【无需VIP】路面积水检测数据集使用指南:460张VOC标注图片
【无需VIP】路面积水检测数据集使用指南:460张VOC标注图片
路面积水检测数据集要解决的问题很具体:路面上哪里有积水。共460张图片,每张配一份VOC格式标注,类别只有water,可直接用于YOLOv5、YOLOv8等模型的训练与验证。下面按数据结构、标注情况、适用场景和最小实验流程介绍用法。
数据长什么样:目录结构与字段说明
数据以单个压缩包 积水检测数据集.zip 交付,解压后是标准的两目录结构:
积水检测数据集/
├── Annotations/ # 460个VOC格式XML标注
└── JPEGImages/ # 460张JPG图片
| 项目 | 内容 |
|---|---|
| 样本量 | 460张图片,标注文件一一对应 |
| 标注格式 | VOC(PascalVOC)XML |
| 标注类别 | water,单类别,轴对齐矩形框 |
| 图片尺寸 | 640×360(自标注文件取样) |
| 文件命名 | firc_water1.jpg 对应 firc_water1.xml |
每个 XML 包含图片尺寸,以及 object 节点的 name、bndbox、truncated、difficult 字段。truncated 为 1 表示目标框贴到图片边缘;difficult 为 0 表示非困难样本。XML 中的 path 字段只是采集时的原始路径,与使用无关,可忽略。
标注与质量
- 标注方式:460 张图片全部经过人工标注,标注对象是积水区域本身,边界框定位到像素。
- 质检建议:数据量不大,建议先随机抽 10 张,打开 XML 对照图片检查框是否贴合水面边缘,再决定是否需要修正。
- 直接训练:VOC 格式可被遵循 PascalVOC 协议的检测框架直接读取;YOLO 系列需要先转换格式。
从VOC转YOLO的步骤
YOLO 标注每行是“class_id 中心x 中心y 宽 高”,数值相对图片宽高归一化。常见做法:
- 用 VOC 转 YOLO 脚本批量处理 460 个 XML,生成同名 txt;
- 按 9:1 把图片和 txt 分别放入 train、val 目录;
- 配置类别文件,water 对应类别 0。
若走 COCO 协议,同样有成熟的 VOC 转 COCO 工具,输出 instances JSON 即可。
适合拿它做什么
- 路况监控预警:对固定点位摄像头的视频抽帧,用训好的模型检测,得到路面积水的位置与范围,供雨天风险预警使用。
- 自动驾驶感知:在感知链路中加入 water 类别,为雨天行车的路径规划提供路面积水信息。
- 城市排水评估:批量检测多个路段的图像,统计积水出现的频次与占比,作为排水能力分析的输入。
- 算法对比实验:作为单类别目标检测训练数据,适合在同一份数据上对比不同检测算法的 mAP 与推理速度。
快速上手:从下载到第一次训练
- 下载并解压积水检测数据集:
git clone https://gitcode.com/open-source-toolkit/cb8c9
unzip 积水检测数据集.zip
- 抽查标注:对照 XML 与同名图片,确认水区的框位置合理。
- 格式转换:按前一节从 VOC 转 YOLO,或转 COCO JSON。
- 最小实验:用 YOLOv5 或 YOLOv8 小规模训练若干 epoch,查看验证集 mAP,确认流程跑通。
使用注意
- 许可:仓库附带 MIT LICENSE;使用数据前阅读随附说明文档中的数据使用协议。
- 隐私:道路场景图像可能含人脸、车牌等可识别信息,对外发布或二次分发前建议做脱敏处理。
- 版权:二次分发时保留原始版权声明,注明数据来源。
建议先下载这份路面积水检测数据集,抽查 10 张标注的框位置,再决定转成哪种格式开训。数据只有 460 张,格式转换和一次完整训练的时间成本都不高,适合作为检测流程的练手任务。
登录后查看全文