智慧交通无人机航拍道路损伤分割数据集1017张Yolovoccoco三种标注方式数据集统计信息图像尺寸:640*640类别数量: 3 类训练集图像:800; 验证集图像:72; 测试集图像:145总图像数: 1017类别分布:类别名称 | 包含该类别的图像数 | 总标注数arrachement 掉块 | 75 | 171faiencage 龟裂 | 708 | 1064fissure 裂纹 | 707 | 2138一、数据集信息表格1.1 基础信息项目详情数据集名称无人机航拍道路损伤分割数据集总图像数量1017 张图像尺寸640×640标注格式YOLO、VOC、COCO类别总数3 类训练集800 张验证集72 张测试集145 张1.2 类别标注明细序号英文类别中文类别含该类别图像数标注实例总数0arrachement掉块751711faiencage龟裂70810642fissure裂纹70721381.3 YOLO 类别配置names[arrachement,faiencage,fissure]二、应用场景无人机道路巡检航拍影像自动分割识别路面掉块、龟裂、裂纹替代人工巡查。市政道路养护统计路面病害类型、分布及面积制定修复方案。交通工程检测道路质量评估、病害发展趋势分析。图像分割算法研发航拍场景、路面病害实例分割模型训练、学术研究与竞赛。智慧交通运维对接监控/无人机设备实现路面损伤实时监测预警。三、YOLOv11 训练推理代码3.1 环境依赖安装pipinstallultralytics torch opencv-python numpy3.2 数据集配置文件road_damage_seg.yamlpath:./road_damage_datasettrain:images/trainval:images/valtest:images/testnc:3names:0:arrachement1:faiencage2:fissure3.3 数据集目录结构road_damage_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ # YOLO 分割标注 │ ├── train/ │ ├── val/ │ └── test/ ├── voc_annotations/ # VOC 标注文件 ├── coco_annotations/# COCO 标注文件 └── road_damage_seg.yaml3.4 训练代码train_damage_seg.pyfromultralyticsimportYOLOdeftrain_road_damage():# 选用YOLOv11分割模型modelYOLO(yolov11n-seg.yaml)model.train(dataroad_damage_seg.yaml,epochs80,imgsz640,batch16,devicecpu,# GPU环境改为 device0workers4,patience15,ampTrue,mosaic1.0,projectruns/train,nameroad_damage_seg,exist_okTrue)print(训练完成权重存放路径runs/train/road_damage_seg/weights)if__name____main__:train_road_damage()3.5 推理测试代码predict_damage_seg.pyfromultralyticsimportYOLO# 加载训练完成的最优权重modelYOLO(runs/train/road_damage_seg/weights/best.pt)if__name____main__:# 单张图片检测分割resmodel(test.jpg,saveTrue,conf0.25)# 批量图片检测# res model(./test_imgs/, saveTrue, conf0.25)# 视频/摄像头实时检测# res model(0, saveTrue, conf0.25)print(推理测试完成)