江西九江地区洪涝无人机高分辨率影像数据集 | 洪涝监测 语义分割 无人机遥感 淹没识别 灾害评估9157期数据集概述本数据集面向洪涝灾害场景理解的无人机高分辨率可见光影像聚焦江西九江地区洪涝事件下的地物识别与淹没状态判别。数据可用于灾害监测、受灾范围提取和洪涝遥感语义分割等任务服务于应急管理、灾后评估及城市防洪规划。数据集核心信息数据要素详细说明任务类型语义分割像素级多类别地物与受淹目标分类类别共6类水体、建筑、道路、淹没建筑、淹没道路、背景数量412张原始影像12080张裁切样本数据量约1.64 GB分辨率原始图像5184×3888裁切样本512×512格式图像为 JPG/PNG标签为像素级语义分割掩膜数据划分按8:1:1随机划分为训练集、验证集、测试集应用价值1.灾害监测支撑洪涝淹没范围的自动化提取与动态监测。2.灾后评估量化建筑与道路的受淹情况辅助损失评估与重建规划。3.应急响应快速定位淹没区域指导救援力量部署与物资调度。4.算法研发为洪涝遥感语义分割、受淹目标识别等视觉任务提供高分辨率真实场景数据。完整类别列表共6类序号中文类别名称类别说明1水体洪水覆盖的河流、湖泊等水域2建筑未被淹没的建筑物3道路未被淹没的道路4淹没建筑被洪水淹没的建筑物5淹没道路被洪水淹没的道路6背景未归入以上类别的区域数据三要素解析类别与场景覆盖数据集定义6类语义类别覆盖正常地物水体、建筑、道路与受淹地物淹没建筑、淹没道路及背景。受淹地物类别的设置使数据集能够直接支撑洪涝灾害的受灾范围提取与淹没状态判别。类别设置与洪涝遥感语义分割的常见任务需求相衔接。数据规模与组织形式数据包含412张原始无人机影像5184×3888及12080张裁切样本512×512兼顾真实场景表达与深度学习训练需求。数据量为1.64 GB便于本地存储与快速加载。裁切样本存储于images_cropped与targets_cropped目录并提供了训练/验证/测试样本名称列表按8:1:1随机打乱。数据对应2022年九江地区洪涝场景时间与地点明确。格式与结构提供像素级精细标注的语义分割掩膜可精确勾勒受淹区域边界。图像与标签一一对应数据结构规范便于进行预处理与训练流程集成。适用于 U-Net、DeepLabv3、SegFormer 等主流语义分割框架。知识普及洪涝场景语义分割的技术要点类间相似性挑战水体与道路、建筑与淹没建筑、道路与淹没道路之间存在较强的外观相似性模型需依赖上下文信息与边界特征进行细粒度区分。积水反光干扰洪水表面反光可能导致颜色与纹理失真影响分割精度建议在训练中加入相关数据增强。遮挡与边界模糊洪水可能部分遮挡建筑与道路导致边界模糊需采用多尺度特征融合或边界感知损失提升分割质量。高分辨率处理原始图像达 5184×3888直接训练对显存要求较高通常采用裁切策略本数据集已提供512×512裁切样本或降采样处理。应用闭环分割结果可导入GIS系统生成淹没范围图与灾情评估报告辅助应急指挥与灾后重建。快速开始代码示例配置文件data.yaml示例train:./dataset/images_cropped/trainval:./dataset/images_cropped/valtest:./dataset/images_cropped/testnc:6names:[水体,建筑,道路,淹没建筑,淹没道路,背景]启动 YOLOv8 语义分割训练fromultralyticsimportYOLO modelYOLO(yolov8m-seg.pt)model.train(datadata.yaml,epochs100,imgsz512,batch8,device0)标签洪涝监测语义分割无人机遥感淹没识别灾害评估YOLO格式深度学习数据集计算机视觉 
