下水道内缺陷识别检测数据集 yolo数据集 共2300张
下水道内缺陷识别检测数据集 yolo数据集 共2300张
下水道内部缺陷识别数据集（Sewer Interior Defect Recognition Dataset, SIDRD）
摘要
SIDRD 是一个专门针对下水道内部缺陷识别的数据集，旨在为城市基础设施维护和管理提供一个标准化的训练和评估平台。该数据集包含了2300张高清的下水道内部图像，这些图像来自于多个城市的下水道系统。每张图像都被详细地标注了裂缝和断裂两种主要类型的缺陷。数据集的设计目标是帮助城市管理者和工程师更好地了解下水道内部缺陷的特征和规律，以便及时发现并修复潜在的问题，保障城市排水系统的正常运行。
数据集特点
- 多样化的下水道环境：数据集包含了多个城市的下水道内部图像，适应于不同的地理条件和建设标准。
- 明确的缺陷分类：数据集将下水道内部的缺陷分为裂缝和断裂两个类别，便于进行针对性的维修和维护工作。
- 高质量的图像：所有的图像都是由专业的地下管道检查机器人拍摄，具有高分辨率和清晰度，能够准确反映下水道内部的真实状况。
- 详细的标注信息：每张图像都经过专业人员的仔细标注，包括缺陷的位置、形状、大小等关键信息。
- 易于使用：数据集已经按照YOLO格式整理，可以直接用于训练和评估YOLO系列的目标检测模型。
- 广泛的适用性：适用于城市基础设施维护、排水系统规划和改进等多个领域。
数据集构成
- 图像数量：总共有2300张下水道内部图像。
- 类别数：2类
- 类别名称及对应数量：
Crack: 裂缝 (2007张)Fracture: 断裂 (633张)
示例代码
以下是一个简单的Python脚本示例，用于加载数据集中的一对图像-标签对，并可视化其中的标注信息：
import os
import cv2
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.patches import Rectangle
# 数据集目录路径
data_dir = 'path/to/sidrd_dataset'
train_image_dir = os.path.join(data_dir, 'images/train')
train_label_dir = os.path.join(data_dir, 'labels/train')
# 选取一张训练图像及其对应标签
image_files = os.listdir(train_image_dir)
image_file = image_files[0] # 假设取第一张图
label_file = os.path.splitext(image_file)[0] + '.txt'
image_path = os.path.join(train_image_dir, image_file)
label_path = os.path.join(train_label_dir, label_file)
# 加载图像
image = cv2.imread(image_path, cv2.IMREAD_COLOR)
height, width, _ = image.shape
# 解析YOLO格式标签
def parse_yolo_label(label_path, image_width, image_height):
bboxes = []
with open(label_path, 'r') as f:
lines = f.readlines()
for line in lines:
class_id, x_center, y_center, box_width, box_height = map(float, line.strip().split())
x_min = int((x_center - box_width / 2) * image_width)
y_min = int((y_center - box_height / 2) * image_height)
box_width = int(box_width * image_width)
box_height = int(box_height * image_width)
bboxes.append((class_id, x_min, y_min, box_width, box_height))
return bboxes
# 解析标签
bboxes = parse_yolo_label(label_path, width, height)
# 可视化标注
fig, ax = plt.subplots(figsize=(10, 10))
ax.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
colors = ['red', 'blue']
names = ['Crack', 'Fracture']
for bbox, color_name in zip(bboxes, colors):
class_id, x, y, w, h = bbox
rect = Rectangle((x, y), w, h, linewidth=2, edgecolor=color_name, facecolor='none')
ax.add_patch(rect)
ax.text(x, y - 10, names[int(class_id)], color=color_name, fontsize=8)
plt.title('Sewer Interior Defect Recognition Dataset')
plt.axis('off')
plt.show()数据集使用指南
-
数据准备：
- 确认数据集路径是否正确，并且图像和标签文件均存在指定的目录下。
- 检查数据集是否有损坏或缺失的文件，确保所有图像和对应的标注文件都是完整的。
-
数据集划分：
- 数据集已经划分为训练集、验证集和测试集，可以直接使用。
-
配置文件：
-
根据所使用的深度学习框架创建相应的配置文件。对于YOLOv5等模型，通常需要一个
data.yaml文件来描述数据集路径和类别信息。 -
data.yaml示例内容如下：train: path/to/sidrd_dataset/images/train val: path/to/sidrd_dataset/images/validation test: path/to/sidrd_dataset/images/test nc: 2 names: ['Crack', 'Fracture']
-
-
模型训练：
- 选择适合任务的深度学习框架（如YOLOv5, YOLOv7, Detectron2等）。
- 配置训练参数，包括学习率、批次大小、迭代次数等。
- 使用提供的数据集开始训练模型。确保在训练过程中监控模型的收敛情况和损失函数的变化。
-
模型评估：
- 训练完成后，使用验证集或测试集评估模型的表现，根据实际情况调整模型参数。
-
应用实践：
- 将训练好的模型应用于实际的城市基础设施维护中，实现自动化下水道缺陷识别和定位。
