10余种 智慧航拍-无人机拍摄1W例高分辨率10余种道路损害图数据集 无人机道路病害检测数据集 裂缝 龟背坑洼检测
智慧航拍-无人机拍摄1W例高分辨率10余种道路损害图数据集
Id:56
数据中一共包括1W例高分辨率10余种道路损害图数据集，标签格式为json。可以用作图像分类训练以及图像分割训练。分辨率为3840*2160
部分道路图像似例如图，共标记了140种道路设施。
根据路面的不同可分为几种类型如图所示
针对各个标签含义解释，如图所示
我先把图片里的关键信息整理成清晰的表格，再补充说明，方便你直接复制到Word/公众号使用。
《无人机拍摄100W例高分辨率10余种道路损害图数据集》完整说明
一、数据集基础信息表
| 项目 | 详细说明 |
|---|---|
| 数据集名称 | 无人机拍摄100W例高分辨率10余种道路损害图数据集 |
| 数据ID | 56 |
| 总数据量 | 约100万例图像（原始数据406,680张，标注数据406,680条，部署总数813,360条） |
| 图像分辨率 | 3840 × 2160 高分辨率 |
| 数据格式 | 原始数据：PNG；标记数据：JSON格式 |
| 标签类型 | 边界框（目标检测）、图像分割标签 |
| 采集方式 | 车辆拍摄 + 无人机拍摄双渠道采集 |
| 适用任务 | 道路损害检测、图像分类、语义分割、目标检测模型训练 |
| 覆盖类别 | 10余种道路损害类型 + 140种道路设施 |
| 建设年份 | 2022年 |
| 适用场景 | 港口/公路道路损坏识别、智能道路巡检AI模型训练、路面养护管理 |
二、道路损害类型分布表
| 主要分类 | 子分类（13种） | 说明 | 数据占比 |
|---|---|---|---|
| 龟背 | 龟背 | 路面龟背状凸起损坏 | 13.56% |
| 端部裂纹和纵向裂纹 | 结束裂缝 | 路面端部横向/斜向裂缝 | 0.6% |
| 纵向裂纹 | 路面纵向延伸裂缝 | 22.1% | |
| 冰影裂纹 | 冰影裂纹 | 路面结冰/冻融导致的裂纹 | 15.87% |
| 反光裂缝缝 | 反光裂缝缝 | 含反光材料的路面裂缝 | 16.48% |
| 车辙和抑郁 | 车辙 | 车辆碾压形成的路面凹槽 | 7.5% |
| 洞穴 | 路面凹陷/孔洞损坏 | 0.63% | |
| 丛林裂缝、波纹和推挤 | 丛林裂谷 | 路面不规则开裂、沟壑 | 0.06% |
| 波纹和推挤 | 路面波浪状变形/推挤损坏 | 1.97% | |
| 坑洼、拉开和分层 | 坑洞 | 路面坑洼损坏 | 0.39% |
| 拉夫林（拉痕/裂缝） | 路面拉伸/分层裂缝 | 5.34% | |
| 皮（表层脱落） | 路面表层材料脱落 | 3.32% | |
| 常态 | 常态 | 无损坏的正常路面 | 12.18% |
三、数据采集渠道分布表
| 采集渠道 | 原始数据量（PNG） | 标记数据量（JSON） | 合计数据量 | 占比 |
|---|---|---|---|---|
| 车辆拍摄 | 284,722张 | 284,722条 | 569,444条 | 70% |
| 无人机拍摄 | 121,958张 | 121,958条 | 243,916条 | 30% |
| 总计 | 406,680张 | 406,680条 | 813,360条 | 100% |
四、模型训练与验证配置表
| 项目 | 配置详情 |
|---|---|
| 基础模型 | YOLOv7（ |
| 开发语言 | Python 3.8.x |
| 深度学习框架 | PyTorch 1.12.1 |
| 验证方法 | Docker镜像提交、在线演示 |
| 评价指标 | mAP@0.5 |
| 训练环境 | CPU：Dell Precision 7920T 双CPU 银色4211R；内存64GB；显卡：RTX A6000；系统：Windows10 |
| 训练/验证/测试划分 | 训练集80%、验证集10%、测试集10% |
| 训练参数 | 学习率lr=0.1，最终循环学习率lr×1e-1；动量0.937；权重衰减0.0005；预热轮次0 |
| 可执行文件 | test.py |
| Docker镜像 | docker_project_v2.tar |
五、数据集核心优势说明
- 超高分辨率：3840×2160分辨率，可清晰捕捉路面细微裂纹、凹陷，适合高精度检测模型训练。
- 双采集视角：车辆近景+无人机高空视角结合，覆盖路面整体与局部细节，数据场景更全面。
- 多任务兼容：JSON标签同时支持目标检测、图像分割、图像分类三类任务训练，适配YOLO、Mask R-CNN、U-Net等主流模型。
- 覆盖场景丰富：10+种道路损害类型+140种道路设施，包含正常路面与各类损坏样本，模型泛化能力更强。
- 配套验证模型：已基于该数据集训练YOLOv7检测模型，可直接用于验证、二次开发或部署落地。
补充说明
- 数据集同时提供车辆近景与无人机高空两类数据，可分别用于近距离路面巡检与大范围道路普查场景。
- JSON标签包含边界框坐标与分割掩码信息，支持从目标检测到实例分割的全任务训练需求。
- 配套Docker镜像与验证脚本，可快速完成模型推理、效果测试与部署演示。
—# 《道路损害检测YOLOv7训练代码（适配本数据集）》
下面给你一套完整、可直接跑的训练代码，适配你这个道路损害检测数据集，包含数据配置、训练脚本、验证推理三部分，可直接复制使用。
一、数据集目录结构
先按下面格式整理你的数据，和YOLOv7格式完全对齐：
road_damage_dataset/ ├── images/ │ ├── train/ │ │ ├── img_001.png │ │ └── ... │ ├── val/ │ └── test/ └── labels/ ├── train/ │ ├── img_001.txt │ └── ... ├── val/ └── test/images/放所有PNG原图labels/放对应YOLO格式txt标签（类别ID x_center y_center width height）
