数 标注框数量序号英文类别中文类别含该类别图像数标注框总数0Transverse crack横向裂缝212862981Alligator crack龟裂4026482Oblique crack斜向裂缝82318093Pothole坑洞1502284Longitudinal crack纵向裂缝121436135Repair路面修补2183841.3 YOLO 类别名称列表names[Transverse crack,Alligator crack,Oblique crack,Pothole,Longitudinal crack,Repair]二、数据集应用场景无人机道路巡检高空航拍路面图像自动识别裂缝、坑洞、修补区域实现道路智能化巡检。公路养护检测市政、交通部门批量筛查路面病害定位破损位置辅助养护规划。智慧交通系统道路监控、车载/航拍视觉算法训练路面缺陷实时预警。深度学习算法研发语义分割、目标检测模型训练、对比实验、学术研究与竞赛。边缘设备部署巡检终端、嵌入式设备、车载终端落地现场快速检测道路损伤。三、YOLOv11 训练全套代码3.1 环境依赖安装pipinstallultralytics opencv-python numpy pillow3.2 数据集配置文件road_damage.yaml# 数据集根路径请根据本地实际路径修改path:./road_damage_datasettrain:images/trainval:images/valtest:images/test# 类别数量nc:6# 类别对应关系names:0:Transverse crack1:Alligator crack2:Oblique crack3:Pothole4:Longitudinal crack5:Repair3.3 训练主代码train_road.pyfromultralyticsimportYOLOdeftrain_road_damage():# 加载模型yolov11n/s/m/l/x按需选择modelYOLO(yolov11n.yaml)# 训练参数配置model.train(dataroad_damage.yaml,epochs100,imgsz640,batch16,device0,# GPU 编号无GPU改为 devicecpuworkers4,patience12,ampTrue,mosaic1.0,projectruns/train,nameroad_damage_det,exist_okTrue)print(训练完成)if__name____main__:train_road_damage()3.4 推理测试代码predict.pyfromultralyticsimportYOLO# 加载训练好的最优权重modelYOLO(runs/train/road_damage_det/weights/best.pt)# 单图推理resultsmodel(test.jpg,saveTrue,conf0.25)# 文件夹批量推理# results model(./test_images/, saveTrue, conf0.25)# 视频推理# results model(test.mp4, saveTrue)3.5 标准目录结构road_damage_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ # YOLO txt标签 │ ├── train/ │ ├── val/ │ └── test/ ├── VOC/ # VOC xml标签独立文件夹存放 ├── COCO/ # COCO json标签独立文件夹存放 └── road_damage.yaml–