Urban Issues Dataset：10类城市公共场景异常目标检测数据集
数据集简介
Urban Issues Dataset是一个面向城市公共管理领域的大规模目标检测数据集，专门针对城市环境中的各类异常问题进行标注，为智能城市管理、公共安全监测等场景提供数据支撑。
该数据集从城市道路、公共区域、基础设施等多场景收集了47140张图像，涵盖10类城市常见异常目标，总计标注框数量达141931个。数据集覆盖了从道路损坏、基础设施故障到公共卫生问题的全品类城市异常场景，其中640×640分辨率图像占比超过88%，同时包含多种非常规分辨率样本，具备较强的场景多样性。
该数据集主要用于城市异常目标检测、智能巡检系统开发、公共安全监测、基础设施维护预警、城市环境治理等任务，可支撑计算机视觉模型在城市管理领域的落地应用。
数据集采用标准的训练-验证-测试三划分模式：
- 训练集：包含38086张图像，占总数据量的80.8%，覆盖所有10类目标，适用于模型的基础训练与特征学习
- 验证集：包含4894张图像，占总数据量的10.4%，用于训练过程中的模型性能评估与超参数调优
- 测试集：包含4160张图像，占总数据量的8.8%，用于最终模型的泛化能力验证
该数据集以其大规模样本、全品类城市异常覆盖、真实场景多样性的特点，成为城市管理领域目标检测模型研究与性能评估的重要基准，为智能城市的自动化巡检系统提供了关键的数据支撑。
01 数据集概览
| 字段 | 详情 |
|---|---|
| 数据集名称 | Urban Issues Dataset |
| 类别数量 | 10 |
| 总图像数量 | 47140张 |
| 训练集规模 | 38086张（80.8%） |
| 验证集规模 | 4894张（10.4%） |
| 测试集支持 | 4160张（8.8%） |
| 标注格式 | YOLO格式（归一化边界框） |
| 标注质量 | 总标注框141931个，空标签文件占比0.95% |
| 采集场景 | 城市道路、公共区域、市政基础设施、户外公共场所 |
| 图像分辨率 | 最小120×168，最大4928×4608，平均646×647，640×640分辨率占比88.5% |
| 数据增强建议 | 针对类别失衡建议采用过采样、MixUp，针对分辨率差异建议采用自适应缩放 |
| 类别均衡性 | 类别极度不均衡，失衡分数388.92 |
| 小目标占比 | 9.23%（归一化面积<0.005） |
02 类别定义与特征
| ID | 英文名称 | 中文术语 | 视觉特征 |
|---|---|---|---|
| 0 | Damaged Road issues | 道路损坏 | 路面出现裂缝、坑槽、剥落等结构性损坏，多呈不规则形状，颜色与正常路面有明显差异 |
| 1 | Pothole Issues | 路面坑洞 | 路面出现的凹陷型损坏，形状多为圆形或椭圆形，边缘清晰，深度较明显 |
| 2 | Illegal Parking Issues | 违规停车 | 车辆停放在非指定区域，多为机动车，位置通常在人行道、非机动车道或禁停路段 |
| 3 | Broken Road Sign Issues | 道路标识损坏 | 交通标志牌出现破损、变形、缺失等情况，多为金属或塑料材质，颜色鲜艳（红、蓝、黄等） |
| 4 | Fallen trees | 倒伏树木 | 树木倾斜或完全倒地，多为枝叶形态，占据道路或公共区域空间 |
| 5 | Littering/Garbage on Public Places | 公共场所垃圾 | 公共区域内的废弃物，包括塑料袋、纸箱、饮料瓶等，形状不规则，颜色多样 |
| 6 | Vandalism Issues | 公共设施破坏 | 公共设施（如座椅、墙面、护栏等）出现涂鸦、破损、缺失等人为损坏痕迹 |
| 7 | Dead Animal Pollution | 动物尸体污染 | 道路或公共区域内的动物尸体，形态完整或残缺，颜色多呈暗褐色或灰白色 |
| 8 | Damaged concrete structures | 混凝土结构损坏 | 桥梁、护栏、墙体等混凝土设施出现裂缝、剥落、露筋等损坏，颜色多为灰色，损坏区域不规则 |
| 9 | Damaged Electric wires and poles | 电力线杆损坏 | 电线杆倾斜、断裂，电线松弛、脱落或破损，多为金属或木质结构，带有线缆特征 |
03 数据集目录结构
text
Urban Issues Dataset/
├── train/
│ ├── images/ # 训练集图像（38086张）
│ └── labels/ # 训练集YOLO标注（.txt）
├── valid/
