基于labelme的公路隧道漏水分割：27张图小数据集训练与避坑指南

1. 这个27张图的小数据集到底能干什么

先说实话，27张图、1个类别、labelme格式的公路隧道漏水分割数据集，放在今天动辄几万张的公开数据集面前，确实小得可怜。但小不代表没用，关键看你怎么用、用在哪。我在实际项目里接手过不少类似的"迷你数据集"，它们往往来自某个具体工程现场的抽检样本，或者是某个检测单位为了验证算法可行性而手工标注的第一批数据。这类数据集的价值不在于训练一个通用大模型，而在于快速验证技术路线、跑通标注到训练的全流程、以及作为后续大规模标注的模板参考。

公路隧道漏水这个问题，做基础设施检测的人应该都不陌生。隧道衬砌表面的渗漏水是运营期最常见的病害之一，传统的检测方式是人工巡检加拍照记录，效率低、主观性强、漏检率高。用语义分割的方式自动识别漏水区域，本质上是要把"哪里有水渍、哪里是干燥的混凝土表面"这个判断交给算法。27张图虽然少，但如果标注质量过关，足够你验证一个分割模型能不能收敛、能不能在验证集上跑出合理的IoU，也足够你判断这个方向值不值得继续投入标注资源。

这个数据集适合谁用？如果你是做土木工程检测方向的研究生，想快速跑一个分割baseline写进论文的可行性验证章节，它够用。如果你是做算法工程的，想测试某个新出的分割网络在小样本条件下的表现，它也能当个试金石。但如果你指望用它训练一个能直接上工程部署的模型，那我劝你趁早放弃这个念头，27张图的泛化能力几乎为零，换个隧道、换个光照条件，模型大概率直接崩掉。

关键词里提到的labelme是这套数据的标注工具，也是整个流程的起点。labelme这个工具在语义分割标注领域算是老牌选手了，它的优势是轻量、开源、标注格式通用（JSON），而且支持多边形、矩形、圆形、线段、点等多种标注方式。对于漏水区域这种边界模糊、形状不规则的病害，多边形标注是最合适的选择。后面我会详细讲labelme的安装、使用和格式转换，以及怎么把这27张图的标注结果喂给主流分割网络。

2. 数据集的核心构成与标注逻辑拆解

2.1 为什么是27张图而不是270张

27这个数字看起来随意，但结合工程实际，它很可能对应的是某个隧道某一区段的抽检样本。隧道衬砌检测通常按环或按段进行，一个检测断面可能拍几十张高清图，从中筛选出有明显漏水病害的27张作为标注对象。这种筛选逻辑本身就带有倾向性——数据集中正样本（漏水区域）的占比会远高于真实场景中的自然分布。这意味着你训练出来的模型在真实推理时，面对大量无病害的隧道表面图像，可能会产生大量误报。

我在处理类似小数据集时，第一件事就是统计正负样本比例。如果27张图里每张都有漏水区域，那这个数据集实际上是一个"全正样本"集，模型学到的只是"漏水长什么样"，而没学到"不漏水长什么样"。解决办法有两个：一是自己补充一些无漏水的隧道表面图作为负样本，哪怕只有十几张，也能显著降低误报率；二是在训练时使用Focal Loss或Dice Loss这类对类别不平衡不敏感的损失函数，让模型更关注难分样本。

2.2 labelme的JSON标注格式到底存了什么

labelme标注一张图后生成的JSON文件，结构其实很清晰。核心字段包括imageData（图像的base64编码，可选）、imagePath（图像文件名）、imageHeight和imageWidth（图像尺寸）、shapes（标注形状列表）。每个shape里包含label（类别名）、points（多边形顶点坐标列表）、shape_type（标注类型，如polygon）、flags（额外标记）。对于漏水分割任务，label字段通常就是"leakage"或"漏水"这样的单一类别名，points则是一系列按顺序排列的边界点坐标。

这里有个容易被忽略的细节：labelme默认保存的JSON里，imageData字段会把整张图编码成base64字符串塞进去，导致JSON文件体积膨胀。27张图如果每张都是高清大图，JSON文件加起来可能上百MB。实际使用时，你完全可以在标注完成后用脚本批量移除imageData字段，只保留标注信息，这样JSON文件会小很多，转换和传输都更方便。我一般会在labelme的保存设置里直接关掉"Save Image Data"选项，从源头避免这个问题。

