航拍路面病害检测数据集解析：VOC与YOLO格式转换及训练要点

简介：面向航拍路面病害检测与道路裂缝识别任务，这份数据集围绕3302张道路图像整理了目标检测标注，标注方式兼容Pascal VOC与YOLO两种主流格式，类别覆盖鳄鱼裂缝（Alligator crack）、纵向裂缝（Longitudinal crack）、斜裂缝（Oblique crack）、坑槽（Pothole）、修补（Repair）、横向裂缝（Transverse crack）等7类常见路面病害，可支撑YOLO系列、Faster R-CNN等模型的训练与评估，适合智慧交通、道路巡检算法研发的学习者和工程师使用。压缩包采用7z格式，内含文件总数约2000个，主体为VOC格式的xml标注文件，并附使用说明txt，整体约166.21MB；xml标注中详细记录目标类别与边界框坐标，便于直接接入主流目标检测框架。图像与标注文件按编号一一对应，天然适合按比例划分训练集、验证集与测试集，也可作为数据增强、格式转换、预处理流程的练习素材。目前已有1199人学习下载，数据规模适中、标注完整，既可用于模型微调与精度对比，也有助于快速启动路面病害检测相关实验。

1. 一份3302张的双格式路面病害数据集：从裂缝检测到模型训练，先看数据本身

航拍路面病害检测最尴尬的阶段不是模型选型，而是你手里的图片和标注能不能直接喂进训练管线。这套“航拍路面病害检测道路裂缝检测数据集VOC+YOLO格式3302张7类别”把两件最耗时的事提前做完了：jpg原图加Pascal VOC的xml标注，同时给出YOLO格式的txt标注，总样本3302张、7个病害类别。对刚接触目标检测的新手，它是少见的“格式双轨”完整样例；对在做道路养护巡检预研的从业者，它提供了航拍视角下的真实病害分布，包含裂缝与坑洞这类很容易漏检的目标。后面几章我会把目录结构、类别对齐、坐标边界和训练前检查逐项拆开，讲清楚哪些可以直接用，哪些要先处理。

2. 数据集拆包：目录里的文件是怎么组织起来的

2.1 先看文件形态：jpg、xml、txt三种后缀的对应关系

解压后第一步不是新建训练脚本，而是先认清目录结构。压缩包内有一个使用前必读.txt，建议最优先打开，里面通常写了数据集来源和格式约定。项目正文的文件列表里，出现频率最高的是“firc_lu_编号.xml”这种命名，文件名中包含了拍摄批次和图像序号。与XML同名的应该还有jpg原图和txt标签文件，三者通过stem关联。注意，这里说的txt不是训练列表文件。摘要里特意写了“不包含分割路径的txt文件”，意思是压缩包内部的txt是YOLO标签，每行一个目标框，而不是告诉训练器去哪里找图片的路径清单。train.txt、val.txt这种划分文件需要你在开始训练前自己生成。

用一段脚本快速验证三个目录的对应关系：

from pathlib import Path data_dir = Path('航拍路面病害检测道路裂缝检测数据集') images = sorted(data_dir.glob('*.jpg')) xmls = sorted(data_dir.glob('*.xml')) txts = sorted(data_dir.glob('*.txt')) img_stems = {p.stem for p in images} xml_stems = {p.stem for p in xmls} txt_stems = {p.stem for p in txts} print(f'jpg数量: {len(images)}') print(f'xml数量: {len(xmls)}') print(f'txt数量: {len(txts)}') print(f'缺失或多余的stem: {(xml_stems ^ img_stems) | (txt_stems ^ img_stems)}')

逻辑说明：先按扩展名收集文件，再用集合运算找出文件名不同的那个子集。如果输出为空，说明图片和标注一一对应；一旦有缺失，后面的训练就会报“图片没有标注”或“标注没有图片”的错。

参数说明：data_dir要改成你实际解压后的路径；glob模式用*.jpg、*.xml、*.txt直接在当前目录查找，如果数据集放在子目录里需要调整路径前缀。集合的异或运算适合这种小数据规模检查，3302个文件在内存里不会造成压力。这里我默认jpg、xml、txt在同一层目录，如果资源包把图片和标签分开两个文件夹，就把glob路径分别指向相应目录。

