航拍无人机视角高速路面损害检测数据集，3349张
yolo，voc，coco标注方式
图像尺寸:1152*2048
类别数量:6类
训练集图像数量:3153; 验证集图像数量:157； 测试集图像数量:39
类别名称: 每一类图像数 ，每一类标注数
Cracks - 裂缝：446, 815
Waterlogging - 积水：1208, 2091
Ravelling - 松散：459, 869
Muddy_road - 泥泞道路：952, 2084
Road_side_garbage - 道路旁垃圾：329, 429
Potholes - 坑洼：663, 1352
image num: 3349
以下是航拍无人机视角高速路面损害检测数据集的完整信息表格：
| 属性 | 详情 |
|---|---|
| 数据集名称 | Aerial UAV Highway Pavement Damage Detection Dataset |
| 采集视角 | 无人机航拍（俯视高速道路场景） |
| 图像总数 | 3,349 张 |
| 图像分辨率 | 1152 × 2048 像素 |
| 标注格式支持 | YOLO、VOC、COCO（三者均提供） |
| 任务类型 | 目标检测（Bounding Box） |
| 类别数量 | 6 类 |
📊类别详细统计表
| 类别英文名 | 中文名称 | 包含该类别的图像数量 | 该类别的标注实例总数 |
|---|---|---|---|
| Cracks | 裂缝 | 446 | 815 |
| Waterlogging | 积水 | 1,208 | 2,091 |
| Ravelling | 松散 | 459 | 869 |
| Muddy_road | 泥泞道路 | 952 | 2,084 |
| Road_side_garbage | 道路旁垃圾 | 329 | 429 |
| Potholes | 坑洼 | 663 | 1,352 |
✅总计图像数：3,349（与各图像数之和不等，因单张图像可含多个类别）
✅总标注实例数：7,640
📁数据集划分
| 子集 | 图像数量 |
|---|---|
| 训练集（train） | 3,153 |
| 验证集（val） | 157 |
| 测试集（test） | 39 |
| 总计 | 3,349 |
该数据集适用于：
- 无人机巡检系统
- 智慧交通基础设施监测
- 小目标/密集目标检测（如裂缝、垃圾）
- 多类别路面病害联合检测
1、
航拍无人机视角高速路面损害检测数据集（6类，3349张图像，分辨率1152×2048）的完整YOLOv8 训练代码与配置方案，支持 YOLO 格式标注（推荐），并兼容你已有的 VOC/COCO 标注。
✅ 一、环境准备
pipinstallultralytics opencv-python numpy pandas tqdm
ultralytics是官方 YOLOv8 库，原生支持 YOLO、COCO、VOC（需转换）格式。
✅ 二、数据组织结构（YOLO 格式）
假设你的数据已按以下结构存放：
HighwayDamageDataset/ ├── images/ │ ├── train/ # 3153 张 │ ├── val/ # 157 张 │ └── test/ # 39 张 └── labels/ ├── train/ ├── val/ └── test/每张图像xxx.jpg对应一个xxx.txt，内容为：
<class_id> <x_center> <y_center> <width> <height> # 归一化到 [0,1]🔁 若你只有VOC 或 COCO 标注，文末提供自动转换脚本。
✅ 三、YOLO 配置文件：highway_damage.yaml
# highway_damage.yamltrain:./HighwayDamageDataset/images/trainval:./HighwayDamageDataset/images/valtest:./HighwayDamageDataset/images/testnc:6# 类别数names:-Cracks# 裂缝-Waterlogging# 积水-Ravelling# 松散-Muddy_road# 泥泞道路-Road_side_garbage# 道路旁垃圾-Potholes# 坑洼💡 中文名可保留，但建议英文命名以避免部分工具兼容问题。推理时可通过映射显示中文。
✅ 四、训练脚本：train_highway.py
# train_highway.pyfromultralyticsimportYOLOimportosdefmain():# 创建输出目录os.makedirs("runs/highway_damage",exist_ok=True)# 加载预训练模型（推荐 yolov8s 或 yolov8m）model=YOLO('yolov8s.pt')# 可替换为 'yolov8m.pt' / 'yolov8l.pt'# 开始训练results=model.train(data='highway_damage.yaml',# 数据配置文件epochs=150,# 推荐 100~200（根据收敛调整）imgsz=1024,# 输入尺寸（略小于原图 1152x2048，节省显存）batch=8,# 根据 GPU 显存调整（24GB 可用 12~16）name='yolov8s_highway_1024',project='runs/highway_damage',device=0,# GPU ID（多卡可用 [0,1]）workers=8,cache=False,# 内存充足可设 True 加速optimizer='AdamW',lr0=0.01,lrf=0.01,momentum=0.937,weight_decay=0.0005,warmup_epochs=3,patience=30,# 早停：验证损失不再下降则停止save=True,save_period=10,verbose=True,plots=True,# 生成训练曲线、PR 曲线等hsv_h=0.015,# 增强：色调hsv_s=0.7,# 饱和度hsv_v=0.4,# 亮度degrees=10.0,# 旋转增强（±10°）translate=0.1,# 平移scale=0.5,# 缩放（0.5~1.5）shear=2.0,# 剪切perspective=0.001,# 透视变换flipud=0.0,# 上下翻转（航拍不建议）fliplr=0.5,# 左右翻转（合理）mosaic=1.0,# Mosaic 增强（对小目标有效）mixup=0.1,# MixUp)print(f"✅ 训练完成！