简介本资源为面向YOLO系列目标检测算法的下水管道缺陷检测数据集适用于从事管道巡检、市政设施维护与工业视觉检测的开发者及研究人员可解决缺陷样本稀缺、标注格式不统一等问题。压缩包共2000个文件约33.89MB包含980张jpg图像、980个txt标签、980个xml标签及1个data.yaml配置文件同时提供YOLO与VOC两种标注格式便于直接训练与验证。数据集已按训练测试需求划分覆盖关节偏移、障碍物、裂纹、带扣、洞、公用设施入侵、碎片等类别标签坐标采用归一化比例值兼容yolov5、yolov8、yolov9、yolov7、yolov10及yolo11等主流版本。目前已有417人学习下载读者可快速获得一套开箱即用的管道缺陷检测训练素材省去自行采集与标注成本并借助双格式标签灵活适配不同框架为模型对比实验与工程落地提供便利。1. 下水管道缺陷检测980 张带标签图像能撑起一个 YOLO 项目吗城市地下排水管网里关节偏移、障碍物、裂纹、带扣、洞、公用设施入侵、碎片这七类缺陷靠人工下井排查效率极低一段几百米的管道往往要封路、抽水、通风成本高得离谱。用 YOLO 做管道缺陷检测把巡检摄像头拍到的画面直接喂给模型实时框出缺陷位置和类别是目前市政检测领域落地最快的一条路。这个标题给的是一个 980 张图像、带标签、覆盖七类缺陷的数据集格式是常见的 zip 压缩包。它解决的不是从零标注的问题而是拿到一批已经标好的管道缺陷图怎么快速训出一个能用的检测模型。适合两类人一类是做市政巡检设备、想加视觉能力的嵌入式工程师另一类是刚入门 YOLO、想找一个真实工业场景练手的目标检测新手。980 张这个量级不算大但七类缺陷分布不均怎么划分、怎么增强、怎么防止过拟合才是这个数据集真正要回答的问题。2. 先看清数据七类缺陷的分布与标注格式决定了训练策略拿到一个带标签的缺陷数据集第一件事不是急着写训练脚本而是把数据摸清楚。管道缺陷检测和通用目标检测最大的区别在于缺陷的形态差异极大裂纹是细长条洞是近似圆形关节偏移是结构性错位碎片和障碍物则是无规则块状。这直接决定了 anchor 尺寸、输入分辨率、增强方式的选择。2.1 七类缺陷的视觉特征与检测难度分级把标题里的七类缺陷按检测难度排一下心里有个底缺陷类别典型形态检测难度主要干扰因素裂纹细长、低对比度高管道内壁纹理、光照不均关节偏移环形错位、结构线中与正常接缝混淆障碍物块状、遮挡管道低尺寸变化大带扣局部凸起、金属件中反光、锈蚀洞圆形暗区中与阴影混淆公用设施入侵线缆、管件穿入中形态多样碎片无规则小块高与背景杂物难分裂纹和碎片是最容易翻车的两类。裂纹因为细长在 640 分辨率下可能只占几个像素宽YOLO 的下采样很容易把它丢掉碎片则因为形态无规则标注框的松紧程度直接影响回归质量。常见做法是裂纹类单独提高输入分辨率或者在数据增强时避免过度缩放。2.2 标注格式确认与类别不平衡统计YOLO 训练要求标签是每张图一个 txt每行格式为类别索引 中心x 中心y 宽 高坐标全部归一化到 0-1。拿到 zip 解压后先确认标签是 YOLO 格式还是 VOC/COCO 格式。如果是 XML 或 JSON需要转换。下面这段脚本用来统计每个类别的实例数判断是否存在严重不平衡import os from collections import Counter label_dir labels/train # 标签目录 class_names [关节偏移, 障碍物, 裂纹, 带扣, 洞, 公用设施入侵, 碎片] counter Counter() for fname in os.listdir(label_dir): if not fname.endswith(.txt): continue with open(os.path.join(label_dir, fname)) as f: for line in f: parts line.strip().split() if len(parts) 5: counter[int(parts[0])] 1 for idx, name in enumerate(class_names): print(f{name}: {counter[idx]} 个实例) print(f总实例数: {sum(counter.values())})这段代码的逻辑很直接遍历标签目录下所有 txt按每行第一个字段类别索引计数。