2.2 打开一个xml：Pascal VOC标注里到底写了什么

VOC格式的标注文件本质是一段可读的XML，根节点标注了图像尺寸，下面每个<object>对应一个病害目标。以firc_lu_2945.xml为例，用Python的ElementTree读取会很直接：

import xml.etree.ElementTree as ET tree = ET.parse('firc_lu_2945.xml') root = tree.getroot() print('图像文件:', root.find('filename').text) print('宽:', root.find('size/width').text, '高:', root.find('size/height').text) for obj in root.findall('object'): name = obj.find('name').text box = obj.find('bndbox') xmin = int(box.find('xmin').text) ymin = int(box.find('ymin').text) xmax = int(box.find('xmax').text) ymax = int(box.find('ymax').text) print(name, (xmin, ymin, xmax, ymax))

逻辑说明：先用根节点拿到filename和尺寸，再遍历所有object节点。每个object的name是类别名，bndbox四个值是像素坐标。这里有个容易误读的点：xmin、ymin是框左上角像素坐标，xmax、ymax是右下角，不是中心点加宽高。

参数说明：xmin等值在VOC标准里是整数，但有些标注工具会写成浮点数，转换时统一用float解析更稳。运行这段代码前要确认xml文件确实在当前工作目录，否则用绝对路径或Path对象拼接。如果你打开多个xml，会发现部分文件里filename字段写的是原始拍摄文件名，可能与实际jpg文件名不完全一致，所以后面转换时我更推荐用xml文件自身的stem去匹配jpg，而不是依赖filename字段。

跑了这个文件之后，你会看到类别名如下表所列：

原始类别名	语义	备注
Alligator crack	龟裂（类似鳄鱼皮纹理的块状裂缝）	沥青老化常见
Longitudinal crack	纵向裂缝	沿行车方向延伸
Oblique crack	斜向裂缝	与行车方向呈一定角度
Obliquecrack	斜向裂缝	注意，这是同名类别的文本变体
Pothole	坑洞	数量通常较少
Repair	修补区	通常有明显矩形或规则轮廓
Transverse crack	横向裂缝	垂直于行车方向

Oblique crack和Obliquecrack只差一个空格，但在程序里是两个完全不同的字符串。这是这类数据集里最典型的坑，后面第5章会专门写处理方式。标注类别数写的是7，实际对应6种病害语义加1个修补区类别，其中斜向裂缝的文本出现了两种写法。

2.3 YOLO txt文件里的数字怎么换算回像素

YOLO格式的txt每一行代表一个目标，结构是“类别ID 中心点x 中心点y 宽 高”，四个坐标全部归一化到0到1。比如一行“3 0.5213 0.4782 0.1034 0.0967”，意思是一个类别3的目标框中心位于图像宽度的52.13%和高度的47.82%处，宽是整图的10.34%，高是9.67%。从txt反推像素框的代码：

def yolo_to_pixel(line, img_w, img_h): cls_id, xc, yc, w, h = line.strip().split() cls_id = int(cls_id) xc, yc, w, h = map(float, (xc, yc, w, h)) x1 = (xc - w / 2) * img_w y1 = (yc - h / 2) * img_h x2 = (xc + w / 2) * img_w y2 = (yc + h / 2) * img_h return cls_id, round(x1), round(y1), round(x2), round(y2)

逻辑说明：归一化坐标乘以图像宽高就还原成像素值，中心点坐标减去宽高的一半得到左上角，加上一半得到右下角。这里减和加都在归一化空间完成，最后才乘图像尺寸，避免中间计算误差放大。

参数说明：img_w和img_h要从对应jpg读取，建议用PIL或cv2获取真实尺寸，不要假设所有航拍图都一样大。cls_id会转成整数，因为后面与类别表映射时要用整数数组下标。这一步可以顺手验证txt行数是否等于xml里object节点数，如果不一致，说明转换或标注过程有数据丢失，优先排查采样图片，不要急着训练。

3. VOC转YOLO：写转换脚本前，先处理两个边界问题

3.1 类别表顺序决定一切

大多数YOLO训练框架读取txt时，只认整数的类别ID，类别名到ID的映射关系由你提供的names表负责。所以转换前必须确定一份统一的类别顺序，后面的data.yaml、训练脚本、推理脚本都用这份顺序，不一致就会导致预测结果错位到其他类别。

