无人机-航拍道路语义分割数据集1485对mask图标注方式数据划分数量Train集1039 对 (图像mask)Valid集296 对 (图像mask)Test集150 对 (图像mask)总计1485 对图像规格宽度1908 px高度1156 px类别定义mask图值及对应类别0: background 背景1: common-lane 正常道路2: emergency-lane 应急道路|项目|详情| | ---- | ---- | |数据集名称|航拍道路语义分割数据集| |样本总量|1485对原图mask掩码图| |图像分辨率|1908 × 1156 px| |标注类型|Mask掩码标注语义分割任务| |数据集划分|训练集1039对br验证集296对br测试集150对| |类别及mask像素值|0background 背景br1common‑lane 正常道路br2emergency‑lane 应急道路| |标签|background、common‑lane、emergency‑lane| |应用场景|1.无人机航拍道路像素级分割区分普通车道与应急车道br2.高速/市政道路遥感解析、道路路网提取br3.应急车道占用识别前置算法数据集br4.智慧城市路网测绘、道路要素提取br5.语义分割模型U‑Net、YOLO‑Seg科研训练与对比实验| |关键词|中文航拍道路分割应急车道识别遥感路网提取无人机语义分割道路掩码数据集br英文|Aerial road segmentationemergency lane detectionremote sensing road extractionUAV semantic segmentation| **yolo‑seg yaml配置文件** yaml path: ./aerial_road_seg train: images/train val: images/valid test: images/test nc: 3 names: 0: background 1: common-lane 2: emergency-lane简易训练代码 YOLO‑SegfromultralyticsimportYOLO modelYOLO(yolo11n‑seg.pt)model.train(dataaerial_road_seg.yaml,epochs100,imgsz1156,batch4,device0)推理代码fromultralyticsimportYOLO modelYOLO(runs/segment/train/weights/best.pt)resmodel.predict(test_img.jpg,saveTrue)
无人机-航拍道路语义分割数据集1485对mask图标注方式数据划分数量Train集1039 对 (图像mask)Valid集296 对 (图像mask)Test集150 对 (图像mask)总计1485 对图像规格宽度1908 px高度1156 px类别定义mask图值及对应类别0: background 背景1: common-lane 正常道路2: emergency-lane 应急道路|项目|详情| | ---- | ---- | |数据集名称|航拍道路语义分割数据集| |样本总量|1485对原图mask掩码图| |图像分辨率|1908 × 1156 px| |标注类型|Mask掩码标注语义分割任务| |数据集划分|训练集1039对br验证集296对br测试集150对| |类别及mask像素值|0background 背景br1common‑lane 正常道路br2emergency‑lane 应急道路| |标签|background、common‑lane、emergency‑lane| |应用场景|1.无人机航拍道路像素级分割区分普通车道与应急车道br2.高速/市政道路遥感解析、道路路网提取br3.应急车道占用识别前置算法数据集br4.智慧城市路网测绘、道路要素提取br5.语义分割模型U‑Net、YOLO‑Seg科研训练与对比实验| |关键词|中文航拍道路分割应急车道识别遥感路网提取无人机语义分割道路掩码数据集br英文|Aerial road segmentationemergency lane detectionremote sensing road extractionUAV semantic segmentation| **yolo‑seg yaml配置文件** yaml path: ./aerial_road_seg train: images/train val: images/valid test: images/test nc: 3 names: 0: background 1: common-lane 2: emergency-lane简易训练代码 YOLO‑SegfromultralyticsimportYOLO modelYOLO(yolo11n‑seg.pt)model.train(dataaerial_road_seg.yaml,epochs100,imgsz1156,batch4,device0)推理代码fromultralyticsimportYOLO modelYOLO(runs/segment/train/weights/best.pt)resmodel.predict(test_img.jpg,saveTrue)
