【数据集】【YOLO】【目标检测】道路裂缝数据集 5466 张，YOLO/VOC格式标注！

数据集介绍

【数据集】道路裂缝数据集 5466 张，目标检测，包含YOLO/VOC格式标注。数据集中包含一种分类，检测范围城市道路裂缝、高速道路裂缝、乡村道路裂缝。

戳我头像获取数据，或者主页私聊博主哈~

一、数据概述

道路裂缝检测的重要性

  1. 保障交通安全：道路裂缝是道路损坏的常见形式，如果不及时修复，可能会导致路面松动、坍塌等问题，严重影响交通安全。通过道路裂缝检测，可以及时发现并修复裂缝，从而保障道路的通行安全。

  2. 降低维护成本：道路裂缝的修复成本相对较低，但如果裂缝扩展到严重程度，修复成本将大幅增加。因此，通过定期的道路裂缝检测，可以在裂缝初期就进行修复，从而降低维护成本。

  3. 提升道路使用寿命：道路裂缝的及时修复可以延长道路的使用寿命，减少因裂缝导致的道路损坏和重建频率。

随着人工智能和计算机视觉的发展，深度学习方法逐渐开始取代传统的图像处理技术，成为道路裂缝检测的主流方法。

  1. 卷积神经网络（CNN）：CNN是深度学习中最常用的图像识别算法之一。通过搭建包含多个卷积层和全连接层的网络模型，可以对道路裂缝图像进行特征提取和分类。实验证明，CNN具有更高的精度和更强的泛化能力。

  2. YOLO系列算法：YOLO（You Only Look Once）系列算法是一种实时的目标检测算法，具有检测速度快、模型尺寸小等优点。通过改进YOLO算法，可以实现对道路裂缝的快速、准确检测。例如，引入注意力机制、加权双向特征金字塔等模块，可以进一步提升模型的检测精度和鲁棒性。

  3. 无人机巡检与识别：无人机搭载高分辨率相机或传感器，可以对大面积的道路进行快速巡检。通过图像处理和机器学习技术，可以实现对裂缝的自动化分析和分类。这种方法不仅提高了检测效率，还降低了人力成本。

该数据集含有5466张图片，包含Pascal VOC XML格式和YOLO TXT格式，用于训练和测试城市道路裂缝、道路坑洼、路面险情等情况。图片格式为jpg格式，标注格式分别为：

YOLO：txt

VOC：xml

数据集均为手工标注，保证标注精确度。

二、数据集文件结构

road_cracks/

——Annotations/

——images/

——labels/

——data.yaml

Annotations文件夹为Pascal VOC格式的XML文件 ，images文件夹为jpg格式的数据样本，labels文件夹是YOLO格式的TXT文件，data.yaml是数据集配置文件，包含道路裂缝检测的目标分类和加载路径。

三、数据集适用范围 

  • 目标检测场景
  • yolo训练模型或其他模型
  • 城市道路裂缝、高速道路裂缝、乡村道路裂缝、道路坑洼
  • 智慧交通、道路险情预警、道路养护

四、数据集标注结果 

​

1、数据集内容 

  1. 多角度场景：包含无人机视角、俯视视角、道路裂缝、道路坑洼；
  2. 标注内容：classes = ['cracks']，总计1个分类。
  3. 图片总量：5466张图片数据；
  4. 标注类型：含有Pascal VOC XML格式和yolo TXT格式；

五、训练过程

1、导入训练数据

下载YOLOv8项目压缩包，解压在任意本地workspace文件夹中。

下载YOLOv8预训练模型，导入到ultralytics-main项目根目录下。

在ultralytics-main项目根目录下，创建data文件夹，并在data文件夹下创建子文件夹：Annotations、images、imageSets、labels，其中，将pascal VOC格式的XML文件手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中，imageSets和labels两个文件夹不导入数据。

data目录结构如下：

data/

——Annotations/   //存放xml文件

——images/          //存放jpg图像

——imageSets/

——labels/

2、数据分割

首先在ultralytics-main目录下创建一个split_train_val.py文件，运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt，里面存放的就是用于训练、验证、测试的图片名称。

import os
import randomtrainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')for i in list:name = total_xml[i][:-4] + '\n'if i in trainval:ftrainval.write(name)if i in train:ftrain.write(name)else:fval.write(name)else:ftest.write(name)ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

