道路护栏实例分割数据集 | 护栏分割 实例分割 道路设施 道路巡检 9161期数据集概述本数据集专注于道路护栏的像素级实例分割服务于道路巡检、护栏损坏评估及交通设施管理。数据涵盖道路护栏目标适配无人机巡检、道路养护及自动化设施识别等应用。数据集核心信息数据要素详细说明类别共1类护栏数量1779张图像格式图像为 JPG/PNG分辨率640×640同时提供YOLO、VOC、COCO三种标注格式数据划分训练集1525张验证集198张测试集56张应用价值1.道路巡检支撑道路护栏的自动化识别与定位替代人工巡查。2.损坏评估通过护栏轮廓分割辅助识别缺失、变形等损坏情况。3.设施管理为道路设施台账更新与养护计划提供数据基础。4.算法研发为实例分割、道路设施识别等视觉任务提供真实场景的训练与评测数据。完整类别列表共1类序号英文名称中文释义包含该类图像数总标注数1guardrail护栏17693295数据三要素解析类别与目标覆盖数据集定义1个核心类别护栏guardrail聚焦单一道路设施目标便于快速部署与高精度分割。标注总数达3295个平均每张图像约含1.9个护栏目标覆盖单段与多段护栏场景。采用实例分割标注可精确勾勒护栏的线性轮廓支持长度、连续性等几何分析。数据规模与划分图像总量约1779张按约86:11:3比例划分为训练集1525张、验证集198张与测试集56张划分规范。图像分辨率统一为640×640可直接输入常见分割网络。同时提供YOLO、VOC、COCO三种通用标注格式灵活适配不同分割框架。配套资源与源码附赠基于YOLOv11n-seg训练的完整模型训练80轮可直接推理或作为迁移学习起点。提供全部训练 测试源代码包括数据配置文件、训练脚本、推理脚本。提供PyQt5 可视化界面含完整源码支持图片、视频、摄像头实时检测实时显示目标位置、类别、置信度等信息。知识普及道路护栏实例分割的技术要点线性目标分割护栏呈细长线性结构对分割算法的边缘保持能力要求较高。建议采用具有跳跃连接的网络结构如U-Net或YOLOv11-seg。连续性分析实例分割输出可支持护栏的连续性分析检测断裂、缺失等异常情况。背景干扰道路场景包含路面、车辆、植被等背景护栏可能与路缘石、隔离带等混淆模型需依赖形态与位置特征进行区分。尺度变化护栏在图像中的长度受拍摄距离影响显著需采用多尺度训练策略。应用闭环分割结果可结合道路GIS信息生成护栏分布图与损坏报告辅助道路养护决策。快速开始代码示例1. 准备配置文件 (guardrail_seg.yaml)path:./guardrail_datasettrain:images/trainval:images/valtest:images/testnc:1names:[guardrail]2. 启动 YOLOv11n-seg 训练fromultralyticsimportYOLOif__name____main__:modelYOLO(yolo11n-seg.pt)resultsmodel.train(dataguardrail_seg.yaml,epochs80,imgsz640,batch8,device0,pretrainedTrue,patience10)print(训练完成权重保存在runs/segment/train/weights/best.pt)3. 单图分割推理fromultralyticsimportYOLOimportcv2importnumpyasnp modelYOLO(runs/segment/train/weights/best.pt)defseg_image(img_path):imgcv2.imread(img_path)resmodel(img,conf0.25)forrinres:boxesr.boxes masksr.masksifmasksisnotNone:masksmasks.data.cpu().numpy()forseg,boxinzip(masks,boxes):segseg.astype(np.uint8)color_masknp.zeros_like(img)color_mask[seg0](0,255,0)imgcv2.addWeighted(img,1,color_mask,0.5,0)x1,y1,x2,y2map(int,box.xyxy[0])cls_namemodel.names[int(box.cls[0])]conffloat(box.conf[0])cv2.rectangle(img,(x1,y1),(x2,y2),(255,0,0),2)cv2.putText(img,f{cls_name}{conf:.2f},(x1,y1-8),cv2.FONT_HERSHEY_SIMPLEX,0.6,(255,0,0),2)cv2.imwrite(seg_result.jpg,img)returnimgif__name____main__:seg_image(test.jpg)4. PyQt5 可视化界面核心逻辑importsysimportcv2importnumpyasnpfromPyQt5.QtWidgetsimport(QApplication,QMainWindow,QPushButton,QFileDialog,QLabel,QTableWidget,QTableWidgetItem)fromPyQt5.QtGuiimportQImage,QPixmapfromPyQt5.QtCoreimportQtfromultralyticsimportYOLOclassMainWin(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle(基于YOLO11的道路护栏实例分割系统)self.setGeometry(80,80,1400,850)self.modelYOLO(runs/segment/train/weights/best.pt)self.result_imgNoneself.initUI()definitUI(self):self.label_originQLabel(原始图像,self)self.label_origin.setGeometry(30,40,650,520)self.label_origin.setStyleSheet(border:1px solid #999)self.label_segQLabel(分割结果,self)self.label_seg.setGeometry(700,40,650,520)self.label_seg.setStyleSheet(border:1px solid #999)self.btn_imgQPushButton(选择图片,self)self.btn_img.setGeometry(30,580,140,40)self.btn_img.clicked.connect(self.load_img)self.tableQTableWidget(self)self.table.setGeometry(30,640,1320,160)self.table.setColumnCount(5)self.table.setHorizontalHeaderLabels([序号,类别,置信度,xmin,ymin,bbox坐标])defload_img(self):fname,_QFileDialog.getOpenFileName(self,打开图片,.,Image(*.jpg *.png *.bmp))ifnotfname:return# 推理与结果显示逻辑详见原文代码标签护栏分割实例分割道路设施道路巡检目标检测YOLO格式深度学习数据集计算机视觉