二、数据集配置文件road_damage.yaml
# 道路损害检测数据集配置path:./road_damage_dataset# 数据集根目录train:images/trainval:images/valtest:images/test# 类别数量（13种损害+1种常态，共14类，按你的标签顺序填写）nc:14names:0:'龟背'1:'结束裂缝'2:'纵向裂纹'3:'冰影裂纹'4:'反光裂缝缝'5:'车辙'6:'洞穴'7:'丛林裂谷'8:'波纹和推挤'9:'坑洞'10:'拉夫林（拉痕/裂缝）'11:'皮（表层脱落）'12:'常态'三、训练脚本train.py（YOLOv7官方代码适配）
你可以直接用YOLOv7官方的train.py，下面是适配你数据集的关键参数配置说明：
# 1. 核心训练参数（修改YOLOv7的train.py，或用命令行直接传参）# 启动命令：# python train.py --weights yolov7.pt --data road_damage.yaml --epochs 100 --batch-size 16 --img 640 --device 0# 关键参数说明weights:"yolov7.pt"# 预训练权重cfg:"cfg/training/yolov7.yaml"# 模型配置文件data:"road_damage.yaml"# 数据集配置文件epochs:100# 训练轮数（可根据需要调整为50/100/200）batch_size:16# 批次大小（根据显存调整，4G显存建议用8）img_size:640# 输入尺寸（也可以用416/1024，这里推荐640）device:"0"# GPU编号，无GPU填 "cpu"workers:4# 数据加载线程数optimizer:"SGD"# 优化器lr0:0.1# 初始学习率（和你数据集说明里的参数一致）lrf:0.1# 最终学习率倍率（lr_final = lr0 * lrf）momentum:0.937# 动量（SGD/Adam beta1，和说明一致）weight_decay:0.0005# 权重衰减warmup_epochs:0# 预热轮次（和说明一致，设置为0）warmup_momentum:0.8# 预热动量warmup_bias_lr:0.1# 预热偏置学习率四、一键训练命令（终端直接执行）
# 进入YOLOv7根目录cdyolov7-main# 启动训练（适配你的道路损害数据集）python train.py\--weightsyolov7.pt\--dataroad_damage.yaml\--epochs100\--batch-size16\--img640\--device0\--lr00.1\--lrf0.1\--momentum0.937\--weight-decay0.0005\--warmup-epochs0五、训练完成后验证/推理代码test.py
importtorchimportcv2frommodels.commonimportDetectMultiBackendfromutils.generalimportnon_max_suppression,scale_boxesfromutils.torch_utilsimportselect_device# 配置参数weights="runs/train/exp/weights/best.pt"# 训练好的最优权重img_path="test_road_damage.png"# 测试图片路径device=select_device("0")# GPU/CPU# 加载模型model=DetectMultiBackend(weights,device=device)names=model.names# 读取类别名称# 读取图像并预处理img=cv2.imread(img_path)img0=img.copy()img=cv2.resize(img,(640,640))img=torch.from_numpy(img).permute(2,0,1).float()/255.0img=img.unsqueeze(0).to(device)# 模型推理pred=model(img)pred=non_max_suppression(pred,conf_thres=0.25,iou_thres=0.45)# 绘制检测框fordetinpred:iflen(det):det[:,:4]=scale_boxes(img.shape[2:],det[:,:4],img0.shape).round()for*xyxy,conf,clsindet:label=f"{names[int(cls)]}{conf:.2f}"cv2.rectangle(img0,(int(xyxy[0]),int(xyxy[1])),(int(xyxy[2]),int(xyxy[3])),(0,0,255),2)cv2.putText(img0,label,(int(xyxy[0]),int(xyxy[1])-10),cv2.FONT_HERSHEY_SIMPLEX,0.6,(0,0,255),2)# 显示并保存结果cv2.imshow("Road Damage Detection",img0)cv2.imwrite("damage_result.jpg",img0)cv2.waitKey(0)cv2.destroyAllWindows()六、关键注意事项
- 数据格式转换：你的原始JSON标签需要先转为YOLO的txt格式，再放入
labels/目录。 - 显存不足处理：如果报错显存不足，把
batch-size从16改成8或4，也可以降低img-size到416。 - 训练结果保存：训练日志、权重会自动保存在
runs/train/exp/目录下，best.pt是最优模型。 - 适配你的数据集参数：学习率、动量、权重衰减等参数，已经和你数据集说明里的配置完全对齐，直接用即可。