智慧交通道路无人机道路损伤检测数据集 无人机道路病害检测数据集的训练及应用 构建基于深度学习YOLOV8无人机道路损伤检测系统

无人机公路损伤目标检测数据集

Yolo格式
无人机公路损伤目标检测数据集
数量：11024张数据集
"训练集：8306""验证集：2012"“测试集：706”
类别数量：8类

类别类型：[1-Alligator Cracking 龟裂（网裂、鳄鱼皮裂缝，路表面呈网状或块状的密集裂纹，形似龟壳或鳄鱼皮。）
2-Longitudinal Crack 纵向裂缝
3-othole 坑洞（坑槽）
4-Rutting车辙（在车行道轮迹带产生的纵向带状凹陷变形。）
5-Transverse Crack 横向裂缝
6-Bleeding 泛油（沥青析出，沥青过多渗至表面形成光滑、发亮的油膜。）
7-Raveling 松散（集料脱落表面集料从沥青结合料中脱落，呈现粗糙麻面。）
8-Stripping 剥离（沥青与集料粘附失效）沥青膜与集料之间失去粘结力，导致分层破坏。]
文件格式：JPG
标签格式：txt
图片大小：640 x 640

1

1

---

📊 无人机公路损伤检测数据集概览表

项目	内容
数据集名称	无人机公路损伤目标检测数据集
总图像数量	11,024 张
图像格式	JPG
图像尺寸	统一为640 × 640 像素
标注格式	YOLO 格式（.txt文件，每行：class x_center y_center width height，归一化）
类别数量	8 类
数据划分	已科学划分，无需再处理：• 训练集：8,306 张• 验证集：2,012 张• 测试集：706 张
采集方式	无人机航拍（俯视视角，贴近真实巡检场景）
适用模型	YOLOv5 / YOLOv6 /YOLOv8/ YOLO11 等全系列通用

---

🗂️ 类别定义与说明表

类别ID	中文名称	英文名称	描述
0	龟裂（网裂）	Alligator Cracking	路表面呈网状或块状的密集裂纹，形似龟壳或鳄鱼皮
1	纵向裂缝	Longitudinal Crack	沿行车方向延伸的线性裂缝
2	坑洞	Pothole	路面局部塌陷形成的坑槽，通常边缘破碎
3	车辙	Rutting	在车行道轮迹带产生的纵向带状凹陷变形
4	横向裂缝	Transverse Crack	垂直于行车方向的裂缝，常贯穿整个车道
5	泛油（沥青析出）	Bleeding	沥青过多渗至表面形成光滑、发亮的油膜
6	松散	Raveling	表面集料从沥青结合料中脱落，呈现粗糙麻面
7	剥离	Stripping	沥青膜与集料之间失去粘结力，导致分层破坏

✅ 类别 ID 从0开始，符合 YOLO 标准索引规范
✅ 所有.txt标签文件与图像文件同名，一一对应

---

📁 推荐目录结构（标准 YOLO 格式）

drone_road_damage_dataset/ ├── images/ │ ├── train/ # 8,306 张 │ ├── val/ # 2,012 张 │ └── test/ # 706 张 ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yaml # YOLO 配置文件

---

📄 示例data.yaml配置文件

# drone_road_damage_dataset/data.yamltrain:./images/trainval:./images/valtest:./images/testnc:8names:['Alligator_Cracking','Longitudinal_Crack','Pothole','Rutting','Transverse_Crack','Bleeding','Raveling','Stripping']

⚠️ 使用前请确保路径与实际项目结构一致。

---

无人机公路损伤检测数据集（8 类，11,024 张图像，YOLO 格式）

---

✅ 一、YOLOv8 完整训练代码

1. 环境依赖安装

pipinstallultralytics opencv-python numpy matplotlib tqdm

推荐使用 Python 3.8+ 和 PyTorch ≥ 1.10

---

2.data.yaml配置文件（保存为road_damage/data.yaml）

train:./images/trainval:./images/valtest:./images/testnc:8names:['Alligator_Cracking','Longitudinal_Crack','Pothole','Rutting','Transverse_Crack','Bleeding','Raveling','Stripping']

确保你的数据目录结构如下：

road_damage/ ├── images/train/ # 8306 张 JPG ├── labels/train/ ├── images/val/ # 2012 张 ├── labels/val/ ├── images/test/ # 706 张 ├── labels/test/ └── data.yaml

---

3. 训练脚本：train_road_damage.py

# train_road_damage.pyfromultralyticsimportYOLOimporttorch# 检查 GPUdevice='cuda'iftorch.cuda.is_available()else'cpu'print(f"Using device:{device}")# 加载预训练模型（可选 yolov8n / yolov8s / yolov8m）model=YOLO('yolov8s.pt')# 首次运行会自动下载# 开始训练results=model.train(data='road_damage/data.yaml',# 数据配置路径epochs=150,# 建议 100~200 轮imgsz=640,# 图像尺寸（已统一为 640x640）batch=32,# 根据 GPU 显存调整（RTX 3060 可设 32）name='road_damage_yolov8s',# 实验名称device=device,hsv_h=0.015,# 色调增强hsv_s=0.7,hsv_v=0.4,degrees=10.0,# 旋转translate=0.1,scale=0.5,mosaic=1.0,# Mosaic 增强（对小裂缝有效！）flipud=0.0,fliplr=0.5,patience=30,# 早停：30 轮无提升则停止save_period=10# 每 10 轮保存一次 checkpoint)print("✅ Training completed!")

