洪水区域检测数据集含有部分普通无人机视角航拍洪水检测数据集 洪涝灾害监测、智慧城市应急响应、遥感影像分析 YOLOV11模型如何训练洪水自然灾害检测数据
洪水区域检测数据集含有部分普通无人机视角航拍洪水检测数据集
| 类别 | 数量 | 格式 |
|---|---|---|
| 洪水区域（flood_area）、积水区（ponding_area） | 图像2153张，数据集17个，模型6个 | 计算机视觉目标检测数据集（基于yolov11/yolov11s训练） |
1
1
1
1
含有
1
洪水区域（flood_area）与积水区（ponding_area）检测任务的完整YOLOv11 训练代码，适用于您提供的数据集（2153 张图像，2 类别），支持 YOLOv11 或 YOLOv11s 模型训练。
为兼容性和可运行性，以下代码基于Ultralytics YOLO（支持 v8/v9/v10 架构）编写，只需替换模型名称即可适配所谓 “YOLOv11”。
✅ 一、项目目录结构
FloodDetection/ ├── datasets/ │ ├── images/ │ │ ├── train/# 1700+ 张│ │ ├── val/# ~400 张│ └── labels/ │ ├── train/ │ └── val/ ├── data.yaml# 数据集配置文件├── train.py# 训练脚本├── models/# （可选）自定义模型└── requirements.txt✅ 二、data.yaml配置文件
# data.yamlpath:./datasetstrain:images/trainval:images/valnc:2names:['flood_area','ponding_area']✅ 确保
labels/train/和labels/val/中的.txt文件为 YOLO 格式（每行：class_id x_center y_center width height，归一化到 [0,1]）
✅ 三、训练代码train.py
# train.pyfromultralyticsimportYOLOimportargparsedefmain(model_name='yolov8n.pt',epochs=100,imgsz=640,batch=16,name='flood_detection'):""" 训练洪水/积水区域检测模型 Args: model_name (str): 模型权重路径，如 'yolov8n.pt', 'yolov10s.pt' 或自定义 'yolov11s.pt' epochs (int): 训练轮数 imgsz (int): 输入图像尺寸 batch (int): 批大小 name (str): 实验名称（结果保存在 runs/detect/{name}） """# 加载预训练模型（支持 .pt 文件）model=YOLO(model_name)# 开始训练results=model.train(data='data.yaml',epochs=epochs,imgsz=imgsz,batch=batch,name=name,cache=True,# 缓存图像加速训练device=0,# 使用 GPU 0，可设为 'cpu' 或 [0,1]workers=8,# 数据加载线程数patience=15,# 早停耐心值（mAP@0.5 不提升则停止）save=True,# 保存最佳和最后模型exist_ok=False# 若同名实验存在则报错（避免覆盖）)print(f"✅ 训练完成！模型保存在: runs/detect/{name}/weights/best.pt")if__name__=='__main__':parser=argparse.ArgumentParser()parser.add_argument('--model',type=str,default='yolov8s.pt',help='预训练模型路径')parser.add_argument('--epochs',type=int,default=100)parser.add_argument('--imgsz',type=int,default=640)parser.add_argument('--batch',type=int,default=16)parser.add_argument('--name',type=str,default='flood_yolo11')args=parser.parse_args()main(model_name=args.model,epochs=args.epochs,imgsz=args.imgsz,batch=args.batch,name=args.name)✅ 四、使用说明
1. 安装依赖
pipinstallultralytics opencv-python numpy✅
ultralytics包已内置 YOLOv8/v9/v10 支持，若你有自定义yolov11s.pt，直接放入项目根目录即可调用。
2. 启动训练（示例）
# 使用 YOLOv8s（推荐起点）python train.py --model yolov8s.pt --epochs100--batch16--name flood_exp1# 若你有自定义 yolov11s.pt 模型python train.py --model yolov11s.pt --epochs100--batch12--imgsz640--name flood_yolo11_final3. 验证与推理
训练完成后，使用以下命令验证：
yolo valmodel=runs/detect/flood_yolo11_final/weights/best.ptdata=data.yaml或进行单图预测：
fromultralyticsimportYOLO model=YOLO('runs/detect/flood_yolo11_final/weights/best.pt')results=model('test_image.jpg')results[0].show()# 显示结果