长河君 · 2026/10/7 10:09:01 · 阅读 1.2k 江西九江地区洪涝无人机高分辨率影像数据集 | 洪涝监测 语义分割 无人机遥感 淹没识别 灾害评估9157期
江西九江地区洪涝无人机高分辨率影像数据集 | 洪涝监测 语义分割 无人机遥感 淹没识别 灾害评估9157期数据集概述本数据集面向洪涝灾害场景理解的无人机高分辨率可见光影像聚焦江西九江地区洪涝事件下的地物识别与淹没状态判别。数据可用于灾害监测、受灾范围提取和洪涝遥感语义分割等任务服务于应急管理、灾后评估及城市防洪规划。数据集核心信息数据要素详细说明任务类型语义分割像素级多类别地物与受淹目标分类类别共6类水体、建筑、道路、淹没建筑、淹没道路、背景数量412张原始影像12080张裁切样本数据量约1.64 GB分辨率原始图像5184×3888裁切样本512×512格式图像为 JPG/PNG标签为像素级语义分割掩膜数据划分按8:1:1随机划分为训练集、验证集、测试集应用价值1.灾害监测支撑洪涝淹没范围的自动化提取与动态监测。2.灾后评估量化建筑与道路的受淹情况辅助损失评估与重建规划。3.应急响应快速定位淹没区域指导救援力量部署与物资调度。4.算法研发为洪涝遥感语义分割、受淹目标识别等视觉任务提供高分辨率真实场景数据。完整类别列表共6类序号中文类别名称类别说明1水体洪水覆盖的河流、湖泊等水域2建筑未被淹没的建筑物3道路未被淹没的道路4淹没建筑被洪水淹没的建筑物5淹没道路被洪水淹没的道路6背景未归入以上类别的区域数据三要素解析类别与场景覆盖数据集定义6类语义类别覆盖正常地物水体、建筑、道路与受淹地物淹没建筑、淹没道路及背景。受淹地物类别的设置使数据集能够直接支撑洪涝灾害的受灾范围提取与淹没状态判别。类别设置与洪涝遥感语义分割的常见任务需求相衔接。数据规模与组织形式数据包含412张原始无人机影像5184×3888及12080张裁切样本512×512兼顾真实场景表达与深度学习训练需求。数据量为1.64 GB便于本地存储与快速加载。裁切样本存储于images_cropped与targets_cropped目录并提供了训练/验证/测试样本名称列表按8:1:1随机打乱。数据对应2022年九江地区洪涝场景时间与地点明确。格式与结构提供像素级精细标注的语义分割掩膜可精确勾勒受淹区域边界。图像与标签一一对应数据结构规范便于进行预处理与训练流程集成。适用于 U-Net、DeepLabv3、SegFormer 等主流语义分割框架。知识普及洪涝场景语义分割的技术要点类间相似性挑战水体与道路、建筑与淹没建筑、道路与淹没道路之间存在较强的外观相似性模型需依赖上下文信息与边界特征进行细粒度区分。积水反光干扰洪水表面反光可能导致颜色与纹理失真影响分割精度建议在训练中加入相关数据增强。遮挡与边界模糊洪水可能部分遮挡建筑与道路导致边界模糊需采用多尺度特征融合或边界感知损失提升分割质量。高分辨率处理原始图像达 5184×3888直接训练对显存要求较高通常采用裁切策略本数据集已提供512×512裁切样本或降采样处理。应用闭环分割结果可导入GIS系统生成淹没范围图与灾情评估报告辅助应急指挥与灾后重建。快速开始代码示例配置文件data.yaml示例train:./dataset/images_cropped/trainval:./dataset/images_cropped/valtest:./dataset/images_cropped/testnc:6names:[水体,建筑,道路,淹没建筑,淹没道路,背景]启动 YOLOv8 语义分割训练fromultralyticsimportYOLO modelYOLO(yolov8m-seg.pt)model.train(datadata.yaml,epochs100,imgsz512,batch8,device0)标签洪涝监测语义分割无人机遥感淹没识别灾害评估YOLO格式深度学习数据集计算机视觉