无人机视角低空铁路轨道缺陷可识别剥落裂缝检测数据集VOC+YOLO格式4599张8类别

注意数据集分辨率有点小只有320x320可能不太清楚请仔细查看图片例子自行斟酌。不同人有不同观点，有的人可能认为不是无人机拍摄的可以从下面提供图片自行斟酌

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)

图片数量(jpg文件个数)：4599

标注数量(xml文件个数)：4599

标注数量(txt文件个数)：4599

标注类别数：8

所在github仓库：firc-dataset

标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["Cracks","Flakings","Grooves","Joints","Normal","Shellings","Spallings","Squats"]

每个类别标注的框数：

Cracks（裂缝） 框数 = 632

Flakings（鳞片状脱落） 框数 = 631

Grooves（凹槽） 框数 = 633

Joints（接缝） 框数 = 670

Normal（正常） 框数 = 351

Shellings（掉块） 框数 = 643

Spallings（崩裂/剥落） 框数 = 694

Squats（轨面压溃/塌陷） 框数 = 630

总框数：4884

每个类别占有图片数：

Cracks（裂缝） 占有图片数 = 631

Flakings（鳞片状脱落） 占有图片数 = 594

Grooves（凹槽） 占有图片数 = 631

Joints（接缝） 占有图片数 = 607

Normal（正常） 占有图片数 = 350

Shellings（掉块） 占有图片数 = 631

Spallings（崩裂/剥落） 占有图片数 = 631

Squats（轨面压溃/塌陷） 占有图片数 = 525

图片分辨率：320x320

使用标注工具：labelImg

标注规则：对类别进行画矩形框

重要说明：数据集没有划分训练验证测试集需自行划分

特别声明：本数据集不对训练的模型或者权重文件精度作任何保证

图片预览：

标注例子：

单张图片：