3、数据集格式化处理

这段代码是用于处理图像标注数据，将其从XML格式（通常用于Pascal VOC数据集）转换为YOLO格式。

convert_annotation函数

  • 这个函数读取一个图像的XML标注文件，将其转换为YOLO格式的文本文件。

  • 它打开XML文件，解析树结构，提取图像的宽度和高度。

  • 然后，它遍历每个目标对象（object），检查其类别是否在classes列表中，并忽略标注为困难（difficult）的对象。

  • 对于每个有效的对象，它提取边界框坐标，进行必要的越界修正，然后调用convert函数将坐标转换为YOLO格式。

  • 最后，它将类别ID和归一化后的边界框坐标写入一个新的文本文件。

import xml.etree.ElementTree as ET
import os
from os import getcwdsets = ['train', 'val', 'test']
classes = ['cracks'] # 根据标签名称填写类别
abs_path = os.getcwd()
print(abs_path)def convert(size, box):dw = 1. / (size[0])dh = 1. / (size[1])x = (box[0] + box[1]) / 2.0 - 1y = (box[2] + box[3]) / 2.0 - 1w = box[1] - box[0]h = box[3] - box[2]x = x * dww = w * dwy = y * dhh = h * dhreturn x, y, w, hdef convert_annotation(image_id):in_file = open('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')out_file = open('data/labels/%s.txt' % (image_id), 'w')tree = ET.parse(in_file)root = tree.getroot()size = root.find('size')w = int(size.find('width').text)h = int(size.find('height').text)for obj in root.iter('object'):difficult = obj.find('difficult').textcls = obj.find('name').textif cls not in classes or int(difficult) == 1:continuecls_id = classes.index(cls)xmlbox = obj.find('bndbox')b = (float(xmlbox.find('xmin').text),float(xmlbox.find('xmax').text),float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))b1, b2, b3, b4 = b# 标注越界修正if b2 > w:b2 = wif b4 > h:b4 = hb = (b1, b2, b3, b4)bb = convert((w, h), b)out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')wd = getcwd()
for image_set in sets:if not os.path.exists('data/labels/'):os.makedirs('data/labels/')image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()list_file = open('data/%s.txt' % (image_set), 'w')for image_id in image_ids:list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))convert_annotation(image_id)list_file.close()

4、修改数据集配置文件

train: ../train/images
val: ../valid/images
test: ../test/imagesnc: 1
names: ['cracks']

5、执行命令

执行train.py

model = YOLO('yolov8s.pt')
results = model.train(data='data.yaml', epochs=200, imgsz=640, batch=16, workers=0)

也可以在终端执行下述命令：

yolo train data=data.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=0

六、获取数据集 

戳我头像获取数据，或者主页私聊博主哈~

基于QT的目标检测可视化界面

一、环境配置

# 安装torch环境
pip install torch -i https://pypi.tuna.tsinghua.edu.cn/simple
# 安装PySide6依赖项
pip install PySide6 -i https://pypi.tuna.tsinghua.edu.cn/simple
# 安装opencv-python依赖项
pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

二、使用说明

​

界面功能介绍：

  • 原视频/图片区：上半部分左边区域为原视频/图片展示区；
  • 检测区：上半部分右边区域为检测结果输出展示区；
  • 文本框：打印输出操作日志；
  • 加载模型：下拉框绑定本地文件路径，按钮加载路径下的模型文件；
  • 置信度阈值：自定义检测区的置信度阈值；
  • 文件上传：选择目标文件；
  • 开始检测：执行检测程序；
  • 停止：终止检测程序；

 三、预测效果展示

1、图片检测

​

切换置信度再次执行：

​

2、视频检测 

​

四、前端代码 

class MyWindow(QtWidgets.QMainWindow):def __init__(self):super().__init__()self.init_gui()self.model = Noneself.timer = QtCore.QTimer()self.timer1 = QtCore.QTimer()self.cap = Noneself.video = Noneself.file_path = Noneself.base_name = Noneself.timer1.timeout.connect(self.video_show)def init_gui(self):self.folder_path = "model_file"  # 自定义修改：设置文件夹路径self.setFixedSize(1300, 650)self.setWindowTitle('目标检测')  # 自定义修改：设置窗口名称self.setWindowIcon(QIcon("111.jpg"))  # 自定义修改：设置窗口图标central_widget = QtWidgets.QWidget(self)self.setCentralWidget(central_widget)main_layout = QtWidgets.QVBoxLayout(central_widget)# 界面上半部分： 视频框topLayout = QtWidgets.QHBoxLayout()self.oriVideoLabel = QtWidgets.QLabel(self)self.detectlabel = QtWidgets.QLabel(self)self.oriVideoLabel.setFixedSize(530, 400)self.detectlabel.setFixedSize(530, 400)self.oriVideoLabel.setStyleSheet('border: 2px solid #ccc; border-radius: 10px; margin-top:75px;')self.detectlabel.setStyleSheet('border: 2px solid #ccc; border-radius: 10px; margin-top: 75px;')# 960 540  1920 960topLayout.addWidget(self.oriVideoLabel)topLayout.addWidget(self.detectlabel)main_layout.addLayout(topLayout)