最佳模型路径：{results.save_dir}/weights/best.pt")if__name__=='__main__':main()✅ 五、命令行快速训练（替代方式）
yolo detect train\data=highway_damage.yaml\model=yolov8s.pt\epochs=150\imgsz=1024\batch=8\name=yolov8s_highway_1024\project=runs/highway_damage\device=0\optimizer=AdamW\patience=30\hsv_h=0.015hsv_s=0.7hsv_v=0.4\degrees=10fliplr=0.5mosaic=1.0✅ 六、关键训练建议
| 项目 | 建议 |
|---|---|
| 输入尺寸 | 使用imgsz=1024（保持长宽比，YOLO 自动填充）若 GPU 允许，可尝试 1280提升小目标召回 |
| Batch Size | 8~16（2048 宽图显存占用高） |
| 数据增强 | 启用mosaic、fliplr、hsv；禁用flipud（航拍上下方向有意义） |
| 类别不平衡 | “积水”和“泥泞道路”样本多，“垃圾”较少 → 可开启class_weights（需自定义） |
| 评估重点 | 关注mAP@0.5和小目标 AP（裂缝、垃圾） |
✅ 七、VOC / COCO 转 YOLO 脚本（如需要）
▶ 如果你有VOC 格式（XML）：
# voc2yolo.pyimportosimportxml.etree.ElementTreeasETfrompathlibimportPath class_names=["Cracks","Waterlogging","Ravelling","Muddy_road","Road_side_garbage","Potholes"]defconvert_voc_to_yolo(voc_dir,yolo_dir,image_dir):os.makedirs(yolo_dir,exist_ok=True)forxml_fileinPath(voc_dir).glob("*.xml"):tree=ET.parse(xml_file)root=tree.getroot()img_w=int(root.find('size/width').text)img_h=int(root.find('size/height').text)lines=[]forobjinroot.findall('object'):cls_name=obj.find('name').textifcls_namenotinclass_names:continuecls_id=class_names.index(cls_name)bndbox=obj.find('bndbox')xmin=int(bndbox.find('xmin').text)ymin=int(bndbox.find('ymin').text)xmax=int(bndbox.find('xmax').text)ymax=int(bndbox.find('ymax').text)x_center=(xmin+xmax)/2/img_w y_center=(ymin+ymax)/2/img_h width=(xmax-xmin)/img_w height=(ymax-ymin)/img_h lines.append(f"{cls_id}{x_center:.6f}{y_center:.6f}{width:.6f}{height:.6f}")withopen(os.path.join(yolo_dir,xml_file.stem+'.txt'),'w')asf:f.write('\n'.join(lines))# 使用示例convert_voc_to_yolo('annotations/voc/train','labels/train','images/train')▶ 如果你有COCO 格式（JSON）：
YOLOv8 原生支持 COCO，只需在highway_damage.yaml中指定：
train:path/to/coco/train.jsonval:path/to/coco/val.json但需确保类别顺序与names一致。
✅ 八、推理与部署示例
fromultralyticsimportYOLO model=YOLO('runs/highway_damage/yolov8s_highway_1024/weights/best.pt')results=model('test_image.jpg')# 显示结果（含中文标签）chinese_names={"Cracks":"裂缝","Waterlogging":"积水","Ravelling":"松散","Muddy_road":"泥泞道路","Road_side_garbage":"道路旁垃圾","Potholes":"坑洼"}forrinresults:boxes=r.boxesforboxinboxes:cls_name=model.names[int(box.cls)]print(f"检测到：{chinese_names.get(cls_name,cls_name)}")📌注意：由于图像宽高比极端（1152×2048 ≈ 9:16 竖屏），YOLO 会自动 padding 成正方形。若想保留原始比例，可考虑滑动窗口裁剪或使用YOLOv8-OBB（但本任务无需旋转框）。