参数上唯一要注意的是class_names的顺序必须和标注时的类别映射一致否则统计结果会张冠李戴。跑完之后如果发现某一类实例数不到总数的 5%比如洞只有几十个那训练时就要考虑对这类做过采样或者用 focal loss 缓解。2.3 训练集/验证集划分980 张怎么分才不浪费980 张图像如果按 8:2 划分验证集只有 196 张七类缺陷平均下来每类在验证集里可能只有十几张评估指标波动会很大。我一般会按 7:2:1 分成训练、验证、测试三份测试集单独留出来做最终评估不参与任何调参。划分时要注意同一段管道拍摄的连续帧不能同时出现在训练集和验证集里否则验证指标会虚高。如果数据里有视频帧序列按管道段 ID 分组划分而不是随机按图划分。import os, random, shutil random.seed(42) img_dir images all_imgs [f for f in os.listdir(img_dir) if f.endswith((.jpg, .png))] random.shuffle(all_imgs) n len(all_imgs) train all_imgs[:int(n*0.7)] val all_imgs[int(n*0.7):int(n*0.9)] test all_imgs[int(n*0.9):] for split, files in [(train, train), (val, val), (test, test)]: os.makedirs(fdataset/{split}/images, exist_okTrue) os.makedirs(fdataset/{split}/labels, exist_okTrue) for f in files: shutil.copy(os.path.join(img_dir, f), fdataset/{split}/images/{f}) label os.path.splitext(f)[0] .txt src os.path.join(labels, label) if os.path.exists(src): shutil.copy(src, fdataset/{split}/labels/{label})random.seed(42)保证每次划分结果一致方便复现。如果数据本身有分组信息把random.shuffle换成按组划分的逻辑。划分完检查一下每个 split 里七类的实例数确保验证集里每类至少有 10 个实例否则评估没有意义。3. 用 YOLOv8 跑通第一版从环境到训练命令的完整链路数据摸清楚之后进入训练环节。选 YOLOv8 而不是 v5 或 v7主要原因是 ultralytics 这套框架的 API 足够简洁训练、验证、导出一条龙对新手友好而且 v8 的 anchor-free 头对小目标比 v5 更稳管道缺陷里的小裂纹、小碎片受益明显。下面从环境装起一步步跑到第一版权重出来。3.1 环境安装与数据集 yaml 配置先建一个干净的 Python 环境装 ultralyticsconda create -n pipe_yolo python3.10 -y conda activate pipe_yolo pip install ultralytics opencv-python装完之后验证一下yolo checks这个命令会打印出 PyTorch 版本、CUDA 是否可用、GPU 型号。如果 CUDA 不可用训练会退到 CPU980 张图跑 100 轮可能要几个小时建议确认显卡驱动和 CUDA 版本匹配。接下来写数据集配置文件pipe_defect.yamlpath: ./dataset train: train/images val: val/images test: test/images nc: 7 names: 0: joint_offset 1: obstacle 2: crack 3: buckle 4: hole 5: utility_intrusion 6: debrispath是数据集根目录train/val/test是相对路径。nc是类别数必须和标签里的最大类别索引加一一致。names的顺序要和标注时用的映射完全对应写错一个顺序训练出来的模型就会把裂纹认成洞。