企业官网建设流程全解析

重庆地产网站建设,wordpress背景图更改,南昌seo技术外包,规划营销型的网站结构航拍无人机视角高速路面损害检测数据集#xff0c;3349张yolo#xff0c;voc#xff0c;coco标注方式 图像尺寸:1152*2048 类别数量:6类 训练集图像数量:3153; 验证集图像数量:157#xff1b; 测试集图像数量:39 类别名称: 每一类图像数 #xff0c;每一类标注数 Cracks -…航拍无人机视角高速路面损害检测数据集3349张yolovoccoco标注方式图像尺寸:1152*2048类别数量:6类训练集图像数量:3153; 验证集图像数量:157 测试集图像数量:39类别名称: 每一类图像数 每一类标注数Cracks - 裂缝446, 815Waterlogging - 积水1208, 2091Ravelling - 松散459, 869Muddy_road - 泥泞道路952, 2084Road_side_garbage - 道路旁垃圾329, 429Potholes - 坑洼663, 1352image num: 3349以下是航拍无人机视角高速路面损害检测数据集的完整信息表格属性详情数据集名称Aerial UAV Highway Pavement Damage Detection Dataset采集视角无人机航拍俯视高速道路场景图像总数3,349 张图像分辨率1152 × 2048 像素标注格式支持YOLO、VOC、COCO三者均提供任务类型目标检测Bounding Box类别数量6 类类别详细统计表类别英文名中文名称包含该类别的图像数量该类别的标注实例总数Cracks裂缝446815Waterlogging积水1,2082,091Ravelling松散459869Muddy_road泥泞道路9522,084Road_side_garbage道路旁垃圾329429Potholes坑洼6631,352✅总计图像数3,349与各图像数之和不等因单张图像可含多个类别✅总标注实例数7,640数据集划分子集图像数量训练集train3,153验证集val157测试集test39总计3,349该数据集适用于无人机巡检系统智慧交通基础设施监测小目标/密集目标检测如裂缝、垃圾多类别路面病害联合检测1、航拍无人机视角高速路面损害检测数据集6类3349张图像分辨率1152×2048的完整YOLOv8 训练代码与配置方案支持 YOLO 格式标注推荐并兼容你已有的 VOC/COCO 标注。✅ 一、环境准备pipinstallultralytics opencv-python numpy pandas tqdmultralytics是官方 YOLOv8 库原生支持 YOLO、COCO、VOC需转换格式。✅ 二、数据组织结构YOLO 格式假设你的数据已按以下结构存放HighwayDamageDataset/ ├── images/ │ ├── train/ # 3153 张 │ ├── val/ # 157 张 │ └── test/ # 39 张 └── labels/ ├── train/ ├── val/ └── test/每张图像xxx.jpg对应一个xxx.txt内容为class_id x_center y_center width height # 归一化到 [0,1] 若你只有VOC 或 COCO 标注文末提供自动转换脚本。✅ 三、YOLO 配置文件highway_damage.yaml# highway_damage.yamltrain:./HighwayDamageDataset/images/trainval:./HighwayDamageDataset/images/valtest:./HighwayDamageDataset/images/testnc:6# 类别数names:-Cracks# 裂缝-Waterlogging# 积水-Ravelling# 松散-Muddy_road# 泥泞道路-Road_side_garbage# 道路旁垃圾-Potholes# 坑洼 中文名可保留但建议英文命名以避免部分工具兼容问题。推理时可通过映射显示中文。✅ 四、训练脚本train_highway.py# train_highway.pyfromultralyticsimportYOLOimportosdefmain():# 创建输出目录os.makedirs(runs/highway_damage,exist_okTrue)# 加载预训练模型推荐 yolov8s 或 yolov8mmodelYOLO(yolov8s.pt)# 可替换为 yolov8m.pt / yolov8l.pt# 开始训练resultsmodel.train(datahighway_damage.yaml,# 数据配置文件epochs150,# 推荐 100~200根据收敛调整imgsz1024,# 输入尺寸略小于原图 1152x2048节省显存batch8,# 根据 GPU 显存调整24GB 可用 12~16nameyolov8s_highway_1024,projectruns/highway_damage,device0,# GPU ID多卡可用 [0,1]workers8,cacheFalse,# 内存充足可设 True 加速optimizerAdamW,lr00.01,lrf0.01,momentum0.937,weight_decay0.0005,warmup_epochs3,patience30,# 早停验证损失不再下降则停止saveTrue,save_period10,verboseTrue,plotsTrue,# 