智能道路检测路面坑洞实例分割数据集5777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: 1 类训练集图像:4044; 验证集图像:1155; 测试集图像:578总图像数: 5777类别分布:类别名称 | 包含该类别的图像数 | 总标注数puddle | 5777 | 9670一、数据集信息表格1.1 基础信息汇总项目详情数据集名称路面坑洞实例分割数据集总图像数量5777 张图像分辨率640×640标注格式YOLO、VOC、COCO 三格式类别总数1 类训练集4044 张验证集1155 张测试集578 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0puddle路面坑洞577796701.3 YOLO 类别列表names[puddle]二、应用场景道路智能巡检车载、无人机航拍图像自动识别路面坑洞助力公路日常养护。市政道路运维批量筛查路面病害统计坑洞分布、数量制定修补方案。实例分割算法研发道路病害分割模型训练、算法对比、学术研究与竞赛。智慧交通系统集成至道路监测设备实时检测路面破损并预警。边缘设备部署便携巡检终端、嵌入式设备本地运行现场快速识别坑洞。三、YOLOv11 训练 推理完整代码3.1 环境依赖pipinstallultralytics torch opencv-python numpy3.2 数据集配置文件road_puddle.yamlpath:./road_puddle_datasettrain:images/trainval:images/valtest:images/testnc:1names:0:puddle3.3 数据集目录结构road_puddle_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ # YOLO 标注文件 │ ├── train/ │ ├── val/ │ └── test/ ├── voc_annotations/ # VOC 标注文件 ├── coco_annotations/# COCO 标注文件 └── road_puddle.yaml3.4 训练代码train_puddle.pyfromultralyticsimportYOLOdeftrain_puddle():# 加载YOLOv11n模型支持检测/实例分割任务modelYOLO(yolov11n-seg.yaml)model.train(dataroad_puddle.yaml,epochs60,imgsz640,batch16,devicecpu,# 有GPU改为 device0workers4,patience12,ampTrue,mosaic1.0,projectruns/train,nameroad_puddle_seg,exist_okTrue)print(训练完成权重已保存至 runs/train/road_puddle_seg/weights)if__name____main__:train_puddle()3.5 推理测试代码predict_puddle.pyfromultralyticsimportYOLO# 加载训练好的最优权重modelYOLO(runs/train/road_puddle_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_images/, 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)
智能道路检测路面坑洞实例分割数据集5777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: 1 类训练集图像:4044; 验证集图像:1155; 测试集图像:578总图像数: 5777类别分布:类别名称 | 包含该类别的图像数 | 总标注数puddle | 5777 | 9670一、数据集信息表格1.1 基础信息汇总项目详情数据集名称路面坑洞实例分割数据集总图像数量5777 张图像分辨率640×640标注格式YOLO、VOC、COCO 三格式类别总数1 类训练集4044 张验证集1155 张测试集578 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0puddle路面坑洞577796701.3 YOLO 类别列表names[puddle]二、应用场景道路智能巡检车载、无人机航拍图像自动识别路面坑洞助力公路日常养护。市政道路运维批量筛查路面病害统计坑洞分布、数量制定修补方案。实例分割算法研发道路病害分割模型训练、算法对比、学术研究与竞赛。智慧交通系统集成至道路监测设备实时检测路面破损并预警。边缘设备部署便携巡检终端、嵌入式设备本地运行现场快速识别坑洞。三、YOLOv11 训练 推理完整代码3.1 环境依赖pipinstallultralytics torch opencv-python numpy3.2 数据集配置文件road_puddle.yamlpath:./road_puddle_datasettrain:images/trainval:images/valtest:images/testnc:1names:0:puddle3.3 数据集目录结构road_puddle_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ # YOLO 标注文件 │ ├── train/ │ ├── val/ │ └── test/ ├── voc_annotations/ # VOC 标注文件 ├── coco_annotations/# COCO 标注文件 └── road_puddle.yaml3.4 训练代码train_puddle.pyfromultralyticsimportYOLOdeftrain_puddle():# 加载YOLOv11n模型支持检测/实例分割任务modelYOLO(yolov11n-seg.yaml)model.train(dataroad_puddle.yaml,epochs60,imgsz640,batch16,devicecpu,# 有GPU改为 device0workers4,patience12,ampTrue,mosaic1.0,projectruns/train,nameroad_puddle_seg,exist_okTrue)print(训练完成权重已保存至 runs/train/road_puddle_seg/weights)if__name____main__:train_puddle()3.5 推理测试代码predict_puddle.pyfromultralyticsimportYOLO# 加载训练好的最优权重modelYOLO(runs/train/road_puddle_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_images/, 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)