3.2 第一版训练命令与关键参数含义配置写好之后直接用命令行启动训练yolo detect train \ datapipe_defect.yaml \ modelyolov8s.pt \ epochs150 \ imgsz640 \ batch16 \ lr00.01 \ patience30 \ augmentTrue \ mosaic1.0 \ projectruns/pipe \ namev1逐条说参数。modelyolov8s.pt选的是 small 版本参数量约 11M在 980 张图上不容易过拟合比 n 版本精度高比 m 版本训练快。epochs150配合patience30意思是 30 轮验证指标不提升就早停避免无效训练。imgsz640是默认输入尺寸如果裂纹检测效果差可以提到 1024但显存占用会翻倍。batch16在 8G 显存上跑 640 分辨率基本够用显存不够就降到 8。lr00.01是初始学习率YOLOv8 默认用 SGD 时会自动调但显式写出来更可控。mosaic1.0开启马赛克增强对小数据集提升明显但如果缺陷之间遮挡严重可以降到 0.5。训练过程中重点看三个指标box_loss是否稳定下降、mAP50是否在涨、验证集的cls_loss有没有反弹。如果训练集 loss 一直降但验证集 mAP 不涨就是过拟合了需要加增强或减模型容量。3.3 训练结果解读mAP 之外还要看什么训练结束后runs/pipe/v1/目录下会有results.csv、confusion_matrix.png、val_batch*.jpg等文件。results.csv里记录了每轮的 loss 和 mAP直接看最后几行的metrics/mAP50-95。但 mAP 高不代表模型能用还要看混淆矩阵如果裂纹和关节偏移互相误判多说明这两类的视觉特征在模型眼里区分度不够需要检查标注是否一致或者考虑加一类正常接缝作为负样本。另外看val_batch0_pred.jpg这是验证集第一批的预测可视化。重点看小目标有没有漏检、密集区域有没有重复框。如果裂纹大量漏检优先提分辨率而不是加数据。4. 小数据集训管道缺陷增强、类别不平衡与过拟合的避坑清单980 张图训七类缺陷坑基本集中在增强策略、类别不平衡和过拟合这三块。下面几条是我在实际项目里踩过的按现象→原因→解决写清楚。4.1 避坑一马赛克增强把裂纹拼没了现象训练时 mAP 涨到 0.5 左右就上不去验证集里裂纹几乎全漏。原因mosaic 增强会把四张图拼成一张裂纹本身细长拼接后被裁切或缩放到更小模型更难学到特征。管道缺陷里裂纹占比本来就不高mosaic 进一步稀释了它的有效像素。解决把mosaic从 1.0 降到 0.3或者对含裂纹的图关闭 mosaic。更稳妥的做法是用close_mosaic参数在训练最后 20 轮关闭马赛克让模型在真实分布上收尾。4.2 避坑二类别不平衡导致洞类几乎不检出现象混淆矩阵里洞的召回率不到 0.3大量洞被预测成背景或碎片。原因如果洞的实例数只有几十个而碎片有几百个模型会偏向多数类少数类的梯度被淹没。解决两个方向。一是对少数类做过采样在数据集 yaml 里用copy_paste增强把少数类实例粘贴到其他图上二是换损失函数YOLOv8 默认用 BCE可以改成 focal loss 让模型更关注难样本。ultralytics 里改损失需要动源码简单做法是先用过采样顶一版。4.3 避坑三验证集指标虚高测试集一跑就崩现象验证集 mAP50 到 0.85测试集只有 0.6。原因划分数据时按图随机分同一段管道的连续帧同时进了训练和验证模型记住了背景而不是缺陷。解决按管道段 ID 分组划分确保同一段的图只出现在一个 split 里。如果数据里没有段 ID用图像的文件名前缀或拍摄时间做分组依据。4.4 避坑四输入分辨率盲目拉高导致显存爆炸现象为了检裂纹把imgsz从 640 提到 1280训练直接 OOM。原因显存占用和输入尺寸的平方成正比640 到 1280 是四倍batch 不变的情况下必炸。解决提分辨率的同时把 batch 降到 4 或 2或者用梯度累积模拟大 batch。另一个思路是保持 640但对裂纹区域做裁剪放大后再送模型用切片推理SAHI的方式处理大图。4.5 避坑五标签坐标越界导致训练报错现象训练启动时报Label class x is invalid或坐标超出 0-1 范围。原因标注工具导出的坐标可能因为图像旋转、裁剪导致归一化后越界或者类别索引从 1 开始而不是 0。解决训练前跑一遍标签校验脚本检查每行的类别索引是否在[0, nc-1]内、坐标是否在[0,1]内。