│ ├── images/ # 验证集图像（4894张）
│ └── labels/ # 验证集标注
├── test/
│ ├── images/ # 测试集图像（4160张）
│ └── labels/ # 测试集标注
└── data.yaml # YOLO配置文件04 应用场景
- 智能城市巡检系统：搭载在巡检机器人或无人机上，自动识别道路损坏、基础设施故障等问题，替代人工巡检，提升城市管理效率
- 公共安全监测：部署在城市监控摄像头中，实时检测违规停车、倒伏树木等影响公共安全的异常情况，及时发出预警
- 市政基础设施维护：通过分析巡检图像，自动统计道路坑洞、混凝土结构损坏等问题的位置和数量，辅助制定精准的维护计划
- 城市环境治理：识别公共场所垃圾、动物尸体污染等问题，优化清洁资源调度，提升城市环境质量
- 应急事件响应：在自然灾害或突发事件后，快速识别倒伏树木、电力线杆损坏等危险情况，辅助应急救援决策
- 交通管理优化：检测违规停车行为，自动生成罚单或通知，提升交通执法效率
- 智慧城市决策支持：基于大量异常数据的统计分析，为城市规划、基础设施建设提供数据支撑
05 模型训练与部署
YOLO26配置文件（data.yaml）
yaml
# Urban Issues Dataset 配置文件
train: ../train/images
val: ../valid/images
test: ../test/images
# 类别数量与名称
nc: 10
names:
0: Damaged Road issues
1: Pothole Issues
2: Illegal Parking Issues
3: Broken Road Sign Issues
4: Fallen trees
5: Littering/Garbage on Public Places
6: Vandalism Issues
7: Dead Animal Pollution
8: Damaged concrete structures
9: Damaged Electric wires and poles训练命令
单GPU训练
bash
yolo detect train data=data.yaml model=yolo26n.pt epochs=35 batch=8 imgsz=640 optimizer=AdamW amp=True cache=False workers=8 save_period=8 device=0多GPU训练
bash
yolo detect train data=data.yaml model=yolo26n.pt epochs=35 batch=16 imgsz=640 optimizer=AdamW amp=True cache=False workers=8 save_period=8 device=0,1模型验证
bash
yolo detect val data=data.yaml model=runs/detect/train/weights/best.pt imgsz=640 device=0模型导出（用于部署）
bash
yolo export model=runs/detect/train/weights/best.pt format=onnx imgsz=640训练参数说明
- epochs=35：数据集规模大，采用较少轮次实现快速收敛，避免过拟合
- batch=8：针对类别失衡和小目标问题，采用小批次提升梯度稳定性
- imgsz=640：适配数据集主流分辨率，平衡检测精度与计算效率
- optimizer=AdamW：自适应学习率优化器，更适合类别失衡和小目标场景
- amp=True：开启自动混合精度训练，节省显存并加速训练
- cache=False：数据集规模较大，关闭内存缓存避免内存占用过高
- save_period=8：定期保存模型权重，方便选择最优模型
06 数据集获取方式
关注本号，后台回复关键词 城市问题检测数据集，即可获取数据集下载链接及使用说明。
07 使用声明与引用规范
- 本数据集仅用于学术研究和非商业用途，禁止用于商业产品开发
- 使用数据集发表论文或研究成果时，需在参考文献中注明数据集来源
- 数据集标注由人工完成，存在一定误差，使用时需注意验证
- 请勿修改、分发或重新发布数据集的原始内容
08 相关数据集推荐
- Cityscapes：大规模城市街景语义分割数据集，包含50个城市的街道场景
- BDD100K：包含10万张图像的自动驾驶数据集，涵盖多种城市交通场景
- COCO：通用目标检测数据集，包含部分城市场景目标
- StreetHazards：专注于道路危险目标检测的数据集
- UA-DETRAC：交通场景目标检测与跟踪数据集