YOLOv11道路桥梁裂缝与坑洼目标检测数据集
📊 数据集基本信息
- 目标类别： 'Alligator Crack', 'Longitudinal Crack', 'Pathole', 'Transverse Crack'
- 中文类别：'龟裂', '纵向裂缝', '坑洼', '横向裂缝'
- 训练集：80 张
- 验证集：15 张
- 测试集：5 张
- 总计：100 张
📄 data.yaml 配置信息
该数据集提供了data.yaml文件，内容如下：
yaml
train: ../train/images
val: ../valid/images
test: ../test/images
nc: 4
names: ['Alligator Crack', 'Longitudinal Crack', 'Pathole', 'Transverse Crack']📝 数据集分析
YOLOv11道路桥梁裂缝与坑洼目标检测数据集
该数据集专注于道路及桥梁表面病害的精准检测，涵盖了纵向裂缝、横向裂缝、龟裂以及坑洼等多种典型病害类型。通过高分辨率航拍图像采集，结合专业标注，为智能道路维护系统提供了高质量的训练样本，具有重要的工程应用价值。
数据集包含100张图像，其中训练集80张、验证集15张、测试集5张。这种分布比例符合机器学习模型训练的最佳实践，能够有效保证模型在不同场景下的泛化能力，同时预留充足的独立测试集用于客观评估模型性能。
所有标注均采用严格的标准进行，每个病害区域都由专业人员精确划定边界框，并按照预定义的类别标签进行分类。标注过程遵循统一规范，确保了数据的一致性和可靠性，为后续的模型训练奠定了坚实基础。
该数据集可广泛应用于公路养护、桥梁检测及基础设施健康监测等领域，为实现道路病害的自动化识别和及时维修提供技术支持，有助于提升交通基础设施的管理水平和使用寿命。
YOLOv11训练步骤
一、环境安装
bash
pip install ultralytics
# 依赖要求：Python≥3.8，PyTorch≥1.8。安装完成后可通过 `yolo checks` 验证环境。二、数据集准备（YOLO格式）
1. 目录结构
数据集必须严格按以下结构组织：
dataset/
├── train/
│ ├── images/ # 训练图片（jpg/png）
│ └── labels/ # YOLO格式标注（txt）
├── val/
│ ├── images/
│ └── labels/
└── data.yaml # 数据集配置文件2. YOLO标注格式
每个 *.txt 文件对应一张图片，每行格式为：
class_id center_x center_y width height所有数值均为相对于图片宽高的归一化值（0~1）。
3. data.yaml 配置文件
yaml
# data.yaml
path: ../dataset # 数据集根目录（相对或绝对路径）
train: train/images # 训练集图片路径
val: val/images # 验证集图片路径
test: test/images # 测试集图片路径（可选）
# 类别信息
nc: 2 # 类别数量
names: ['class1', 'class2'] # 类别名称列表三、模型选择
YOLO11 提供 5 种尺度，官方命名规则为 yolo11{n/s/m/l/x}.pt：
| 模型 | 参数量 | 适用场景 |
|---|---|---|
yolo11n |
2.6M | 边缘设备、速度优先 |
yolo11s |
9.4M | 平衡精度与速度 |
yolo11m |
20.1M | 常规GPU训练 |
yolo11l |
25.3M | 高精度需求 |
yolo11x |
56.9M | 极致精度、算力充足 |
四、模型训练
方式1：Python API（推荐）
创建 train.py：
python
from ultralytics import YOLO
def main():
# 加载预训练模型（推荐：基于COCO预训练权重微调）
model = YOLO("yolo11m.pt")
# 训练参数
train_params = {
'data': 'data.yaml', # 数据集配置文件
'epochs': 100, # 训练轮次
'imgsz': 640, # 输入图像尺寸
'batch': 16, # 批次大小（根据显存调整）
'device': '0', # GPU设备号，'cpu'表示CPU训练
'workers': 8, # 数据加载线程数
'optimizer': 'SGD', # 优化器：SGD/Adam/AdamW
'lr0': 0.01, # 初始学习率
'patience': 50, # 早停耐心值
'save': True, # 保存模型
'project': 'runs/train', # 项目保存路径
'name': 'exp', # 实验名称
'single_cls': False, # 单类别检测设为True
'close_mosaic': 10, # 最后N轮关闭马赛克增强
}
# 开始训练
results = model.train(**train_params)
# 输出最佳模型路径
print(f"Best model saved at: {results.best}")
if __name__ == '__main__':
