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
#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"
}
]
}