无人机航拍地面道路病害检测7类 yolo 33585张

无人机航拍地面道路病害检测7类 yolo 33585张

空中与地面拍摄道路病害检测数据集（Aerial and Ground Photography Road Defect Detection Dataset, AGPRDD）

摘要

AGPRDD 是一个专为空中与地面拍摄的道路病害检测而设计的数据集，它包含了33585张高质量的图像，涵盖了七种不同的道路病害类型。数据集提供了一套全面的标注信息，可用于训练和评估YOLO系列的目标检测模型。AGPRDD 的目标是帮助研究人员和工程师开发更精确的空中与地面拍摄的道路病害检测系统，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

• 多样化的图像来源：数据集包含空中拍摄和地面拍摄两种类型的图像，为模型训练提供了丰富的素材。
• 多种病害类别：数据集包含D00、D10、D20、D40、D44、D50、D43这七种常见的道路病害，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：33585张
• 类别数：7类
• 
• 类别名称：D00, D10, D20, D40, D44, D50, D43
• 数据集划分：
  • 训练集: 6798张
  • 验证集: 3284张
  • 测试集: 23503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/agprdd_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', '#00FA9A', '#F08080', '#ADD8E6']  # 这里展示七个颜色作为示例
names = ['D00', 'D10', 'D20', 'D40', 'D44', 'D50', 'D43']  # 这里仅展示七个类别作为示例
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('Aerial and Ground Photography Road 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6798张、3284张和23503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，实现实时的空中与地面拍摄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
   •