main()三种模型加载方式对比：
python
# 方式A：从YAML构建全新模型（从头训练，适合网络结构改进）
model = YOLO("yolo11m.yaml")
# 方式B：加载预训练权重（最常用，推荐）
model = YOLO("yolo11m.pt")
# 方式C：构建新模型并迁移预训练权重（改进网络后使用）
model = YOLO("yolo11m.yaml").load("yolo11m.pt")方式2：命令行 CLI
bash
# 基础训练
yolo detect train data=data.yaml model=yolo11m.pt epochs=100 imgsz=640 batch=16 device=0
# 多GPU训练
yolo detect train data=data.yaml model=yolo11m.pt epochs=100 device=0,1
# 从YAML+预训练权重训练
yolo detect train data=data.yaml model=yolo11m.yaml pretrained=yolo11m.pt epochs=100五、关键训练参数说明
| 参数 | 说明 | 建议值 |
|---|---|---|
epochs |
训练总轮次 | 100~300 |
imgsz |
输入尺寸 | 640（标准） |
batch |
批次大小 | 8/16/32（根据显存） |
device |
训练设备 | 0（单GPU）、0,1（多GPU）、cpu、mps（Apple芯片） |
workers |
数据加载线程 | 8~16（Windows建议≤8） |
optimizer |
优化器 | SGD（默认）、Adam、AdamW |
lr0 / lrf |
初始/最终学习率 | 0.01 / 0.01 |
momentum |
SGD动量 | 0.937 |
weight_decay |
权重衰减 | 0.0005 |
single_cls |
单类别模式 | True/False |
resume |
恢复中断训练 | True（需指定last.pt） |
amp |
自动混合精度 | True（默认开启，省显存） |
六、模型验证
创建 val.py：
python
from ultralytics import YOLO
def main():
# 加载训练好的最佳权重
model = YOLO('runs/train/exp/weights/best.pt')
# 验证
metrics = model.val(
data='data.yaml',
split='val', # 验证集：'val' 或 'test'
imgsz=640,
batch=16,
iou=0.6, # NMS IoU阈值
device='0',
save_json=False, # 是否保存COCO格式JSON
)
# 输出关键指标
print(f"mAP50-95: {metrics.box.map}") # mAP@0.5:0.95
print(f"mAP50: {metrics.box.map50}") # mAP@0.5
print(f"mAP75: {metrics.box.map75}") # mAP@0.75
if __name__ == '__main__':
main()CLI 方式：
bash
yolo detect val model=runs/train/exp/weights/best.pt data=data.yaml七、模型推理/预测
创建 predict.py：
python
from ultralytics import YOLO
import cv2
def main():
model = YOLO('runs/train/exp/weights/best.pt')
# 单张图片推理
results = model.predict(
source='test_images/', # 图片路径、文件夹、URL或摄像头索引（0）
imgsz=640,
conf=0.25, # 置信度阈值
iou=0.45, # NMS IoU阈值
device='0',
save=True, # 保存结果图
show=False, # 是否弹窗显示
)
# 遍历结果
for result in results:
boxes = result.boxes # 检测框
masks = result.masks # 分割掩码（如使用分割模型）
probs = result.probs # 分类概率
# 获取坐标、置信度、类别
for box in boxes:
x1, y1, x2, y2 = box.xyxy[0].tolist()
conf = box.conf[0].item()
cls = int(box.cls[0].item())
print(f"Class: {cls}, Conf: {conf:.2f}, Box: [{x1:.1f}, {y1:.1f}, {x2:.1f}, {y2:.1f}]")
if __name__ == '__main__':
main()CLI 方式：
bash
yolo detect predict model=runs/train/exp/weights/best.pt source=test_images/ save=True
## 数据集下载> 小郭AI日志