混凝土护栏坑洼路面沙土检测数据集智慧交通道路智慧城市、市政管理、AI竞赛 YOLO模型如何训练道路缺陷病害检测数据集市道路视觉污染自动巡检 - 智慧环卫系统（识别路面异常物）

visual pollution 数据集信息总结表

项目	内容
数据集名称	visual pollution Dataset
任务类型	目标检测 (Object Detection)
图片总数	约3570 张
类别数量	3 类
具体类别	1. Concrete barriers（混凝土护栏） 2. potholes（坑洼） 3. sand on road（路面沙土）
模型	YOLOv8、YOLOv8s、YOLOv5
数据格式	图像 + 标注文件（目标检测标准格式）

1

1

1

1
以下是针对Visual Pollution Dataset（视觉污染检测数据集）的完整 YOLO 训练方案，包含3 类目标：

Concrete barriers（混凝土护栏）
potholes（坑洼）
sand on road（路面沙土）

支持YOLOv5 / YOLOv8 / YOLOv8s，提供可直接运行的训练代码。

✅ 一、数据集配置文件`data.yaml`

# data.yamlpath:./datasetstrain:images/trainval:images/valnc:3names:['concrete_barriers','potholes','sand_on_road']

📌 注意：
类别名使用下划线命名（避免空格），与标注文件中的类别 ID 对应
标注格式为标准 YOLO 格式（每行：class_id x_center y_center width height，归一化）

✅ 二、目录结构要求

VisualPollutionDetection/ ├── datasets/ │ ├── images/ │ │ ├── train/ # ~2856 张（80%） │ │ └── val/ # ~714 张（20%） │ └── labels/ │ ├── train/ │ └── val/ ├── data.yaml ├── train_yolov8.py # YOLOv8 训练脚本 └── requirements.txt

✅ 三、YOLOv8 训练代码（推荐）

# train_yolov8.pyfromultralyticsimportYOLOimportargparsedefmain(model_name='yolov8s.pt',epochs=100,imgsz=640,batch=16,name='visual_pollution_yolo8'):model=YOLO(model_name)results=model.train(data='data.yaml',epochs=epochs,imgsz=imgsz,batch=batch,name=name,cache=False,device=0,workers=8,patience=20,save=True,exist_ok=False,# 增强策略（适合道路场景）hsv_h=0.015,hsv_s=0.7,hsv_v=0.4,degrees=5.0,translate=0.1,scale=0.3,mosaic=0.8,flipud=0.0,fliplr=0.5)print(f"✅ 训练完成！最佳模型保存在: runs/detect/{name}/weights/best.pt")if__name__=='__main__':parser=argparse.ArgumentParser()parser.add_argument('--model',type=str,default='yolov8s.pt')parser.add_argument('--epochs',type=int,default=100)parser.add_argument('--imgsz',type=int,default=640)parser.add_argument('--batch',type=int,default=16)parser.add_argument('--name',type=str,default='visual_pollution_exp')args=parser.parse_args()main(**vars(args))

✅ 四、YOLOv5 训练代码（兼容旧项目）

需先克隆 YOLOv5 仓库：git clone https://github.com/ultralytics/yolov5

# train_yolov5.pyimportosimportargparsedefmain(weights='yolov5s.pt',epochs=100,imgsz=640,batch=16,name='visual_pollution_yolov5'):cmd=f""" python yolov5/train.py \ --img{imgsz}\ --batch{batch}\ --epochs{epochs}\ --data data.yaml \ --weights{weights}\ --name{name}\ --cache ram \ --workers 8 """os.system(cmd)if__name__=='__main__':parser=argparse.ArgumentParser()parser.add_argument('--weights',type=str,default='yolov5s.pt')parser.add_argument('--epochs',type=int,default=100)parser.add_argument('--imgsz',type=int,default=640)parser.add_argument('--batch',type=int,default=16)parser.add_argument('--name',type=str,default='visual_pollution_yolov5')args=parser.parse_args()main(**vars(args))

✅ 五、依赖安装

# requirements.txt (YOLOv8) ultralytics>=8.3.0 opencv-python numpy torch>=2.0.0

若使用 YOLOv5，需额外安装：

pipinstall-r yolov5/requirements.txt

✅ 六、启动训练

YOLOv8（推荐）

python train_yolov8.py --model yolov8s.pt --epochs100--batch16--name vp_yolo8s

YOLOv5

python train_yolov5.py --weights yolov5s.pt --epochs100--batch16--name vp_yolov5s

✅ 七、推理示例（YOLOv8）

fromultralyticsimportYOLO model=YOLO('runs/detect/vp_yolo8s/weights/best.pt')results=model('road_image.jpg')# 可视化results[0].show()# 获取检测结果forboxinresults[0].boxes:cls_id=int(box.cls.item())label=model.names[cls_id]conf=float(box.conf.item())print(f"检测到:{label}, 置信度:{conf:.2f}")