本文介绍一个高质量的山体滑坡与塌方检测数据集。该数据集包含 974 张 精心标注的图像，在目标检测任务中达到了 78.1% 的识别率。数据集支持多种主流格式，包括 YOLO 、COCO JSON 和 Pascal VOC XML，方便用户直接用于模型训练。文末还提供了完整的模型训练代码。
模型训练指标参数：
模型训练图：
数据集拆分
本数据集共包含 974 张 图像，按照机器学习标准流程划分为训练集、验证集和测试集，具体分布如下：
- 训练集：870 张图像（约 89.3%）
- 验证集：77 张图像（约 7.9%）
- 测试集：27 张图像（约 2.8%）
预处理流程
所有图像均经过统一的预处理流程：
- 自动定向：应用自动方向校正，确保图像方向一致
- 调整大小：统一拉伸至 640×640 像素，保持输入尺寸一致
数据增强
当前版本暂未应用额外的数据增强策略。
数据集标签
数据集中仅包含一个目标类别：landslide（山体滑坡/塌方）。
标签解释：所有标注框均标记图像中的山体滑坡或塌方区域，适用于滑坡检测、地质灾害监测等应用场景。
数据集图片和标注信息示例：
数据集下载
数据集提供多种格式下载，支持以下主流目标检测框架：
- YOLO 系列：YOLOv7, YOLOv8, YOLOv9, YOLOv11, YOLOv12, YOLOv26, Darknet
- COCO 格式：标准 JSON 标注文件
- Pascal VOC 格式：XML 标注文件
用户可根据自己的训练框架选择相应格式，下载后解压即可使用。
https://download.csdn.net/download/pbymw8iwm/93125256
YOLO模型训练
训练步骤
- 下载并解压数据集：将数据集下载后解压到项目文件夹
- 获取训练脚本：从项目仓库获取训练脚本
- 开始训练：根据使用的 YOLO 版本运行相应脚本
训练示例
假设您使用 YOLOv8 进行训练，执行以下命令：
bash
python train_yolov8.py训练过程中会实时显示损失曲线、精度指标等训练信息，帮助您监控模型收敛情况。
模糊图片在模型训练中的优势分析
该数据集中包含了如果包含了一些模糊图片，这并非数据缺陷，而是一种精心设计的数据增强策略，能为模型训练带来以下显著优势：
- 提升模型鲁棒性：现实场景中，可能发生在运动模糊，对焦不准或光线不足的情况下。在训练集中引入模糊样本，可以迫使模型学习更本质的特征，而不是过度依赖清晰的边缘或纹理细节，从而提升模型在复杂、非理想成像条件下的识别能力。
- 模拟真实世界噪声：监控摄像头、手机等设备在低光照或快速移动时极易产生模糊。包含此类图片的数据集能让模型提前"见识"并适应这种噪声，减少在实际部署时因图像质量下降而导致的性能骤降。
- 防止模型过拟合 ：如果训练集全是高清、摆拍的完美图片，模型容易记住这些特定场景下的"干净"特征，而对新的、稍有模糊的图片泛化能力差。模糊图片作为一种有效的正则化手段，可以增加数据分布的多样性，防止模型过拟合到有限的清晰样本上。
总结 ：因此，数据集中包含的模糊图片，与你看到的"水平翻转"、"剪切形变"、"随机遮挡"等增强操作一样，都是为了构建一个更接近真实世界复杂分布的数据环境，从而训练出更健壮、更泛化、更实用的模型。
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
# ===================== 1. 加载YOLO模型 =====================
# 自动下载预训练模型(yolov8n最轻量快速)，也可换 yolov8s/m/l/x
model = YOLO("best.pt")
# ===================== 2. 推理配置 =====================
image_path = "326_jpg.rf.8ad64cc0668df32c4e5f59b50e899e9c.jpg" # 你的图片路径
save_result = True # 是否保存标注后的图
# ===================== 3. 执行推理 =====================
results = model.predict(
source=image_path,
conf=0.01, # 置信度阈值（低于该值忽略）
save=False, # 关闭默认保存，自定义保存
verbose=False # 关闭冗余日志
)
# ===================== 4. 解析结果：目标区域 + 标注信息 =====================
print("="*50)
print("YOLO 推理结果（目标区域 + 标注信息）")
print("="*50)
# 获取图片（用于绘制框）
img = cv2.imread(image_path)
# 遍历所有检测目标
for idx, result in enumerate(results):
boxes = result.boxes # 所有检测框
for box in boxes:
# ========== 提取目标区域（坐标） ==========
# xyxy: 左上角x, 左上角y, 右下角x, 右下角y
x1, y1, x2, y2 = box.xyxy[0].cpu().numpy()
# 宽高
w = x2 - x1
h = y2 - y1
# ========== 提取标注信息 ==========
cls_id = int(box.cls[0]) # 类别ID
cls_name = model.names[cls_id] # 类别名称
conf = float(box.conf[0]) # 置信度
# ========== 打印信息 ==========
print(f"目标 {idx+1}:")
print(f" 标注类别：{cls_name}")
print(f" 置信度：{conf:.2f}")
print(f" 目标区域坐标：")
print(f" 左上角 ({x1:.1f}, {y1:.1f})")
print(f" 右下角 ({x2:.1f}, {y2:.1f})")
print(f" 宽×高：{w:.1f} × {h:.1f}")
print("-"*30)
# ========== 在图片上绘制检测框 ==========
cv2.rectangle(img, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
cv2.putText(img, f"{cls_name} {conf:.2f}",
(int(x1), int(y1)-10),
cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
# ===================== 5. 保存/显示结果 =====================
if save_result:
cv2.imwrite("yolo_result.jpg", img)
print("✅ 标注图片已保存为：yolo_result.jpg")
# 显示图片（可选）
cv2.imshow("YOLO Result", img)
#cv2.waitKey(0)
#cv2.destroyAllWindows()