先扫一遍所有xml文件里的类名，把实际出现过的字符串全部找出来：

from pathlib import Path import xml.etree.ElementTree as ET from collections import OrderedDict xml_dir = Path('.') names = OrderedDict() for xml_path in sorted(xml_dir.glob('*.xml')): root = ET.parse(xml_path).getroot() for obj in root.findall('object'): name = obj.find('name').text.strip() names[name] = names.get(name, 0) + 1 print(names)

逻辑说明：用一个字典记录每个类名出现的次数，遍历全部xml后打印实际出现的类名。运行后会看到最终的类别名列表，你可能发现两个文本不同的斜裂缝名称，这就是上面说的Oblique crack和Obliquecrack。

参数说明：xml_dir用当前目录，如果数据集放在子目录要改成目标路径。strip()可以去掉标注者误加的前后空格，减少一个隐性坑。这个扫描脚本不要在转换之后才跑，而是转换前就执行，因为一旦发现类名问题，重新转换的代价比修改txt高得多。

得到实际类名后，做一个文本归一化合并：

alias = { 'Obliquecrack': 'Oblique crack', 'Oblique crack': 'Oblique crack', } final_names = ['Alligator crack', 'Longitudinal crack', 'Oblique crack', 'Pothole', 'Repair', 'Transverse crack']

逻辑说明：alias字典把两种文本写法映射到同一个标准类名，final_names就是最终训练时的类别表，下标0到5。这里合并后类别数从7变成6，Pothole、Repair、Transverse crack的下标也相应前移。

参数说明：final_names的顺序一旦确定，后续转换脚本、训练yaml、推理脚本都从这份配置读取，不要让各个脚本各自维护一份。如果你希望保持7个类别编号不变，也可以保留Obliquecrack作为独立类别，但这样会把同一病害拆成两类，通常不利于模型收敛，所以我个人不推荐。

3.2 转换脚本：逐框处理并做边界裁剪

归一化处理前，还要处理像素坐标越界问题。航拍图像中目标不一定完整落在画面里，标框可能超出图像边缘，归一化后w或h会出现负值。我在转换时强制裁剪到图像范围内，再把无效框过滤掉：

import xml.etree.ElementTree as ET from pathlib import Path CLASSES = ['Alligator crack', 'Longitudinal crack', 'Oblique crack', 'Pothole', 'Repair', 'Transverse crack'] def convert_xml_to_txt(xml_path, img_w, img_h, out_dir): root = ET.parse(xml_path).getroot() lines = [] for obj in root.findall('object'): name = obj.find('name').text.strip() if name == 'Obliquecrack': name = 'Oblique crack' if name not in CLASSES: continue cls_id = CLASSES.index(name) box = obj.find('bndbox') x1 = float(box.find('xmin').text) y1 = float(box.find('ymin').text) x2 = float(box.find('xmax').text) y2 = float(box.find('ymax').text) x1 = max(0.0, min(x1, img_w)) y1 = max(0.0, min(y1, img_h)) x2 = max(0.0, min(x2, img_w)) y2 = max(0.0, min(y2, img_h)) w = x2 - x1 h = y2 - y1 if w <= 0 or h <= 0: continue dw = 1.0 / img_w dh = 1.0 / img_h xc = (x1 + x2) / 2.0 yc = (y1 + y2) / 2.0 line = f'{cls_id} {xc * dw:.6f} {yc * dh:.6f} {w * dw:.6f} {h * dh:.6f}' lines.append(line) out_dir.mkdir(parents=True, exist_ok=True) (out_dir / (Path(xml_path).stem + '.txt')).write_text('\n'.join(lines), encoding='utf-8')

逻辑说明：脚本先读取xml，对每个object做四项处理——类名归一化、坐标裁剪、无效框过滤、坐标归一化。裁剪放在归一化之前，避免越界框产生大于1的归一化值。最终每行输出一个目标框，带类别ID与四个归一化坐标。

参数说明：img_w和img_h需要从同名jpg读出，常见做法是用cv2.imread或Image.open获取，注意不要直接信任xml里的size字段，部分标注工具输出的尺寸与实际图片不一致。dw、dh是归一化分母，宽高分别算。f'{xc * dw:.6f}'保留6位小数，对浮点数精度足够，文件体积也不会过大。逐框打印过于频繁，真实批量场景建议改为每100个文件输出一行进度。