---

4. 启动训练（命令行方式，可选）

yolo detect train\data=road_damage/data.yaml\model=yolov8s.pt\epochs=150\imgsz=640\batch=32\name=road_damage_yolov8s\device=0

---

5. 评估模型性能

yolo detect val\model=runs/detect/road_damage_yolov8s/weights/best.pt\data=road_damage/data.yaml

---

✅ 二、道路损伤检测系统（GUI 应用）

使用PyQt5 + OpenCV + YOLOv8构建桌面应用，支持图像/视频检测。

1. 安装 GUI 依赖

pipinstallpyqt5 pyqt5-tools

---

2. 主程序：road_damage_detector.py

# road_damage_detector.pyimportsysimportcv2fromPyQt5.QtWidgetsimport(QApplication,QMainWindow,QLabel,QPushButton,QVBoxLayout,QWidget,QFileDialog,QMessageBox)fromPyQt5.QtGuiimportQImage,QPixmapfromPyQt5.QtCoreimportQt,QTimerfromultralyticsimportYOLOimportnumpyasnpclassRoadDamageDetector(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle("🚥 无人机道路损伤检测系统")self.setGeometry(100,100,1000,700)# 初始化模型（请替换为你的 best.pt 路径）self.model_path="runs/detect/road_damage_yolov8s/weights/best.pt"try:self.model=YOLO(self.model_path)print("✅ 模型加载成功！")exceptExceptionase:QMessageBox.critical(self,"错误",f"模型加载失败:\n{str(e)}")sys.exit(1)self.cap=Noneself.timer=QTimer()self.timer.timeout.connect(self.update_frame)self.init_ui()definit_ui(self):central_widget=QWidget()self.setCentralWidget(central_widget)layout=QVBoxLayout()self.image_label=QLabel()self.image_label.setAlignment(Qt.AlignCenter)self.image_label.setMinimumSize(960,540)self.image_label.setStyleSheet("background-color: #f0f0f0; border: 1px solid #ccc;")btn_layout=QVBoxLayout()self.btn_image=QPushButton("📁 选择图像")self.btn_video=QPushButton("🎥 选择视频")self.btn_stop=QPushButton("⏹ 停止")self.btn_image.clicked.connect(self.load_image)self.btn_video.clicked.connect(self.load_video)self.btn_stop.clicked.connect(self.stop_media)forbtnin[self.btn_image,self.btn_video,self.btn_stop]:btn.setFixedHeight(40)btn_layout.addWidget(btn)layout.addWidget(self.image_label)layout.addLayout(btn_layout)central_widget.setLayout(layout)defload_image(self):path,_=QFileDialog.getOpenFileName(self,"选择图像","","Image Files (*.jpg *.png *.jpeg)")ifpath:self.process_image(path)defload_video(self):path,_=QFileDialog.getOpenFileName(self,"选择视频","","Video Files (*.mp4 *.avi *.mov)")ifpath:self.cap=cv2.VideoCapture(path)self.timer.start(30)# ~30 FPSdefstop_media(self):ifself.cap:self.cap.release()self.timer.stop()self.image_label.clear()defprocess_image(self,image_path):frame=cv2.imread(image_path)ifframeisNone:QMessageBox.warning(self,"警告","无法读取图像！")returnresult_frame=self.detect_and_draw(frame)self.display_image(result_frame)defupdate_frame(self):ifself.capandself.cap.isOpened():ret,frame=self.cap.read()ifret:result_frame=self.detect_and_draw(frame)self.display_image(result_frame)else:self.stop_media()defdetect_and_draw(self,frame):results=self.model(frame,conf=0.4)[0]# 置信度阈值 0.4annotated_frame=results.plot()# 自动绘制边界框和标签returnannotated_framedefdisplay_image(self,img):img_rgb=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)h,w,ch=img_rgb.shape bytes_per_line=ch*w q_img=QImage(img_rgb.data,w,h,bytes_per_line,QImage.Format_RGB888)self.image_label.setPixmap(QPixmap.fromImage(q_img).scaled(self.image_label.width(),self.image_label.height(),Qt.KeepAspectRatio))defcloseEvent(self,event):self.stop_media()event.accept()if__name__=="__main__":app=QApplication(sys.argv)window=RoadDamageDetector()window.show()sys.exit(app.exec_())

---

3. 运行检测系统

python road_damage_detector.py

功能支持：

• 📁 上传单张图像进行检测
• 🎥 播放本地视频并实时标注
• ⏹ 随时停止
• 自动显示类别名称与置信度

---

✅ 三、部署建议

场景	建议
边缘设备（如 Jetson Nano）	导出 ONNX：model.export(format='onnx')
Web 服务	使用 Flask/FastAPI 封装推理 API
批量处理	编写脚本遍历test/目录并保存结果

---