五、代码获取

YOLO可视化界面

戳我头像获取数据，或者主页私聊博主哈~

注：以上均为原创内容，转载请私聊！！！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.xdnf.cn/news/7364.html

如若内容造成侵权/违法违规/事实不符，请联系一条长河网进行投诉反馈，一经查实，立即删除！

相关文章

SCRM开发新趋势打造高效客户关系管理系统

SCRM开发新趋势打造高效客户关系管理系统

内容概要 在当今数字化的浪潮中，客户关系管理（SCRM）系统的开发正迎来了突破性的新趋势。传统的客户管理方式已经无法满足现代企业对灵活性与高效性的需求，我们必须顺应时代的发展，采用更为智能化的解决方案。SCRM开发…
阅读更多...
WordPress在windows下安装

WordPress在windows下安装

目录 一、WordPress下载官网 二、配置 WordPress 三、安装WordPress 1、打开测试域名安装 2、创建数据库 3、配置数据库账号密码 4、设置后台账号密码 5、安装成功后点登录即可 一、WordPress下载官网 点击下面下载链接，下载安装包，并且php和mys…
阅读更多...
Pytorch（二）

Pytorch（二）

五、torchvision 5.1 torchvision中的Datasets 5.1.1 下载数据集 torchvision 文档列出了很多科研或者毕设常用的一些数据集，如入门数据集MNIST，用于手写文字。这些数据集位于torchvision.datasets模块，可以通过该模块对数据集进行下载&am…
阅读更多...
二分查找算法—C++

二分查找算法—C++

一，二分查找 1，题目描述 在一个给定的有序数组中，查找目标值target，返回它的下标。如果不存在，返回-1 2，思路 解法一：暴力枚举，遍历整个数组，直到找到目标值&#xff…
阅读更多...
PyQt5实战——UTF-8编码器UI页面设计以及按钮连接（五）

PyQt5实战——UTF-8编码器UI页面设计以及按钮连接（五）

个人博客：苏三有春的博客 系类往期文章： PyQt5实战——多脚本集合包，前言与环境配置（一） PyQt5实战——多脚本集合包，UI以及工程布局（二） PyQt5实战——多脚本集合包，程序…
阅读更多...
Call For Speaker! ｜2025中国国际音频产业大会（GAS）演讲嘉宾征集令启动！

Call For Speaker! ｜2025中国国际音频产业大会（GAS）演讲嘉宾征集令启动！

2025中国国际音频产业大会（GAS）已定档2025年3月26-27日。 GAS 2025演讲嘉宾征集正式启动！我们将再次汇聚音频领域的专家和行业领袖，力求为与会者呈现一场内容丰富、精彩纷呈的知识盛宴。 SPRGASING FESTIVAL 如果 您在音频领域…
阅读更多...
安装docker-compose

安装docker-compose

安装包地址https://github.com/docker/compose/releases wget https://github.com/docker/compose/releases/download/v2.30.3/docker-compose-Linux-x86_64 mv docker-compose-Linux-x86_64 /usr/local/bin/docker-compose chmod x /usr/local/bin/docker-compose docker-com…
阅读更多...
【355】基于springboot的助农管理系统

【355】基于springboot的助农管理系统

助农管理系统的设计与实现 摘要 近年来，信息化管理行业的不断兴起，使得人们的日常生活越来越离不开计算机和互联网技术。首先，根据收集到的用户需求分析，对设计系统有一个初步的认识与了解，确定助农管理系统的总体功…
阅读更多...
计算机网络——TCP篇

计算机网络——TCP篇

TCP篇 基本认知 TCP和UDP的区别? TCP 和 UDP 可以使用同一个端口吗？ 可以的 传输层中 TCP 和 UDP在内核中是两个完全独立的软件模块。可以根据协议字段来选择不同的模块来处理。 TCP 连接建立 TCP 三次握手过程是怎样的？ 一次握手:客户端发送带有 …
阅读更多...
PyQt5实战——UTF-8编码器功能的实现（六）