发现越界的手动修正或剔除该标注。import os def validate_labels(label_dir, nc): issues [] for fname in os.listdir(label_dir): if not fname.endswith(.txt): continue with open(os.path.join(label_dir, fname)) as f: for i, line in enumerate(f): parts line.strip().split() if len(parts) ! 5: issues.append(f{fname}:{i} 字段数不对) continue cls int(parts[0]) coords [float(x) for x in parts[1:]] if cls 0 or cls nc: issues.append(f{fname}:{i} 类别越界 {cls}) if any(c 0 or c 1 for c in coords): issues.append(f{fname}:{i} 坐标越界 {coords}) return issues problems validate_labels(dataset/train/labels, nc7) for p in problems[:20]: print(p) print(f共发现 {len(problems)} 个问题)这个校验脚本在每次改完标注后都值得跑一遍比训练到一半报错再回头查省事得多。5. 从能跑到能用推理部署与精度验证的收尾技巧训练出一个 mAP 还行的权重只是第一步真正落地还要过推理速度和实际场景验证这两关。管道巡检设备通常是边缘盒子或者工控机算力有限模型必须导出成合适格式。5.1 导出 ONNX 与 TensorRT 的取舍YOLOv8 训练完的.pt权重可以直接导出yolo export modelruns/pipe/v1/weights/best.pt formatonnx imgsz640 yolo export modelruns/pipe/v1/weights/best.pt formatengine imgsz640 halfTrueONNX 通用性好CPU 和 GPU 都能跑适合先在开发机上验证。TensorRT 的 engine 格式在 NVIDIA 设备上速度最快halfTrue开启 FP16速度能再提一截但精度可能掉一点点。管道缺陷检测里裂纹本身对比度低FP16 有时候会把弱信号抹掉建议导出后对比一下 FP32 和 FP16 的检测结果如果裂纹召回明显下降就关掉 half。导出 engine 时要注意 TensorRT 版本和 CUDA 版本匹配版本不对会报serialization相关错误。常见做法是在目标设备上直接导出而不是在开发机上导好再拷过去。5.2 用测试集做一次诚实的精度评估训练时的验证集指标只能参考最终要用留出的测试集跑一次yolo detect val \ modelruns/pipe/v1/weights/best.pt \ datapipe_defect.yaml \ splittest \ imgsz640 \ conf0.25 \ iou0.5conf0.25是置信度阈值低于这个值的框不输出。iou0.5是 NMS 的 IoU 阈值。这两个参数直接决定召回和误报的平衡。管道巡检场景里漏检一个裂纹的代价远大于多报几个误检所以conf可以降到 0.15 甚至 0.1宁可多报不可漏报。跑完之后看每个类别的 P/R如果裂纹的 R 低于 0.5说明模型在这个类上还不可用需要回去补数据或调增强。5.3 一个我常用的习惯先跑 10 轮再决定要不要继续980 张图的数据集我一般不会一上来就跑 150 轮。先跑 10 轮看results.csv里 mAP 的上升趋势。如果 10 轮后 mAP50 还在 0.1 以下说明数据或配置有大问题继续跑也是浪费电。如果 10 轮能到 0.3 以上趋势还在涨再放到 150 轮。这个习惯帮我省过很多次无意义的等待。管道缺陷检测这个方向数据质量比模型结构重要得多980 张图如果标注干净、类别均衡YOLOv8s 足够跑出一个能上巡检设备的模型如果标注混乱换多大的模型都救不回来。希望帮到你。本文还有配套的精品资源点击获取