基于深度学习的道路语义分割 车辆分割 道路分割识别 YOLOv8 cityscapes城市道路语义分割识别(yolo格式数据集+代码+权重)

YOLOv8_cityscapes

本仓库提供了将Cityscapes[1]数据集应用于YOLOv8[2]语义分割的指导方案。

功能特性

由于数据集格式不兼容，需要进行转换处理。Cityscapes数据集主要以图像坐标系中的多边形进行语义分割标注，而YOLOv8需要的是归一化坐标系的多边形分割格式。因此需要将Cityscapes数据集的JSON文件转换为.txt格式，并删除标签值为255的条目。之后需要使图像文件与转换后的.txt标注文件名称保持一致。最后在数据集目录根部创建data.yaml文件，指定包含数据的train、valid、test文件夹，并填入标签值。

命令行指令

python convert.py<标注文件夹路径>

演示案例

在result_example文件夹中，您将看到使用Cityscapes数据集小型子集训练的模型文件。本仓库包含少量图像作为示例，展示如何向YOLOv8模型输入数据。实际训练时请使用更多数据。

使用该数据训练的模型已应用于Cityscapes视频。
下方为效果动图。

许可证

YOLOv8城市道路场景语义分割系统

系统概述

本系统基于YOLOv8架构，针对城市道路场景(Cityscapes)进行语义分割优化，实现道路环境要素的精确识别与分割。系统通过深度学习技术，可准确识别包括道路、车辆、行人、交通标志等30+类城市道路要素。

核心功能

数据集转换模块

• 支持Cityscapes原生JSON标注格式到YOLOv8标准txt格式的自动转换
• 自动过滤无效标注(标签值255)
• 坐标系归一化处理
• 生成标准YOLO数据配置文件(data.yaml)

模型训练优化

• 预置YOLOv8n/s/m/l/x全系列模型配置
• 自适应学习率调整策略
• 针对城市场景的损失函数优化
• 多尺度训练支持(512×512～1024×1024)

推理部署能力

• 实时视频流处理(≥25FPS @1080p)
• 支持TensorRT加速部署
• 提供Python/C++推理接口
• 多平台兼容(Windows/Linux/Jetson)
  

性能指标

*测试环境：RTX 3090, 输入分辨率1024×512

应用场景

1. 自动驾驶感知系统

   • 道路可行驶区域检测
   • 动态障碍物识别
   • 交通标志理解
     

2. 智慧城市管理

   • 道路设施普查
   • 违章建筑检测
   • 市政规划辅助

3. 交通监控分析

   • 车流统计
   • 事故检测
   • 行人流量监测

使用教程

快速开始

# 数据集转换python convert.py--inputcityscapes/annotations--outputyolov8_labels# 训练示例yolo trainmodel=yolov8s-seg.yamldata=data.yamlepochs=100imgsz=640

推理演示

fromultralyticsimportYOLO model=YOLO('yolov8s-seg.pt')results=model.predict('cityscape_video.mp4',show=True)

技术优势

1. 精度提升

   • 采用改进的SPPF模块增强感受野
   • 引入注意力机制优化小目标检测
   • 自适应类别权重平衡

2. 效率优化

   • 动态计算图优化
   • 混合精度训练
   • 内存高效设计

3. 部署友好

   • ONNX/TensorRT导出支持
   • 量化感知训练
   • 多后端推理引擎兼容

可视化效果

图：城市道路场景实时语义分割效果展示（包含19类语义标签）

基于深度学习的道路语义分割 车辆分割 道路分割识别 YOLOv8 cityscapes城市道路语义分割识别(yolo格式数据集+代码+权重)## 后续计划

• 增加全景分割支持
• 开发轻量化移动端版本
• 集成BEV视角转换
• 支持更多城市数据集(如Mapillary Vistas)

参考文献

[1] M. Cordts, M. Omran, S. Ramos, T. Rehfeld, M. Enzweiler, R. Benenson, U. Franke, S. Roth, and B. Schiele, “面向语义城市场景理解的Cityscapes数据集”，发表于IEEE计算机视觉与模式识别会议(CVPR)，2016.