带标注的建筑墙面缺陷数据集，可识别腐蚀，裂纹，裂缝，分层起皮，有污垢，漆面缺陷，支持yolo，coco json，pascal voc xml格式
数据集拆分
训练集
702张图
验证集
200张图
测试集
101张图
预处理
自动定向：应用
调整大小：拉伸到640x640
增强
无
数据集标签：
'corrosion', 'crack', 'delamination', 'dirt_mold', 'paint_defect'
说明：
- corrosion腐蚀；锈蚀（多指金属、钢结构生锈腐蚀）
- crack裂缝；裂纹（墙体、地面、混凝土开裂）
- delamination分层；脱层；起壳（墙面 / 板材 / 漆面起皮、脱离基层）
- dirt_mold污垢霉变；污渍发霉（dirt 污垢 + mold 霉菌，数据集常用连写标签）
- paint_defect漆面缺陷；涂装瑕疵（掉漆、鼓包、流挂、色差等油漆问题）
数据集图片和标注信息示例：
数据集下载：
yolo26:https://download.csdn.net/download/pbymw8iwm/92794990
yolo v12:https://download.csdn.net/download/pbymw8iwm/92794989
yolo v11:https://download.csdn.net/download/pbymw8iwm/92794987
yolo v9:https://download.csdn.net/download/pbymw8iwm/92794985
yolo v8:https://download.csdn.net/download/pbymw8iwm/92794983
yolo v7:https://download.csdn.net/download/pbymw8iwm/92794986
coco json:https://download.csdn.net/download/pbymw8iwm/92794988
pascal voc xml:https://download.csdn.net/download/pbymw8iwm/92794984
YOLO模型训练
下载数据集之后解压到当前文件夹，然后将 我的仓库 https://gitcode.com/pbymw8iwm/YOLOProject里的训练模型脚本复制到文件夹下，假设你使用的是yolov8来训练你就用 python train_yolov8.py
注意，请根据你的GPU能力来适当调整训练参数，比如训练batch，patience，workers，以及模型类型（如果你的GPU硬件条件限制，可以联系作者进行付费模型训练，部分模型只需要一杯奶茶钱）
模型验证测试情况：
验证测试代码：
python
#需要安装pip install ultralytics
from ultralytics import YOLO
import cv2
# 加载训练好的 YOLO .pt 模型
model = YOLO('best.pt') # 替换为你实际的 .pt 模型文件路径
# 定义要测试的图片路径
image_path = './image.jpg' # 替换为你实际的图片文件路径
# 使用模型对图片进行预测
results = model(image_path)
# 获取预测结果
for result in results:
# 获取绘制了检测框的图片
annotated_image = result.plot()
# 显示图片
cv2.imshow("YOLOv Inference", annotated_image)
# 等待按键退出
cv2.waitKey(0)
# 关闭所有 OpenCV 窗口
cv2.destroyAllWindows()
推理结果：
{
"predictions": [
{
"x": 559,
"y": 649,
"width": 82,
"height": 104,
"confidence": 0.878,
"class": "paint defect",
"class_id": 4,
"detection_id": "19333b5d-ab4a-4bb6-a0f3-f05cd71a2fdc"
},
{
"x": 441.5,
"y": 517,
"width": 93,
"height": 142,
"confidence": 0.81,
"class": "dirty- mold",
"class_id": 3,
"detection_id": "9d42fafe-e084-4d06-a857-75640f0fead9"
},
{
"x": 429,
"y": 717.5,
"width": 62,
"height": 85,
"confidence": 0.78,
"class": "dirty- mold",
"class_id": 3,
"detection_id": "4b6c8939-f0b0-41db-8fc7-3753438c1909"
}
]
}
推理结果：
{
"predictions": [
{
"x": 623,
"y": 503.5,
"width": 752,
"height": 325,
"confidence": 0.935,
"class": "paint defect",
"class_id": 4,
"detection_id": "f8a531f1-f87b-42c7-b8fd-087bea216cff"
},
{
"x": 348,
"y": 94.5,
"width": 156,
"height": 179,
"confidence": 0.899,
"class": "crack",
"class_id": 1,
"detection_id": "ccc911e8-ab3a-4d83-823b-2d16be400cc3"
},
{
"x": 164,
"y": 434.5,
"width": 138,
"height": 281,
"confidence": 0.879,
"class": "paint defect",
"class_id": 4,
"detection_id": "982f8f36-fe09-4790-9773-85cd2d1df04f"
},
{
"x": 218,
"y": 407.5,
"width": 36,
"height": 225,
"confidence": 0.742,
"class": "crack",
"class_id": 1,
"detection_id": "2f293c67-ba63-42ac-920a-0f0b37c6f141"
}
]
}