批量转换时，遍历所有xml并调用以上函数：

import cv2 from pathlib import Path xml_dir = Path('.') out_dir = Path('labels') for idx, xml_path in enumerate(sorted(xml_dir.glob('*.xml')), 1): img_path = xml_path.with_suffix('.jpg') img = cv2.imread(str(img_path)) if img is None: print('missing image:', img_path) continue h, w = img.shape[:2] convert_xml_to_txt(xml_path, w, h, out_dir) if idx % 100 == 0: print(f'processed {idx} files')

逻辑说明：这层循环负责把图片和xml配对，读取实际宽高后转成YOLO标签。如果某张jpg缺失，cv2返回None，脚本会打印出文件名并跳过，不会中断后续处理。每100个文件的进度打印方便在大批量数据上确认循环是否卡住。

参数说明：xml_dir和out_dir可以按自己的目录结构调整。cv2读取用的是BGR通道，这里只取shape不影响坐标转换。如果数据集在多个子目录，需要用os.walk递归扩展，或者先把所有xml路径收集到一个列表再统一处理。

3.3 转换结果校验：用反推画框代替肉眼

转换完先别急着训练，抽几份txt做一次“反向检查”。把YOLO格式重新读成像素坐标，画到原图上，与原标注对比，这一步能同时暴露三类错误：类别索引错位、坐标乱序、归一化值写反。

from PIL import Image, ImageDraw from pathlib import Path def verify_yolo_txt(txt_path, img_path): img = Image.open(img_path) draw = ImageDraw.Draw(img) with open(txt_path, 'r') as f: for line in f: cls_id, xc, yc, w, h = line.strip().split() cls_id = int(cls_id) xc, yc, w, h = map(float, (xc, yc, w, h)) x1 = (xc - w / 2) * img.width y1 = (yc - h / 2) * img.height x2 = (xc + w / 2) * img.width y2 = (yc + h / 2) * img.height draw.rectangle([x1, y1, x2, y2], outline='red', width=3) img.save('check_' + Path(img_path).name)

逻辑说明：读取txt每一行，用同样的公式还原成像素坐标，在图片上画矩形。如果框位置和原始xml一致，说明转换正确；如果框明显偏离病害区域，多半是xml解析字段写错或者图片尺寸不匹配。

参数说明：outline用红色便于肉眼识别；draw.rectangle接收左上角和右下角坐标。可以一次性批量生成20到30张检查图，分发给同事或自己快速过目。我一般会同时打印图片文件名和检测框数量，确认空标注文件是真实存在空图，还是转换漏了标注。

批量验证时，如果你发现同一张图的txt里某一行宽高数值特别小，比如低于0.01，那就需要回头看看对应xml里的原始box，可能是标注框本身就很小，也可能是裁剪逻辑误伤了正常框。这里的边界情况在第5章还会展开讲。

4. 训练前的数据检查：从类别分布到划分策略

4.1 类别分布：高频类会吃掉整体指标

标注数量3302，不等于每个类别出现的次数相等。路面病害数据里Repair和Transverse crack往往比Pothole多得多，如果直接训练，模型会把Pothole并入高频类别，或者对稀少类别召回率极低。先统计一下每个类别的框数量：

from pathlib import Path from collections import Counter CLASSES = ['Alligator crack', 'Longitudinal crack', 'Oblique crack', 'Pothole', 'Repair', 'Transverse crack'] counter = Counter() for txt in sorted(Path('labels').glob('*.txt')): with open(txt, 'r') as f: for line in f: cls_id = int(line.split()[0]) counter[cls_id] += 1 for cls_id in sorted(counter.keys()): print(CLASSES[cls_id], counter[cls_id])

逻辑说明：逐行读取txt，统计各标签的框数。这个数字会直接影响后续训练策略，比如是否需要对低频类别做重采样，或者在损失函数中增加类别权重。

参数说明：CLASSES列表必须与转换脚本里的类别表一致，否则统计结果会错位。如果需要更多信息，可以在同一段循环里统计每个类别的框面积中位数，裂缝类框通常细长，坑洞类框偏方形，面积中位数能帮你判断增强参数该怎么设。

