古建筑目标检测数据集 | 古建筑识别 目标检测 文物保护 YOLO格式 9213期数据集概述本数据集专注于古建筑整体结构及组件的视觉检测与识别，服务于古建筑保护、文物数字化建档及建筑遗产研究。数据涵盖五类古建筑相关目标，适配古建巡检、古建筑普查及自动化目标识别等应用。数据集核心信息数据要素详细说明类别共5类（详见下方列表）数量1971张图像格式图像为 JPG/PNG；标签为 YOLO 格式的 txt 文件（水平边界框）数据版本2个版本应用价值1.古建普查：支撑古建筑及其构件的自动识别与分类，辅助建筑遗产编目。2.文物保护：为古建筑状态评估与修缮提供数据基础。3.数字化存档：为古建筑的三维建模与数字孪生提供目标级识别能力。4.算法研发：为多类别目标检测、建筑遗产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5类）序号中文类别名称1单体古建筑2斗拱构件3古建筑门楼4古建筑牌坊5塔类建筑说明：原数据集中的类别缩写已在表中统一转换为中文释义，具体类别定义请以实际使用的标注文件为准。数据三要素解析类别与目标覆盖数据集定义5类古建筑相关目标，覆盖建筑整体（单体古建筑、门楼、牌坊、塔）与关键构件（斗拱）。类别设置兼顾了宏观建筑识别与微观构件检测，服务于古建筑的综合评估。图像涵盖不同拍摄角度、光照条件下的古建筑外观。数据规模与版本图像总量约1971张，规模适中，能支撑多类别目标检测模型的训练。数据集有2个版本，可能包含不同标注完善度或数据增强的迭代版本。图像包含实景照片、建筑模型及邮票等多种形态的古建筑图像，场景多样性较强。格式与结构采用通用YOLO 格式（txt），每张图像对应一个同名标签文件，包含类别 ID 与归一化边界框坐标，可直接接入 YOLOv5、YOLOv8 等主流检测框架。图像与标签一一对应，数据结构规范，便于进行训练/验证集划分与预处理集成。知识普及：古建筑目标检测的技术要点尺度差异极大：从宏大的塔类建筑到局部的斗拱构件，目标尺度跨度大，需采用多尺度特征融合策略。形态与结构复杂：古建筑的结构繁复（如飞檐、斗拱），轮廓不规则，对模型的边界提取能力要求较高。背景干扰：古建筑多位于自然或城市环境中，背景包含树木、天空、现代建筑等，可能与目标混淆。数据多样性：包含实景与邮票等非实景图像，有助于提升模型对不同图像风格和成像质量的泛化能力。应用闭环：检测结果可导入古建筑GIS或BIM系统，用于建筑普查、状态评估与修缮规划，服务于建筑遗产的数字化保护。快速开始（代码示例）配置文件data.yaml示例（类别名称需替换为您实际使用的中文名称）：train:./dataset/images/trainval:./dataset/images/valnc:5names:['单体古建筑','斗拱构件','古建筑门楼','古建筑牌坊','塔类建筑']启动 YOLOv8 训练：fromultralyticsimportYOLO model=YOLO('yolov8m.pt')model.train(data='data.yaml',epochs=100,imgsz=640,batch=16,device=0)标签古建筑识别目标检测文物保护YOLO格式深度学习数据集计算机视觉
古建筑目标检测数据集 | 古建筑识别 目标检测 文物保护 YOLO格式 9213期数据集概述本数据集专注于古建筑整体结构及组件的视觉检测与识别，服务于古建筑保护、文物数字化建档及建筑遗产研究。数据涵盖五类古建筑相关目标，适配古建巡检、古建筑普查及自动化目标识别等应用。数据集核心信息数据要素详细说明类别共5类（详见下方列表）数量1971张图像格式图像为 JPG/PNG；标签为 YOLO 格式的 txt 文件（水平边界框）数据版本2个版本应用价值1.古建普查：支撑古建筑及其构件的自动识别与分类，辅助建筑遗产编目。2.文物保护：为古建筑状态评估与修缮提供数据基础。3.数字化存档：为古建筑的三维建模与数字孪生提供目标级识别能力。4.算法研发：为多类别目标检测、建筑遗产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5类）序号中文类别名称1单体古建筑2斗拱构件3古建筑门楼4古建筑牌坊5塔类建筑说明：原数据集中的类别缩写已在表中统一转换为中文释义，具体类别定义请以实际使用的标注文件为准。数据三要素解析类别与目标覆盖数据集定义5类古建筑相关目标，覆盖建筑整体（单体古建筑、门楼、牌坊、塔）与关键构件（斗拱）。类别设置兼顾了宏观建筑识别与微观构件检测，服务于古建筑的综合评估。图像涵盖不同拍摄角度、光照条件下的古建筑外观。数据规模与版本图像总量约1971张，规模适中，能支撑多类别目标检测模型的训练。数据集有2个版本，可能包含不同标注完善度或数据增强的迭代版本。图像包含实景照片、建筑模型及邮票等多种形态的古建筑图像，场景多样性较强。格式与结构采用通用YOLO 格式（txt），每张图像对应一个同名标签文件，包含类别 ID 与归一化边界框坐标，可直接接入 YOLOv5、YOLOv8 等主流检测框架。图像与标签一一对应，数据结构规范，便于进行训练/验证集划分与预处理集成。知识普及：古建筑目标检测的技术要点尺度差异极大：从宏大的塔类建筑到局部的斗拱构件，目标尺度跨度大，需采用多尺度特征融合策略。形态与结构复杂：古建筑的结构繁复（如飞檐、斗拱），轮廓不规则，对模型的边界提取能力要求较高。背景干扰：古建筑多位于自然或城市环境中，背景包含树木、天空、现代建筑等，可能与目标混淆。数据多样性：包含实景与邮票等非实景图像，有助于提升模型对不同图像风格和成像质量的泛化能力。应用闭环：检测结果可导入古建筑GIS或BIM系统，用于建筑普查、状态评估与修缮规划，服务于建筑遗产的数字化保护。快速开始（代码示例）配置文件data.yaml示例（类别名称需替换为您实际使用的中文名称）：train:./dataset/images/trainval:./dataset/images/valnc:5names:['单体古建筑','斗拱构件','古建筑门楼','古建筑牌坊','塔类建筑']启动 YOLOv8 训练：fromultralyticsimportYOLO model=YOLO('yolov8m.pt')model.train(data='data.yaml',epochs=100,imgsz=640,batch=16,device=0)标签古建筑识别目标检测文物保护YOLO格式深度学习数据集计算机视觉