生成训练曲线、PR 曲线等hsv_h0.015,# 增强色调hsv_s0.7,# 饱和度hsv_v0.4,# 亮度degrees10.0,# 旋转增强±10°translate0.1,# 平移scale0.5,# 缩放0.5~1.5shear2.0,# 剪切perspective0.001,# 透视变换flipud0.0,# 上下翻转航拍不建议fliplr0.5,# 左右翻转合理mosaic1.0,# Mosaic 增强对小目标有效mixup0.1,# MixUp)print(f✅ 训练完成最佳模型路径{results.save_dir}/weights/best.pt)if__name____main__:main()✅ 五、命令行快速训练替代方式yolo detect train\datahighway_damage.yaml\modelyolov8s.pt\epochs150\imgsz1024\batch8\nameyolov8s_highway_1024\projectruns/highway_damage\device0\optimizerAdamW\patience30\hsv_h0.015hsv_s0.7hsv_v0.4\degrees10fliplr0.5mosaic1.0✅ 六、关键训练建议项目建议输入尺寸使用imgsz1024保持长宽比YOLO 自动填充若 GPU 允许可尝试1280提升小目标召回Batch Size8~162048 宽图显存占用高数据增强启用mosaic、fliplr、hsv禁用flipud航拍上下方向有意义类别不平衡“积水”和“泥泞道路”样本多“垃圾”较少 → 可开启class_weights需自定义评估重点关注mAP0.5和小目标 AP裂缝、垃圾✅ 七、VOC / COCO 转 YOLO 脚本如需要▶ 如果你有VOC 格式XML# voc2yolo.pyimportosimportxml.etree.ElementTreeasETfrompathlibimportPath class_names[Cracks,Waterlogging,Ravelling,Muddy_road,Road_side_garbage,Potholes]defconvert_voc_to_yolo(voc_dir,yolo_dir,image_dir):os.makedirs(yolo_dir,exist_okTrue)forxml_fileinPath(voc_dir).glob(*.xml):treeET.parse(xml_file)roottree.getroot()img_wint(root.find(size/width).text)img_hint(root.find(size/height).text)lines[]forobjinroot.findall(object):cls_nameobj.find(name).textifcls_namenotinclass_names:continuecls_idclass_names.index(cls_name)bndboxobj.find(bndbox)xminint(bndbox.find(xmin).text)yminint(bndbox.find(ymin).text)xmaxint(bndbox.find(xmax).text)ymaxint(bndbox.find(ymax).text)x_center(xminxmax)/2/img_w y_center(yminymax)/2/img_h width(xmax-xmin)/img_w height(ymax-ymin)/img_h lines.append(f{cls_id}{x_center:.6f}{y_center:.6f}{width:.6f}{height:.6f})withopen(os.path.join(yolo_dir,xml_file.stem.txt),w)asf:f.write(\n.join(lines))# 使用示例convert_voc_to_yolo(annotations/voc/train,labels/train,images/train)▶ 如果你有COCO 格式JSONYOLOv8 原生支持 COCO只需在highway_damage.yaml中指定train:path/to/coco/train.jsonval:path/to/coco/val.json但需确保类别顺序与names一致。✅ 八、推理与部署示例fromultralyticsimportYOLO modelYOLO(runs/highway_damage/yolov8s_highway_1024/weights/best.pt)resultsmodel(test_image.jpg)# 显示结果含中文标签chinese_names{Cracks:裂缝,Waterlogging:积水,Ravelling:松散,Muddy_road:泥泞道路,Road_side_garbage:道路旁垃圾,Potholes:坑洼}forrinresults:boxesr.boxesforboxinboxes:cls_namemodel.names[int(box.cls)]print(f检测到{chinese_names.get(cls_name,cls_name)})注意由于图像宽高比极端1152×2048 ≈ 9:16 竖屏YOLO 会自动 padding 成正方形。若想保留原始比例可考虑滑动窗口裁剪或使用YOLOv8-OBB但本任务无需旋转框。