智能巡检车、无人机道路检测、AI 路况分析平台 智慧交通 驾驶视角道路病害缺陷检测数据集 建立基于深度学习框架YOLOV8道路病害缺陷检测系统 裂纹 网快 坑洼
道路缺陷检测数据集
使用labelimg标注，标签的格式是txt格式，适用于yolo目标检测系列所有版本训练数据集。
标注了（裂纹（Crack）、
检查井（Manhole）、
网（Net）、
裂纹块（Patch-Crack）、
网块（Patch-Net）、
坑洼块（Patch-Pothole）、
坑洼（Pothole）和其他（other））
这八个类别，数据集总计6000张图片。
以下是道路缺陷检测数据集的详细信息汇总表，适用于 YOLO 系列目标检测模型（YOLOv5/v6/v7/v8/v9/v10 等）：
| 项目 | 内容描述 |
|---|---|
| 数据集名称 | 道路表面缺陷检测数据集（Road Defect Detection Dataset） |
| 应用场景 | 智慧交通、市政巡检、自动驾驶感知、道路养护评估、无人机/车载视觉系统 |
| 图像总数 | 6,000 张（高分辨率路面图像，涵盖不同光照、天气、材质与视角） |
| 标注工具 | LabelImg（标准开源标注工具） |
| 标签格式 | YOLO 格式.txt文件每行格式：class_id x_center y_center width height（坐标归一化至 [0,1]）✅ 与所有 YOLO 系列模型完全兼容（YOLOv5 / v6 / v7 / v8 / v9 / v10 等） |
| 类别数量 | 8 类 |
| 类别定义 | 1.Crack（裂纹）——线性裂缝2.Manhole（检查井）——井盖或井口3.Net（网状裂纹）——龟裂、网状破损4.Patch-Crack（裂纹修补块）——含裂纹的修补区域5.Patch-Net（网状修补块）——含网状裂纹的修补区域6.Patch-Pothole（坑洼修补块）——已填补但存在缺陷的坑洼区域7.Pothole（坑洼）——未修补的凹陷坑洞8.other（其他）——不属于上述类别的异常或干扰物 |
| 数据划分 | -训练集（train）：4,800 张（80%）-验证集（val）：900 张（15%）-测试集（test）：300 张（5%）✅ 已预划分，目录结构清晰 |
| 目录结构 | <br>road_defect_yolo/<br>├── images/<br>│ ├── train/<br>│ ├── val/<br>│ └── test/<br>├── labels/<br>│ ├── train/<br>│ ├── val/<br>│ └── test/<br>└── road_defect.yaml<br> |
| YAML 配置文件 | road_defect.yaml内容：yaml<br>train: ./images/train<br>val: ./images/val<br>test: ./images/test<br><br>nc: 8<br>names: ['Crack', 'Manhole', 'Net', 'Patch-Crack', 'Patch-Net', 'Patch-Pothole', 'Pothole', 'other']<br>✅开箱即用，无需修改路径或类别顺序 |
| 图像特点 | - 分辨率：常见 1280×720、1920×1080 或更高- 场景多样：城市道路、高速公路、乡村路面- 包含阴影、积水、车辆遮挡、反光等真实干扰 |
| 标注质量 | - 边界框紧密贴合缺陷区域- 修补块（Patch-*）与原始缺陷（Crack/Net/Pothole）区分明确- “other” 类用于过滤非目标干扰（如垃圾、轮胎印等） |
| 使用优势 | - 规模大（6k+），适合训练鲁棒模型- 覆盖主流道路病害类型- 兼容 YOLO 全系列，无需格式转换- 可直接用于科研或工业部署 |
| 典型用途 | - 道路健康度自动评估系统- 市政养护工单自动生成- 自动驾驶环境感知模块- 学术研究（目标检测、小目标识别、域泛化） |
💡训练建议：
- 使用YOLOv8s/m平衡精度与速度
- 对“Crack”“Net”等细长目标，建议输入尺寸 ≥640
- 启用 Mosaic 和 Copy-Paste 增强提升小缺陷召回率
该数据集可直接用于智能巡检车、无人机道路检测、AI 路况分析平台等实际工程场景。
1