PyQt5实战——UTF-8编码器功能的实现（六）

个人博客：苏三有春的博客 系类往期文章： PyQt5实战——多脚本集合包，前言与环境配置（一） PyQt5实战——多脚本集合包，UI以及工程布局（二） PyQt5实战——多脚本集合包，程序…
阅读更多...
闯关leetcode——3222. Find the Winning Player in Coin Game

闯关leetcode——3222. Find the Winning Player in Coin Game

大纲 题目地址内容 解题代码地址 题目 地址 https://leetcode.com/problems/find-the-winning-player-in-coin-game/description/ 内容 You are given two positive integers x and y, denoting the number of coins with values 75 and 10 respectively. Alice and Bob a…
阅读更多...
中缀表达式求值-acwing

中缀表达式求值-acwing

题目： 3302. 表达式求值 - AcWing题库 解析：模拟 2*10-100024-(5*3)(3*2) 使用两种栈： 遍历：(暂时用it指向） it ： 2 存入 num {2} it：* 栈空，存入 op{*} it：…
阅读更多...
使用代理时Stable Diffusion无法正常下载各类模型的解决办法

使用代理时Stable Diffusion无法正常下载各类模型的解决办法

最近发现了 Stable Diffusion 这个好玩的ai绘画工具，不得不感叹现在ai工具已经进化到这么简单易用的程度，只要下载对应的模型就可以生成各种有意思的图片 就算你没有编程基础，跟着教程也能弄出来 不过使用过程中发现部分功能无法使用 查看日…
阅读更多...
从0开始机器学习--Day17--神经网络反向传播作业

从0开始机器学习--Day17--神经网络反向传播作业

题目：识别数字0-9，做梯度检测来验证是否在梯度下降过程中存在问题，并可视化隐藏层 代码： import numpy as np import scipy.io as sio import matplotlib.pyplot as plt from scipy.optimize import minimizedef sigmoid(z):ret…
阅读更多...
前端学习笔记-Ajax篇

前端学习笔记-Ajax篇

第1章:原生AJAX 1.1Ajax简介 AAX 全称为 Asynchronous JavaScript And XML，就是异步的 JS 和 XML。 通过 AAX 可以在浏览器中向服务器发送异步请求，最大的优势:无刷新获取数据。 AAX 不是新的编程语言，而是一种将现有的标准组合在一起使用…
阅读更多...
【Python爬虫实战】DrissionPage 与 ChromiumPage：高效网页自动化与数据抓取的双利器

【Python爬虫实战】DrissionPage 与 ChromiumPage：高效网页自动化与数据抓取的双利器

🌈个人主页：易辰君-CSDN博客 🔥 系列专栏：https://blog.csdn.net/2401_86688088/category_12797772.html ​ 目录 前言 一、DrissionPage简介 （一）特点 （二）安装 （三…
阅读更多...
Halcon基于laws纹理特征的SVM分类

Halcon基于laws纹理特征的SVM分类

与基于区域特征的 SVM 分类不同，针对图像特征的 SVM 分类的算子不需要直接提取 特征，下面介绍基于 Laws 纹理特征的 SVM 分类。 纹理在计算机视觉领域的图像分割、模式识别等方面都有着重要的意义和广泛的应 用。纹理是指由于物体表面的物理属性不同所…
阅读更多...
Netty篇（入门编程）

Netty篇（入门编程）

目录 一、Hello World 1. 目标 2. 服务器端 3. 客户端 4. 流程梳理 💡 提示 5. 运行结果截图 二、Netty执行流程 1. 流程分析 2. 代码案例 2.1. 引入依赖 2.2. 服务端 服务端 服务端处理器 2.3. 客户端 客户端 客户端处理器 2.4. 代码截图 一、Hel…
阅读更多...
从0开始学习机器学习--Day14--如何优化神经网络的代价函数

从0开始学习机器学习--Day14--如何优化神经网络的代价函数

在上一篇文章中，解析了神经网络处理分类问题的过程，类似的，在处理多元分类问题时，神经网络会按照类型分成多个输出层的神经元来表示，如下： 处理4个分类问题时的神经网络 我们可以看到，相较于之…
阅读更多...
除草机器人算法以及技术详解！

除草机器人算法以及技术详解！

算法详解 图像识别与目标检测算法 Yolo算法：这是目标检测领域的一种常用算法，通过卷积神经网络对输入图像进行处理，将图像划分为多个网格，每个网格生成预测框，并通过非极大值抑制（NMS）筛选出最…
阅读更多...
最新文章

Copyright @ 2022~2023