桥梁安全隐患检测 — YOLO 训练数据集指南

本文说明如何在 检澜 → 模型训练 中准备符合 Ultralytics YOLOv8 规范的分割数据集。

一、目录结构

bridge_hazard_demo/          ← ZIP 解压后的根目录（名称可自定）
├── data.yaml                ← 必须存在
├── train/
│   ├── images/              ← 训练图片
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── labels/              ← 训练标注（与图片同名 .txt）
│       ├── img001.txt
│       └── img002.txt
└── val/
    ├── images/              ← 验证图片（至少 1 张）
    └── labels/
        └── img003.txt

注意：labels 与 images 文件名一一对应（仅扩展名不同）。

二、`data.yaml` 模板

项目内提供可复制模板：

training_templates/data.yaml.example

最小可用示例：

path: .
train: train/images
val: val/images

nc: 1
names:
  0: hazard

三、分割标注格式（`labels/*.txt`）

每一行表示一个隐患实例（多边形）：

<class_id> <x1> <y1> <x2> <y2> ... <xn> <yn>

class_id：整数，对应 data.yaml 的 names 索引（从 0 开始）
x1 y1 ...：多边形顶点，归一化到 0~1（除以图像宽高）

示例 — 图像中心约 50% 区域的矩形（类别 0）：

0 0.25 0.25 0.75 0.25 0.75 0.75 0.25 0.75

无隐患的图片：对应空的 .txt 文件或不存在 label 文件（建议空文件）。

四、打包 ZIP 上传

在「模型训练」页点击 选择 ZIP，选中整个 bridge_hazard_demo 文件夹压缩为 bridge_hazard_demo.zip
确保解压后 第一层 能看到 data.yaml（不要多套一层无意义的父目录）
上传后平台会校验 data.yaml 并解压到 data/datasets/<id>/

五、一键生成演示数据集（试跑训练）

若尚无标注数据，可用脚本从项目内示例桥梁照片生成 占位标注 的迷你数据集（仅用于验证训练流程，不能代替真实标注）：

cd BridgeDiseaseBackend-main
python scripts/create_demo_dataset.py

生成物：

目录：training_templates/bridge_hazard_demo/
ZIP：training_templates/bridge_hazard_demo.zip（可直接在 Web 页上传）

六、训练参数建议

场景	基线模型	epochs	imgsz	batch
本机 CPU 试跑	yolov8n-seg.pt	5~10	640	2~4
有 GPU 正式训	yolov8s-seg.pt	50~100	640	8~16

七、标注工具推荐

Labelme → 导出后需转换为 YOLO 格式
CVAT
Roboflow（可导出 YOLOv8 分割）

导出时请选择 YOLOv8 Segmentation 格式。

八、常见问题

问题	处理
上传后提示找不到 data.yaml	检查 ZIP 根目录是否含 `data.yaml`，不要只压缩 `train` 子文件夹
训练立即失败	查看任务「日志」；常见为 labels 缺失、class_id 超出 names 范围
训练极慢	CPU 正常；减小 `imgsz`、`batch` 或换 `yolov8n-seg`
检测效果差	演示集为占位框，需换真实桥梁隐患标注重新训练

TRAINING_DATASET.md 3.4 KB Постоянная ссылка История Исходник