2.3 单类别分割的标注一致性怎么保证

只有一个类别"漏水"，听起来标注很简单，但实际操作中边界判定的一致性才是最大的坑。漏水区域从中心到边缘有一个渐变过程：中心是明显的水渍或湿痕，边缘是半干不干的过渡带。不同标注员对"哪里算漏水、哪里不算"的判定标准可能差出十几个像素。27张图如果由多人标注，这种不一致会直接导致模型学到一个模糊的边界，IoU上不去。

我的经验是，在标注前先定一个明确的规则：以肉眼可见的明显水渍或湿痕边界为准，半干过渡带不计入。如果同一张图有多个标注员参与，先让他们各自标3张图，然后交叉比对，把分歧大的区域拿出来讨论，统一标准后再批量标注。这个前置工作看起来费时间，但能省掉后面反复修标注的麻烦。对于只有27张图的小数据集，标注一致性比标注数量重要得多。

3. labelme从安装到出标注的完整实操

3.1 安装labelme时绕开PyQt5的坑

labelme的安装本身不复杂，但关键词里出现了"labelme 无法安装 pyqt5"和"labelme error pyqt5-sip"，说明这个坑踩的人不少。labelme的图形界面依赖PyQt5，而PyQt5在不同Python版本和操作系统上的兼容性确实有点脾气。我实测下来最稳的方案是：用Python 3.8或3.9，先单独安装PyQt5，再装labelme。

# 创建独立环境，避免污染主环境 conda create -n labelme_env python=3.9 conda activate labelme_env # 先装PyQt5，指定版本 pip install PyQt5==5.15.9 # 再装labelme pip install labelme==5.8.3

如果你用的是清华镜像源，命令后面加-i https://pypi.tuna.tsinghua.edu.cn/simple会快很多。遇到pyqt5-sip报错，通常是版本冲突，可以尝试先卸载再重装：

pip uninstall pyqt5-sip PyQt5 pip install pyqt5-sip==12.13.0 PyQt5==5.15.9

还有一个常见问题是labelme启动后界面空白或闪退，这多半是显卡驱动或Qt平台插件的问题。在Linux下可以试试设置环境变量export QT_DEBUG_PLUGINS=1来查看具体报错。Windows下如果遇到Could not load the Qt platform plugin "windows"，把PyQt5的plugins目录路径加到系统PATH里通常能解决。

3.2 标注漏水区域的实操细节

打开labelme后，Open Dir加载27张图所在的文件夹，然后逐张标注。对于漏水区域，选择Create Polygons工具，沿着水渍边界逐点点击，闭合后输入类别名。这里有几个实操技巧：

第一，多边形顶点不要过于密集。有些人习惯沿着边界每几个像素点一下，结果一个区域几百个点，JSON文件巨大不说，转换成的mask边缘还会因为点太密而出现锯齿。一般曲率大的地方点密一些，直边的地方点稀一些，一个漏水区域控制在20到50个点之间比较合适。

第二，遇到大面积漏水且形状复杂的情况，不要试图用一个多边形包住所有区域。如果漏水区域中间有干燥的混凝土斑块，应该用多个多边形分别标注，或者用带孔洞的标注方式。labelme本身不直接支持孔洞，但可以通过标注外轮廓和内轮廓两个shape，在转换时用后处理的方式挖洞。

第三，标注完成后务必逐张检查。我习惯用Next Image和Prev Image快速过一遍，重点看边界是否贴合、有没有漏标的小区域、类别名是否统一。27张图检查一遍也就十几分钟，但能避免后面训练时发现标注问题再回头返工。

3.3 批量转换JSON到分割mask

labelme自带的labelme_json_to_dataset命令可以把单个JSON转成mask，但27张图一张张转太慢，而且默认输出的是16位灰度图，需要额外处理。我一般用Python脚本批量转换：

import json import numpy as np import cv2 import os from labelme import utils def json_to_mask(json_path, output_dir): with open(json_path, 'r', encoding='utf-8') as f: data = json.load(f) img_shape = (data['imageHeight'], data['imageWidth']) mask = np.zeros(img_shape, dtype=np.uint8) for shape in data['shapes']: label = shape['label'] points = shape['points'] polygon = np.array(points, dtype=np.int32) # 漏水区域设为1，背景为0 cv2.fillPoly(mask, [polygon], 1) base_name = os.path.splitext(os.path.basename(json_path))[0] cv2.imwrite(os.path.join(output_dir, base_name + '.png'), mask)

