带标注的建筑墙面裂缝识别数据集,4450张图片,支持yolo,coco json,voc xml格式

带标注的建筑墙面裂缝识别数据集,4450张图片,支持yolo,coco json,voc xml格式

模型训练指标参数:

模型训练图:

数据集拆分

训练集

4005张图

验证集

222张图

测试集

223张图

预处理

自动定向:应用

调整大小:拉伸到512x512

增强

每个训练样本的输出数量:3

翻转:水平翻转、垂直翻转

灰度化:对 15% 的图像应用灰度处理

饱和度:浮动范围 -25% ~ +25%

曝光度:浮动范围 -10% ~ +10%

模糊:最大模糊半径 2.5 像素

噪声:最多对 0.1% 的像素添加噪声

裁剪遮挡:3 个遮挡框,每个大小为 10%

马赛克增强:已启用

数据集标签:

cracks

数据集图片和标注信息示例:

数据集下载:

yolo26:https://download.csdn.net/download/pbymw8iwm/92799471

yolo v12:https://download.csdn.net/download/pbymw8iwm/92799470

yolo v11:https://download.csdn.net/download/pbymw8iwm/92799468

yolo v9:https://download.csdn.net/download/pbymw8iwm/92799464

yolo v8:https://download.csdn.net/download/pbymw8iwm/92799466

yolo v7:https://download.csdn.net/download/pbymw8iwm/92799467

coco json:https://download.csdn.net/download/pbymw8iwm/92799469

pascal voc xml:https://download.csdn.net/download/pbymw8iwm/92799465

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 复制代码
#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": 122,

"y": 127,

"width": 122,

"height": 140,

"confidence": 0.76,

"class": "cracks",

"class_id": 0,

"detection_id": "a9500a0b-de8b-410c-844c-11ed40631c01"

},

{

"x": 209,

"y": 63,

"width": 48,

"height": 18,

"confidence": 0.742,

"class": "cracks",

"class_id": 0,

"detection_id": "f7fd193d-7c2c-4064-9c91-494c8035aff2"

},

{

"x": 41.5,

"y": 251.5,

"width": 47,

"height": 97,

"confidence": 0.711,

"class": "cracks",

"class_id": 0,

"detection_id": "c95c02d4-ac02-4421-9021-4eaa43ada9df"

},

{

"x": 218.5,

"y": 20,

"width": 53,

"height": 40,

"confidence": 0.501,

"class": "cracks",

"class_id": 0,

"detection_id": "39e83dfc-b7a3-47f6-911c-d4ed164112a9"

}

]

}

推理结果:

{

"predictions": [

{

"x": 179.5,

"y": 149,

"width": 57,

"height": 18,

"confidence": 0.885,

"class": "cracks",

"class_id": 0,

"detection_id": "624fae65-c55b-4bcb-9334-c52ed3d86284"

},

{

"x": 118,

"y": 125,

"width": 64,

"height": 60,

"confidence": 0.831,

"class": "cracks",

"class_id": 0,

"detection_id": "905bf19b-e464-4845-b098-da7b4aca151f"

},

{

"x": 268.5,

"y": 158,

"width": 51,

"height": 22,

"confidence": 0.774,

"class": "cracks",

"class_id": 0,

"detection_id": "6f1f82de-3adb-4d66-8e9c-5e3803d0d31e"

},

{

"x": 223,

"y": 144,

"width": 28,

"height": 10,

"confidence": 0.758,

"class": "cracks",

"class_id": 0,

"detection_id": "9e18f8ba-c355-4c05-a8f5-df4711852aba"

}

]

}

相关推荐
七夜zippoe4 天前
Nexent 模型配置:4 字段与 9 个槽位
数据库·人工智能·模型·nexent
七夜zippoe12 天前
Agent 优雅降级实战:模型不可用时的后备方案设计
ai·agent·模型·降级·后备方案
城南皮卡丘18 天前
苹果果实成熟度检测数据集 4195张+YOLO格式
深度学习·yolo·目标检测·计算机视觉·数据集
微尘hjx18 天前
【数据集 11】面向城市道路的坑洞检测数据集(含8760张,已按比例划分训练、验证、测试集,支持YOLO全系列训练)
人工智能·yolo·目标检测·数据集·道路坑洞·路坑数据集·路坑
数聚天成DeepSData21 天前
两份名录里的同名机构,主键该怎么合并
人工智能·深度学习·机器学习·数据集·deepsdata
Felaim24 天前
【SLAM】SLAM数据集相机规格说明
数据集·vslam·slam·相机标定
数聚天成DeepSData25 天前
第三方地图工具导出的 Landsat 影像,使用条件和 USGS 官方下载的一样吗
人工智能·深度学习·机器学习·数据集·deepsdata
数聚天成DeepSData1 个月前
验收一批标注数据时,一致性到底在比谁和谁
人工智能·深度学习·机器学习·数据集·deepsdata
数聚天成DeepSData1 个月前
两批标注数据合并前要核对什么
人工智能·深度学习·机器学习·数据集·deepsdata
数聚天成DeepSData1 个月前
外部标注需求里该写清哪几项,样例包才验收得动
人工智能·深度学习·机器学习·数据集·deepsdata