道路缺陷检测数据集 | 目标检测 | 交通车辆

【道路缺陷检测数据集 | 目标检测 | 交通车辆】

本数据集面向道路缺陷检测场景的目标检测任务，涵盖7个检测类别，总计10,506张标注图像，累计标注实例超过24,753个。数据集适用于交通车辆领域的算法研究、模型训练与工程应用。

数据集概览

• 数据集名称：道路缺陷检测数据集
• 任务类型：目标检测
• 图像总数：10,506 张
• 标注类别：7 类
• 标注格式：YOLO TXT（归一化坐标）
• 适用框架：YOLOv5 / YOLOv8 / YOLOv10 / RT-DETR
• 数据划分：训练集 / 验证集 / 测试集

检测类别与标注分布

本数据集包含7个检测类别，各类别标注分布如下：

• Fatigue Cracking（疲劳裂纹）— 6,199 个标注实例
• Longitudinal Cracking（纵向裂纹）— 4,049 个标注实例
• Line Marking Faded（标线褪色）— 3,995 个标注实例
• Transverse Cracking（横向裂纹）— 3,979 个标注实例
• Service Pit（检修井）— 3,553 个标注实例
• Pothole（坑洞）— 2,243 个标注实例
• Pedestrian Crossing Faded（人行横道褪色）— 735 个标注实例

技术规格

• 标注格式：YOLO TXT格式，每行标注为 class x_center y_center width height，坐标值归一化至 [0, 1]
• 数据划分：按照标准比例划分训练集、验证集与测试集，可直接用于模型训练与性能评估
• 数据来源：Roboflow Universe 平台

应用场景

1. 道路智能巡检：利用深度学习模型自动识别道路缺陷检测，提升道路维护效率与安全性
2. 市政基础设施管理：部署于自动化巡检系统，实现道路缺陷的大规模快速筛查与分级
3. 算法研究：作为目标检测算法的基准数据集，用于性能评估与横向对比
4. 工程应用：支持智能交通系统、道路养护决策等实际工程场景的模型部署

数据集特点

• 数据规模充足：10,506张标注图像，满足深度学习模型训练的数据量需求
• 多类别检测：覆盖7个检测类别，支持多类别目标识别任务
• 标准数据划分：按照标准比例划分训练集、验证集与测试集
• 即开即用：YOLO格式标注，无需额外格式转换，下载后可直接用于模型训练

获取方式

登录本站后即可免费获取百度网盘下载链接，数据集已按标准目录结构组织，下载后即可直接用于模型训练。

🏷️ 标签

#交通车辆 #目标检测 #YOLO数据集 #深度学习 #计算机视觉 #纵向裂纹 #横向裂纹 #疲劳裂纹