自然灾害类数据集 道路自然灾害障碍检测数据集 滑坡数据集、塌方数据集、倒树检测数据集、道路坍塌的训练及应用

道路智能巡检、边坡灾害预警、自动驾驶道路障碍识别、交通应急监测系统 -道路自然灾害障碍检测数据集 19000张支持yolo和voc格式包含滑坡、塌方、倒树、道路坍塌等场景适合目标检测、算法训练、研究用标注landslidefallen treestoneroad collapse1道路自然灾害障碍检测数据集说明 训练代码可直接复制到Word一、数据集整体介绍本数据集为道路自然灾害障碍检测专用数据集总计19000张图像覆盖野外道路、山区公路、乡村道路等真实场景包含滑坡、塌方、落石、倒树、道路坍塌等典型道路灾害障碍物。数据集同时支持YOLO、VOC两种主流标注格式可直接用于深度学习目标检测算法训练、算法对比、学术研究与工程落地适配YOLO系列、Faster R-CNN、SSD等主流检测模型。关键词道路灾害检测、自然灾害障碍、滑坡检测、倒树识别、落石检测、道路坍塌、目标检测、YOLO、VOC、公路巡检、智能交通、图像数据集、算法训练、深度学习二、数据集类别与标注信息表英文标签名中文类别类别说明适用检测场景landslide滑坡山体土体滑落形成的路面障碍、边坡滑坡体山区道路、临崖道路灾害检测fallen tree倒树倒伏在路面/车道内的树木、枝干台风、暴雨、强风后道路通行障碍stone落石/碎石山体滚落石块、路面散落碎石、塌方碎块山路、陡坡路段落石风险检测road collapse道路坍塌路面下陷、路基垮塌、路面断裂损毁路基灾害、路面结构损毁检测三、数据集基础参数图像总量19000 张标注格式YOLO txt格式 VOC xml格式双格式共存目标类别共4 类道路自然灾害障碍物图像场景山区道路、乡村公路、临水临崖道路、野外通行道路适用方向目标检测算法训练、模型验证、灾害智能监测、道路巡检系统开发四、数据集目录结构road_natural_disaster/ ├── images/ # 所有原始图像19000张 ├── labels/ # YOLO格式标注文件.txt ├── Annotations/ # VOC格式标注文件.xml ├── ImageSets/ │ └── Main/ # train.txt / val.txt / test.txt 数据集划分列表 └── classes.txt # 类别名称文件五、YOLO系列模型训练代码以YOLOv5为例5.1 环境依赖# 基础依赖安装pipinstalltorch torchvision opencv-python pillow numpy tqdm pycocotools matplotlib5.2 数据集类别配置文件road_disaster.yaml在YOLOv5data/目录下新建road_disaster.yaml内容如下# 道路自然灾害障碍检测数据集配置path:../road_natural_disaster# 数据集根目录绝对/相对路径train:imagesval:imagestest:images# 类别数量与名称nc:4names:0:landslide1:fallen tree2:stone3:road collapse5.3 数据集划分脚本划分训练集/验证集/测试集新建split_data.py用于自动划分数据集比例训练集80%、验证集15%、测试集5%importosimportrandom# 配置路径img_path./road_natural_disaster/imagessave_path./road_natural_disaster/ImageSets/Maintrain_percent0.8val_percent0.15test_percent0.05ifnotos.path.exists(save_path):os.makedirs(save_path)# 获取所有图片名total_imgos.listdir(img_path)total_img[name.split(.)[0]fornameintotal_img]random.shuffle(total_img)train_numint(len(total_img)*train_percent)val_numint(len(total_img)*(train_percentval_percent))train_listtotal_img[:train_num]val_listtotal_img[train_num:val_num]test_listtotal_img[val_num:]# 写入文件withopen(os.path.join(save_path,train.txt),w)asf:fornameintrain_list:f.write(name\n)withopen(os.path.join(save_path,val.txt),w)asf:fornameinval_list:f.write(name\n)withopen(os.path.join(save_path,test.txt),w)asf:fornameintest_list:f.write(name\n)print(数据集划分完成)5.4 启动训练命令终端执行# YOLOv5 训练命令python train.py--datadata/road_disaster.yaml--weightsyolov5s.pt--epoch100--batch-size16--img640参数说明--data指定数据集配置文件--weights预训练权重yolov5s/yolov5m/yolov5l 按需选择--epoch训练总轮数--batch-size批次大小根据显存调整--img模型输入图像尺寸六、关键测试推理代码单图/文件夹批量检测新建detect_test.py用于模型效果测试importtorchimportcv2frommodels.commonimportDetectMultiBackendfromutils.generalimportnon_max_suppression,scale_boxesfromutils.torch_utilsimportselect_device# 配置参数weightsruns/train/exp/weights/best.pt# 训练完成最优权重img_pathtest.jpg# 测试图片路径deviceselect_device(0)# GPU编号无GPU填 cpu# 加载模型modelDetectMultiBackend(weights,devicedevice)namesmodel.names# 读取图像imgcv2.imread(img_path)img0img.copy()imgcv2.resize(img,(640,640))imgtorch.from_numpy(img).permute(2,0,1).float()/255.0imgimg.unsqueeze(0).to(device)# 模型推理predmodel(img)prednon_max_suppression(pred,conf_thres0.25,iou_thres0.45)# 绘制检测框fordetinpred:iflen(det):det[:,:4]scale_boxes(img.shape[2:],det[:,:4],img0.shape).round()for*xyxy,conf,clsindet:labelf{names[int(cls)]}{conf:.2f}cv2.rectangle(img0,(int(xyxy[0]),int(xyxy[1])),(int(xyxy[2]),int(xyxy[3])),(0,0,255),2)cv2.putText(img0,label,(int(xyxy[0]),int(xyxy[1])-10),cv2.FONT_HERSHEY_SIMPLEX,0.6,(0,0,255),2)# 展示并保存结果cv2.imshow(Road Disaster Detect,img0)cv2.imwrite(detect_result.jpg,img0)cv2.waitKey(0)cv2.destroyAllWindows()七、数据集与训练关键说明双格式兼容数据集同时提供YOLO-TXT和VOC-XML标注YOLO系列、Faster R-CNN、SSD等算法可直接使用无需二次转换。场景优势图像均为真实道路灾害场景包含光照变化、遮挡、远景/近景、复杂背景模型泛化能力更强。训练调优建议显存不足可降低batch-size适当调小输入分辨率小目标碎石、小块落石可开启马赛克增强、自适应锚框计算类别样本不均衡时可使用加权损失、数据增广优化。应用场景可落地于道路智能巡检、边坡灾害预警、自动驾驶道路障碍识别、交通应急监测系统。