这个脚本的核心逻辑是：创建一个全零的mask，然后对每个标注多边形用fillPoly填充为1。注意cv2.fillPoly的坐标格式要求是np.int32，而且点顺序要正确，否则填充结果会错乱。转换完成后，你会得到27张二值mask图，像素值只有0和1，可以直接用于训练。

注意：如果你的JSON里imageData字段还在，json.load会加载大量base64数据，速度很慢。建议先用脚本批量移除这个字段，或者标注时就关掉保存图像数据。

4. 用这27张图训练分割模型的完整流程

4.1 数据划分与增强策略

27张图怎么划分训练集和验证集？我的建议是20张训练、7张验证，或者更激进一点，22张训练、5张验证。但这里有个问题：如果随机划分，验证集里可能全是某种特定类型的漏水（比如全是顶部渗水），导致验证结果不能反映模型的真实泛化能力。更稳妥的做法是按漏水形态分层抽样，确保训练集和验证集里都包含点状渗水、线状渗水、面状渗水等不同形态。

数据增强是这个小数据集的救命稻草。我一般会用Albumentations库做在线增强，包括水平翻转、垂直翻转、随机旋转（±30度）、随机裁剪、亮度对比度调整、高斯模糊等。对于漏水区域，颜色抖动特别重要，因为不同隧道的光照条件差异很大，模型必须学会忽略光照变化，专注于水渍的纹理特征。

import albumentations as A transform = A.Compose([ A.HorizontalFlip(p=0.5), A.VerticalFlip(p=0.5), A.RandomRotate90(p=0.5), A.RandomBrightnessContrast(p=0.3), A.GaussNoise(p=0.2), A.Blur(blur_limit=3, p=0.1), ])

增强的强度要控制好，过度增强会让漏水区域变得面目全非，模型反而学不到有用特征。我的经验是，对于27张图这种量级，增强后的等效数据量控制在200到300张左右比较合适，再多就是重复样本的简单堆砌，边际收益很低。

4.2 模型选型：为什么U-Net仍然是小数据集的优选

在27张图的条件下，选模型的核心原则是：参数量要少、要有预训练权重、结构要适合小样本。U-Net及其变体（如U-Net++、Attention U-Net）在这个场景下依然是最稳的选择。原因有三：第一，U-Net的编码器-解码器结构配合跳跃连接，能同时利用浅层纹理信息和深层语义信息，对漏水这种边界模糊的目标很友好；第二，U-Net的参数量相对较小，在几百张增强数据上不容易过拟合；第三，U-Net有大量公开的预训练权重可用，比如在ImageNet上预训练的ResNet编码器，能显著加速收敛。

如果你追求更高的精度，可以试试在U-Net基础上加注意力机制，或者用DeepLabV3+配合MobileNetV2 backbone。但说实话，27张图的条件下，模型结构的差异远不如标注质量和增强策略的影响大。我试过用同一个U-Net，在标注精细的数据上IoU能到0.75，在标注粗糙的数据上只有0.5出头，差距非常明显。

4.3 训练参数设置与收敛判断

小数据集训练最容易出现的问题是过拟合：训练loss一路下降，验证loss先降后升。我的应对策略是：早停（Early Stopping）加上学习率衰减。具体参数上，初始学习率设1e-4，用Adam优化器，batch size根据显存尽量设大（比如8或16），训练轮数设200但配合早停，patience设20。损失函数用Dice Loss加BCE Loss的组合，Dice Loss负责处理类别不平衡，BCE Loss负责稳定训练。

import torch import torch.nn as nn class DiceBCELoss(nn.Module): def __init__(self): super().__init__() self.bce = nn.BCEWithLogitsLoss() def forward(self, pred, target): bce_loss = self.bce(pred, target) pred_sigmoid = torch.sigmoid(pred) intersection = (pred_sigmoid * target).sum() dice_loss = 1 - (2. * intersection + 1e-6) / (pred_sigmoid.sum() + target.sum() + 1e-6) return bce_loss + dice_loss

判断收敛的指标不能只看loss，还要看验证集上的IoU和Dice系数。我一般每5个epoch算一次验证指标，如果连续3次验证IoU没有提升，就触发早停。实测下来，27张图增强到200多张后，U-Net大概在50到80个epoch之间收敛，验证IoU能到0.65到0.75之间，具体取决于标注质量和增强策略。

