YOLO模型如何训练道路缺陷和裂缝分割数据集（包含两类，缺陷和裂缝）

YOLO道路缺陷和裂缝分割数据集（包含两类，缺陷和裂缝）

数据集详情

• 检测类别：
  Crack
  pothole

• 图片总量：4682张

• 训练集：4101张

• 验证集：386张

• 测试集：195张

• 标注状态：全部已标注，即拿即用

• 数据格式：支持YOLO格式及其他格式
  1
  

YOLO道路缺陷和裂缝分割数据集

一、数据集信息表

二、应用场景

1. 道路日常巡检：自动识别路面裂缝、坑洼等缺陷，辅助公路养护部门开展常态化巡检。
2. 桥梁隧道运维：对路面病害进行快速普查，评估道路安全状况，为维修决策提供数据支撑。
3. 自动驾驶感知：辅助识别路面缺陷，提升车辆行驶安全性。
4. AI模型训练：用于YOLO系列目标检测/分割模型训练、算法优化、对比实验。
5. 教学与项目开发：计算机视觉课程设计、毕业设计、行业项目实战。

三、核心标签

#道路缺陷检测#裂缝分割#YOLO数据集#公路养护#目标检测#AI训练数据集#路面病害识别

四、数据集目录结构

road_defect_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── road_defect.yaml

五、数据集配置文件road_defect.yaml

path:./road_defect_datasettrain:images/trainval:images/valtest:images/testnc:2names:0:Crack1:pothole

六、环境依赖

pipinstallultralytics torch opencv-python

七、模型训练代码train_road_defect.py

fromultralyticsimportYOLOdefmain():# 加载YOLO预训练模型（支持YOLOv8/YOLOv11等版本）# 如需做分割任务，可加载分割模型如 yolov8s-seg.ptmodel=YOLO("yolov8s.pt")# 开始训练train_results=model.train(data="./road_defect_dataset/road_defect.yaml",epochs=100,imgsz=640,batch=16,device=0,# 有GPU填设备编号，无GPU改为 device="cpu"workers=4,patience=15,project="runs/train",name="road_defect_detect",exist_ok=True,pretrained=True)print("训练完成，权重保存路径：runs/train/road_defect_detect/weights")# 模型评估metrics=model.val(data="./road_defect_dataset/road_defect.yaml",split="test")print(f"mAP@50:{metrics.box.map50:.4f}")print(f"mAP@50-95:{metrics.box.map:.4f}")if__name__=="__main__":main()

八、推理测试代码predict_road_defect.py

fromultralyticsimportYOLOimportcv2# 加载训练好的最优模型model=YOLO("runs/train/road_defect_detect/weights/best.pt")if__name__=="__main__":img_path="road_test.jpg"# 执行检测/分割并保存结果results=model.predict(source=img_path,conf=0.25,iou=0.45,save=True)# 可视化结果detect_img=results[0].plot()cv2.imshow("Road Defect Detection",detect_img)cv2.waitKey(0)cv2.destroyAllWindows()