如果发现某个类别框数占比低于5%，常规做法有三个：一是给这个类别单独加训练权重，在loss里提高权重；二是用数据增强对该类做额外裁剪复制；三是先不做任何处理，用原始分布跑一轮，看误检趋势再决定。个人习惯是不太建议上来就对小类做几倍复制，容易过拟合，先看mAP曲线更稳妥。

4.2 随机划分：固定种子，避免相似图片串集

数据集的txt不包含路径列表，需要自己生成train.txt和val.txt。最简单的方式是随机划分，但要固定随机种子：

import random from pathlib import Path random.seed(42) stems = [p.stem for p in Path('images').glob('*.jpg')] random.shuffle(stems) train_stems = stems[:2640] val_stems = stems[2640:2970] test_stems = stems[2970:] with open('train.txt', 'w') as f: for s in train_stems: f.write(f'images/{s}.jpg\n') with open('val.txt', 'w') as f: for s in val_stems: f.write(f'images/{s}.jpg\n') with open('test.txt', 'w') as f: for s in test_stems: f.write(f'images/{s}.jpg\n')

逻辑说明：划分比例选择8:1:1，3302张对应2640张训练、330张验证、332张测试。随机种子固定后，每次运行得到相同的划分结果，方便复现实验。

参数说明：如果某个类别的目标数量极少，随机划分可能让这个类在验证集里一个框都没有。稳妥做法是先按类别分层划分，确保每个类别在训练集和验证集中的框数量比例接近。还有一个容易被忽略的边界：航拍图往往是连续拍摄的，相邻几帧画面高度重叠，随机划分可能让验证集中出现训练集的“近亲”，导致指标虚高。如果数据本身按编号连续，可以考虑按前80%、中10%、后10%切分，或者先分路段再随机抽样，这个取舍要在训练前想清楚。

4.3 训练配置：mosaic与数据增强的取舍

对路面病害数据，最推荐的增强组合是mosaic加水平翻转加轻度HSV扰动。mosaic能够把多张图拼在一起，让小目标更密集地出现，对Pothole这类小框有帮助；但mosaic也会把病害周边的道路纹理拼接成假边界，因此训练后期要关闭mosaic，让模型回到真实图上微调。

建立源文件data.yaml时，注意names顺序：

path: /your/abs/path train: train.txt val: val.txt names: 0: Alligator crack 1: Longitudinal crack 2: Oblique crack 3: Pothole 4: Repair 5: Transverse crack

逻辑说明：path指定数据集绝对路径，train和val指向划分好的列表文件，names按类别ID顺序列出。训练框架会依据这个文件加载标签并匹配类别。

参数说明：path必须是绝对路径，否则训练框找不到train.txt相对路径下的图片。names顺序必须与CLASSES列表一致，不能因为觉得Pothole重要就把它挪到前面。分辨率方面，航拍图中的裂缝是典型细长目标，用640输入训练对Pothole和小裂缝不划算，条件允许就上1280，或者先瓦片切图再训练，这两种做法比单纯堆增强更直接。

关于mosaic关闭时机，不同训练框架的写法不一样。以常见YOLO系列为例，在超参数中调整mosaic概率即可：训练前半段保持0.5以上，最后10到20个epoch降为0。关闭之后模型会看到更多自然图像，框的定位细节会更好，这对裂缝这种细长目标尤其重要。

5. 常见问题排查：标注、转换、训练最容易翻车的四个点

5.1 现象：转换脚本报某个类名不在列表里

原因：样本里同一语义出现两种文本写法的类名，最典型的就是Oblique crack和Obliquecrack，代码按精确字符串匹配时找不到别名。不同标注员使用的标注模板不同，粘贴时多了或少了空格，这类问题在真实数据集里出现概率相当高。

解决：在转换前增加类名扫描和别名映射，把两种文本归为同一ID。常见做法是维护一份alias字典，转换时先查alias，再做匹配。这个检查不能只靠肉眼看xml，因为3302个文件里手工翻着看会很累，写脚本一次性统计最可靠。

alias = {'Obliquecrack': 'Oblique crack'}

如果txt里已经生成了错误类名，只改脚本无法修复已写出的文件，需要重新覆盖生成一遍。我在转换脚本里加入别名逻辑后，通常会强制重跑一遍所有文件，而不是只处理报错的那几个。

