yolo格式数据集之道路病害检测4类 8535张 已划分

yolo格式数据集之道路病害检测4类 8535张 已划分

 

地面道路病害检测数据集（Road Surface Defects Detection Dataset, RSDD）

摘要

RSDD 是一个专门为地面道路病害检测而设计的数据集，它包含了8535张高质量的道路表面图像，涵盖了四种常见的道路病害类型：鳄鱼裂纹、纵向裂缝、坑洼和横向裂缝。数据集提供了一套全面的标注信息，可以用于训练和评估YOLO系列的目标检测模型。RSDD 的目标是帮助研究人员和工程师开发更精确的路面病害检测系统，应用于公路养护、城市基础设施管理和交通安全等领域。

数据集特点

• 大量高质量图像：数据集拥有8535张高质量的道路表面图像，为模型训练提供了丰富的素材。
• 多种病害类别：数据集包含鳄鱼裂纹、纵向裂缝、坑洼和横向裂缝这四种常见的道路病害，满足各种应用场景的需求。
• 精准的标注信息：每张图像都经过专业人员的精细标注，确保了目标区域的准确性。
• 易于使用：数据集已经按照YOLO格式整理，可以直接用于训练和评估YOLO系列的目标检测模型。
• 广泛的适用性：适用于公路养护、城市基础设施管理和交通安全等多个领域。

数据集构成

• 总图像数量：8535张
• 类别数：4类
• 类别名称：Alligator Cracks, Longitudinal Cracks, Potholes, Transverse Cracks
• 数据集划分：
  • 训练集: 5981张
  • 验证集: 1768张
  • 测试集: 786张

示例代码

以下是一个简单的Python脚本示例，用于加载数据集中的一对图像-标签对，并可视化其中的标注信息：

import os
import cv2
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.patches import Rectangle

# 数据集目录路径
data_dir = 'path/to/rsdd_dataset'
train_image_dir = os.path.join(data_dir, 'images/train')
train_label_dir = os.path.join(data_dir, 'labels/train')

# 选取一张训练图像及其对应标签
image_files = os.listdir(train_image_dir)
image_file = image_files[0]  # 假设取第一张图
label_file = os.path.splitext(image_file)[0] + '.txt'  # 假设是TXT格式的标签

image_path = os.path.join(train_image_dir, image_file)
label_path = os.path.join(train_label_dir, label_file)

# 加载图像
image = cv2.imread(image_path, cv2.IMREAD_COLOR)
height, width, _ = image.shape

# 解析YOLO格式标签
def parse_yolo_label(label_path, image_width, image_height):
    bboxes = []
    with open(label_path, 'r') as f:
        lines = f.readlines()
        for line in lines:
            class_id, x_center, y_center, box_width, box_height = map(float, line.strip().split())
            x_min = int((x_center - box_width / 2) * image_width)
            y_min = int((y_center - box_height / 2) * image_height)
            box_width = int(box_width * image_width)
            box_height = int(box_height * image_height)
            bboxes.append((class_id, x_min, y_min, box_width, box_height))

    return bboxes

# 解析标签
bboxes = parse_yolo_label(label_path, width, height)

# 可视化标注
fig, ax = plt.subplots(figsize=(10, 10))
ax.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
colors = ['#FFA500', '#00FFFF', '#00BFFF', '#EE82EE']  # 这里展示四个颜色作为示例
names = ['Alligator Cracks', 'Longitudinal Cracks', 'Potholes', 'Transverse Cracks']  # 这里仅展示四个类别作为示例
for bbox, color_name in zip(bboxes, colors):
    class_id, x, y, w, h = bbox
    rect = Rectangle((x, y), w, h, linewidth=2, edgecolor=color_name, facecolor='none')
    ax.add_patch(rect)
    ax.text(x, y - 10, names[int(class_id)-1], color=color_name, fontsize=8)

plt.title('Road Surface Defects Detection Dataset')
plt.axis('off')
plt.show()

数据集使用指南

1. 数据准备：

   • 确认数据集路径是否正确，并且图像和标签文件均存在指定的目录下。
   • 检查数据集是否有损坏或缺失的文件，确保所有图像和对应的标注文件都是完整的。

2. 数据集划分：

   • 数据集已经被划分为训练集、验证集和测试集，分别有5981张、1768张和786张图像。

3. 配置文件：

   • 根据所使用的深度学习框架（如YOLOv5, YOLOv7, Detectron2等），创建合适的配置文件，设置好训练参数，包括学习率、批次大小、迭代次数等。

4. 模型训练：

   • 使用提供的数据集开始训练模型，注意根据实际情况调整模型参数。

5. 模型评估：

   • 训练完成后，在验证集上评估模型的表现，观察其在不同类别上的准确性和召回率。
   • 在最终测试集上进行评估以获取模型的真实性能。

6. 应用实践：

   • 将训练好的模型部署到实际的公路养护系统中，实现实时的道路病害检测和预防维修，提升公路的安全性和使用寿命。