5. 常见问题与排查技巧实录

5.1 labelme标注与转换环节的高频问题

5.2 训练过程中的典型故障排查

训练loss不下降，最常见的原因是学习率设得太大或太小。1e-4是个比较稳的起点，但如果你的模型编码器是随机初始化的，可能需要更小的学习率比如1e-5。另一个原因是数据增强太强，把漏水区域增强得面目全非，模型根本学不到东西。这时候可以先把增强关掉，用原始27张图跑一遍，确认模型能过拟合（训练loss降到接近0），再逐步加增强。

验证IoU波动大，通常是因为验证集太小（只有5到7张图），单张图的预测差异就会导致指标大幅波动。解决办法是增加验证集比例，或者用交叉验证的方式，把27张图分成5折，每折轮流做验证，最后取平均IoU。虽然计算量大了5倍，但指标更可靠。

模型在验证集上表现好但实际推理时误报多，这几乎肯定是负样本不足导致的。27张图如果全是漏水样本，模型没见过干燥的隧道表面，自然会把一些纹理相似的区域误判为漏水。我的做法是从公开的隧道检测数据集里找一些无病害的图，或者自己拍几十张干燥隧道表面的图，作为负样本加入训练集。负样本不需要标注，只需要mask全零即可。

5.3 小数据集的独家避坑心得

第一，不要迷信复杂的模型。我见过太多人在几十张图的数据集上直接上Transformer分割网络，结果训练loss都降不下去。小数据集的核心矛盾是样本不足，不是模型不够强。先用U-Net跑通baseline，再考虑换模型。

第二，标注质量比标注数量重要。27张精细标注的图，效果可能比100张粗糙标注的图更好。如果你只有精力标27张，那就把这27张标到极致，边界贴合、类别统一、无漏标。

第三，验证集不要用来调参。小数据集的验证集本身就有很大随机性，如果你反复在验证集上调超参数，很快就会过拟合验证集。正确的做法是划出一部分数据作为测试集，只在最后评估时用一次，调参全靠训练集和验证集的loss曲线。

第四，保存训练日志和模型权重。小数据集训练的不确定性很大，同样的参数跑两次结果可能差很多。把每次训练的配置、loss曲线、验证指标都记录下来，方便回溯和对比。我一般用TensorBoard记录，每50个epoch保存一次权重，最后挑验证IoU最高的那个。

6. 从27张图扩展到可用模型的路径

27张图只是一个起点，如果你真的想做一个能用的隧道漏水检测模型，扩展数据是绕不开的。扩展的路径有三条：一是继续在同一个隧道采集更多图像，覆盖不同区段、不同光照、不同漏水形态；二是找其他隧道的图像，增加场景多样性；三是用这27张图训练一个初步模型，然后用模型去预测未标注的图像，把高置信度的预测结果作为伪标签，人工修正后加入训练集，这就是半监督学习的思路。

伪标签这条路我实际走过，效果比预期好。具体做法是：用27张图训练一个U-Net，然后在几百张未标注的隧道图像上推理，把预测概率高于0.9的区域作为正样本伪标签，低于0.1的作为负样本伪标签，中间不确定的区域留给人工标注。这样一轮下来，能扩充出上百张有标签的数据，再训练一轮，IoU通常能提升5到10个百分点。当然，伪标签的质量取决于初始模型的质量，如果初始模型本身就很差，伪标签会引入大量噪声，反而有害。

另一个扩展方向是迁移学习。找一些公开的裂缝检测数据集、道路病害数据集，甚至医学图像分割数据集，先用它们预训练一个分割模型，再用27张漏水图微调。虽然领域不同，但底层纹理特征（边缘、纹理、灰度变化）是相通的，预训练能显著加速收敛，减少对标注量的依赖。我试过用裂缝数据集预训练，再微调漏水分割，验证IoU比从头训练高了将近0.1。

最后再分享一个小技巧：如果你手头的27张图分辨率很高（比如4000x3000），不要直接缩放到512x512训练，那样会丢失大量细节。更好的做法是切patch，把大图切成512x512的小块，有漏水区域的块保留，全背景的块按比例采样。这样27张图能切出几百个patch，等效数据量翻了好几倍，而且模型学到的是局部纹理特征，泛化能力更强。切patch的时候注意重叠采样，避免漏水区域被切碎。