混凝土桥梁缺陷检测数据集
1
1
1
1
1
1
1
数据集应用领域
该数据集主要应用于建筑结构健康监测与安全评估领域，具体场景包括：
建筑结构损伤检测模型开发：为模型训练提供标注数据，支持钢筋暴露、混凝土剥落、结构裂缝三类损伤的自动化识别算法研发；
建筑安全自动化评估：助力搭建建筑安全检测系统，替代传统人工巡检，适用于住宅、厂房、桥梁等各类建筑的定期安全排查；
建筑维护决策支持：为建筑维护企业、房地产开发商、市政管理部门提供数据依据，辅助制定精准的维护方案，降低维护成本与安全风险；
建筑检测技术优化：为建筑损伤检测领域的算法改进、技术创新提供数据支撑，推动行业向智能化、高效化方向发展。
YOLOv8 建筑结构损伤检测数据集训练代码
以下是基于该建筑损伤检测数据集（含钢筋、剥落、裂缝 3 类）的 YOLOv8 训练完整代码，包含环境配置、数据加载、模型训练与验证流程，可直接运行。
- 环境准备
首先安装所需依赖库，确保 Python 版本≥3.8：
安装ultralytics（YOLOv8官方库）、opencv-python（图像处理）、numpy（数据计算）
pip install ultralytics opencv-python numpy
- 数据配置文件编写
在数据集根目录下创建data.yaml文件，配置数据集路径与类别信息（需根据实际文件路径修改train和val路径）：
data.yaml
train: ./dataset/train # 训练集图像文件夹路径
val: ./dataset/valid # 验证集图像文件夹路径
test: ./dataset/test # 测试集图像文件夹路径（当前为0张，可留空）
nc: 3 # 类别数量
names: [‘rebar’, ‘spall’, ‘crack’] # 类别名称（与数据集中标注一致：钢筋、剥落、裂缝）
- YOLOv8 训练代码
创建train_yolov8.py文件，代码包含模型加载、训练参数配置、训练过程执行与结果保存：
from ultralytics import YOLO
import os
1. 加载YOLOv8模型（选择nano版本，轻量高效；如需更高精度可换为’yolov8s.pt’/‘yolov8m.pt’）
model = YOLO(‘yolov8n.pt’)
2. 定义训练参数（根据需求调整）
train_params = {
‘data’: ‘./data.yaml’, # 数据配置文件路径
‘epochs’: 50, # 训练轮次（建议50-100轮，可根据验证集精度调整）
‘batch’: 16, # 批次大小（根据GPU显存调整，显存不足可设为8/4）
‘imgsz’: 1024, # 输入图像尺寸（与数据集图像尺寸1024x1024一致）
‘device’: 0, # 训练设备（0为GPU，-1为CPU）
‘lr0’: 0.01, # 初始学习率
‘lrf’: 0.01, # 最终学习率因子
‘weight_decay’: 0.0005, # 权重衰减（防止过拟合）
‘momentum’: 0.937, # 动量
‘warmup_epochs’: 3, # 热身轮次（避免初始学习率过高导致训练不稳定）
‘warmup_momentum’: 0.8, # 热身阶段动量
‘warmup_bias_lr’: 0.1, # 热身阶段偏置学习率
‘save’: True, # 保存训练过程中的最佳模型
‘save_period’: 10, # 每10轮保存一次模型
‘val’: True, # 训练过程中同步进行验证
‘project’: ‘./yolov8_damage_detection’, # 训练结果保存项目文件夹
‘name’: ‘train_run1’, # 本次训练任务名称
‘exist_ok’: True # 允许覆盖已有项目文件夹（避免重复创建报错）
}
3. 开始训练
print(“=== 开始YOLOv8建筑损伤检测模型训练 ===”)
results = model.train(**train_params)
4. 训练完成后，验证模型在验证集上的性能
print(“\n=== 开始模型验证 ===”)
val_results = model.val(data=‘./data.yaml’, imgsz=1024, batch=16)
5. 保存验证结果（AP、Precision、Recall等关键指标）
val_metrics = val_results.results_dict
with open(os.path.join(train_params[‘project’], train_params[‘name’], ‘val_metrics.txt’), ‘w’, encoding=‘utf-8’) as f:
f.write(“YOLOv8建筑损伤检测模型验证结果\n”)
f.write(f"mAP50: {val_metrics[‘metrics/mAP50’]:.4f}\n") # 50IOU下的平均精度
f.write(f"mAP50-95: {val_metrics[‘metrics/mAP50-95’]:.4f}\n") # 50-95IOU下的平均精度
f.write(f"Precision: {val_metrics[‘metrics/precision’]:.4f}\n") # 精确率
f.write(f"Recall: {val_metrics[‘metrics/recall’]:.4f}\n") # 召回率
f.write(f"F1-Score: {val_metrics[‘metrics/f1’]:.4f}\n") # F1分数
print(“\n=== 训练与验证完成 ===”)
print(f"训练结果保存路径：{os.path.join(train_params[‘project’], train_params[‘name’])}“)
print(f"验证指标已保存至：{os.path.join(train_params[‘project’], train_params[‘name’], ‘val_metrics.txt’)}”)
- 代码使用说明
数据文件夹结构：需将数据集按以下结构放置（与data.yaml路径对应）：
dataset/
├── train/ # 训练集（800张图像+对应YOLO格式txt标注文件）
├── valid/ # 验证集（200张图像+对应YOLO格式txt标注文件）
└── test/ # 测试集（0张，可空文件夹）
参数调整建议：
若 GPU 显存不足（如≤4GB），将batch改为 8 或 4；
若训练精度不足（验证集 mAP<0.7），可增加epochs至 80-100，或换用更大模型（如yolov8s.pt）；
若过拟合（训练集精度高、验证集精度低），可增加weight_decay至 0.001，或减少epochs。
运行方式：在终端执行以下命令，开始训练：
python train_yolov8.py
- 训练结果说明
训练完成后，在./yolov8_damage_detection/train_run1路径下会生成：
weights/：保存最佳模型（best.pt）和最后一轮模型（last.pt）；
results.csv：每轮训练的损失值、精度等指标；
val_metrics.txt：验证集的 mAP、精确率等关键性能指标；
confusion_matrix.png：类别混淆矩阵图，可分析模型对各类损伤的识别效果。
