智能化巡检无人机航拍道路数据集、6类路面损伤数据集、YOLO道路检测数据集道路损伤检测、路面裂缝识别、无人机道路巡检、公路病害检测、横向裂缝、纵向裂缝、斜向裂缝、路面龟裂、道路坑洞、路面修补检测
智能化巡检无人机视角道路损伤分割数据集
，2412张，yolo，voc，coco三种标注方式
图像尺寸:640*640
类别数量:6类
训练集图像数量:1588; 验证集图像数量:441； 测试集图像数量:383
类别名称: 每一类图像数 ，每一类标注数
Transverse crack - 横向裂缝：2128, 6298
Alligator crack - 龟裂：402, 648
Oblique crack - 斜向裂缝：823, 1809
Pothole - 坑洞：150, 228
Longitudinal crack - 纵向裂缝：1214, 3613
Repair - 修补：218, 384
image num: 2412
一、无人机视角道路损伤分割数据集 完整文档
1.1 数据集基础信息表
| 项目 | 详情 |
|---|---|
| 数据集名称 | 无人机视角道路损伤分割数据集 |
| 总图像数量 | 2412 张 |
| 图像分辨率 | 640×640 |
| 标注格式 | YOLO、VOC、COCO 三种格式 |
| 总类别数 | 6 类 |
| 训练集 | 1588 张 |
| 验证集 | 441 张 |
| 测试集 | 383 张 |
1.2 类别明细（图像数 + 标注框数量）
| 序号 | 英文类别 | 中文类别 | 含该类别图像数 | 标注框总数 |
|---|---|---|---|---|
| 0 | Transverse crack | 横向裂缝 | 2128 | 6298 |
| 1 | Alligator crack | 龟裂 | 402 | 648 |
| 2 | Oblique crack | 斜向裂缝 | 823 | 1809 |
| 3 | Pothole | 坑洞 | 150 | 228 |
| 4 | Longitudinal crack | 纵向裂缝 | 1214 | 3613 |
| 5 | Repair | 路面修补 | 218 | 384 |
1.3 YOLO 类别名称列表
names=["Transverse crack","Alligator crack","Oblique crack","Pothole","Longitudinal crack","Repair"]二、数据集应用场景
- 无人机道路巡检：高空航拍路面图像自动识别裂缝、坑洞、修补区域，实现道路智能化巡检。
- 公路养护检测：市政、交通部门批量筛查路面病害，定位破损位置，辅助养护规划。
- 智慧交通系统：道路监控、车载/航拍视觉算法训练，路面缺陷实时预警。
- 深度学习算法研发：语义分割、目标检测模型训练、对比实验、学术研究与竞赛。
- 边缘设备部署：巡检终端、嵌入式设备、车载终端落地，现场快速检测道路损伤。
三、YOLOv11 训练全套代码
3.1 环境依赖安装
pipinstallultralytics opencv-python numpy pillow3.2 数据集配置文件road_damage.yaml
# 数据集根路径，请根据本地实际路径修改path:./road_damage_datasettrain:images/trainval:images/valtest:images/test# 类别数量nc:6# 类别对应关系names:0:Transverse crack1:Alligator crack2:Oblique crack3:Pothole4:Longitudinal crack5:Repair3.3 训练主代码train_road.py
fromultralyticsimportYOLOdeftrain_road_damage():# 加载模型：yolov11n/s/m/l/x，按需选择model=YOLO("yolov11n.yaml")# 训练参数配置model.train(data="road_damage.yaml",epochs=100,imgsz=640,batch=16,device=0,# GPU 编号，无GPU改为 device="cpu"workers=4,patience=12,amp=True,mosaic=1.0,project="runs/train",name="road_damage_det",exist_ok=True)print("训练完成！")if__name__=="__main__":train_road_damage()3.4 推理测试代码predict.py
fromultralyticsimportYOLO# 加载训练好的最优权重model=YOLO("runs/train/road_damage_det/weights/best.pt")# 单图推理results=model("test.jpg",save=True,conf=0.25)# 文件夹批量推理# results = model("./test_images/", save=True, conf=0.25)# 视频推理# results = model("test.mp4", save=True)3.5 标准目录结构
road_damage_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ # YOLO txt标签 │ ├── train/ │ ├── val/ │ └── test/ ├── VOC/ # VOC xml标签（独立文件夹存放） ├── COCO/ # COCO json标签（独立文件夹存放） └── road_damage.yaml–