5.2 现象：坐标归一化后出现负值或超过1

原因：目标框跨出图像边界。航拍图里病害正好处于拼接边缘很常见，xml里框的坐标写到了图片范围之外，按常规公式归一化后w、h甚至会出现负数。

解决：在转换时对原始像素坐标做clip，限制到0到图像宽高之间，再计算w和h，如果clip后w或h仍然小于等于0就跳过该框。这一步必须在归一化之前做，顺序反了会出现更隐蔽的误差。我在第3章转换脚本里专门留了这段处理，值得复用。还要注意，clip只解决框超出图像边缘的情况，不能解决框的xmax小于xmin这种标注顺序颠倒问题，后者需要单独判断。

5.3 现象：训练时提示无效类别索引或验证集AP错乱

原因：训练yaml里的names顺序与转换脚本中的CLASSES顺序不一致，导致同一个ID在不同阶段代表不同的类。例如转换脚本里Pothole下标是3，训练yaml里Repair下标是3，模型训练时把坑洞当修补学。

解决：写一份固定的names配置，转换、训练、评估都从同一份配置里读。我的习惯是把data.yaml放在数据集目录下，转换脚本直接读取这个yaml，而不是在代码里再写一遍类表。确认一次names顺序后，后续所有脚本只在name配置处做增量修改。检查时可以先打印yaml内容和txt第一行，快速核对类别ID是否对得上。

5.4 现象：训练loss收敛正常，但Pothole类别的召回率远低于其他类

原因：这是小目标类别样本不足与目标尺度过小的双重问题。航拍视角下坑洞在整体画面中面积占比很小，模型在640分辨率下丢失细节。

解决：一方面提高输入分辨率，1280比640对细长裂缝更有价值。另一方面在数据层面做瓦片切分，把大图切成小图训练，让每个目标占据更大比例。如果硬件显存有限，在数据集层面做切图比直接拉高分辨率更省资源，切图时要注意切块边界，让病害框可以跨块保留一部分重叠，验证时再拼接输出。Pothole类别也可以单独做样本增强，把包含坑洞的图块复制并轻微旋转，但复制的倍数不要超过5倍，否则模型会记住具体样本而不是坑洞特征。

这四个问题都会在训练的不同阶段暴露，但根子都在数据准备这一步。每次看到训练loss下跌但验证曲线异常，我都会先怀疑标注和配置，而不是急着调学习率。

6. 用一张验证曲线判断模型可用性：PR曲线和病害面积估算

模型训练完，整体mAP50只能说明平均水平。路面病害场景里，Repair这类高频类别会把指标撑高，掩盖小类别的低分。我一般会把每个类别的PR曲线单独拉出来，重点盯Pothole和Alligator crack两个类别，前者代表稀少小目标，后者代表大尺寸纹理型目标。如果这两条曲线在训练后期还在振荡，说明数据划分或增强策略还有问题，不要轻易宣布模型达标。

进一步做验证，把检测结果转回像素坐标，再结合航拍的地面采样距离GSD，就能从目标框反推病害的大致面积。这个指标比只报mAP更有说服力：

def road_area_from_box(box, gsd=0.05): x1, y1, x2, y2 = box w_m = (x2 - x1) * gsd h_m = (y2 - y1) * gsd area_m2 = w_m * h_m return area_m2

逻辑说明：gsd表示每个像素对应的地面实际距离，单位为米/像素。将预测框的像素宽高乘以gsd换成米，相乘得到框面积。这里的框面积是近似值，因为框会包含病害周围的背景，但用于给养护部门做排序已经够用。

参数说明：gsd取值取决于飞行高度和相机焦距，不同航次要重新计算。如果GPS信息与图像同步记录，可以换成地理坐标投影后再算面积，精度更高但处理复杂度也会上升。裂缝类病害建议改用框的对角线长度近似病害长度，而不是用框面积，因为纵向裂缝的框普遍细长，面积并不能很好反映病害严重程度。

从那以后，我每次拿到新数据集，都会在训练前强制跑一遍类名扫描和坐标边界检查，这两条检查脚本已经成了我的标准动作。数据没看清之前，模型训练再久也可能是在错误标注上打转。希望帮到你。

本文还有配套的精品资源，点击获取