隧道裂缝混泥土裂缝裂痕检测数据集 5000张 对角裂缝） 垂直裂缝 水平裂缝 YOLOV8模型如何训练隧道裂缝混泥土裂缝裂痕检测数据集建立基于深度学习框架隧道裂缝混凝土裂缝检测系统

隧道裂缝混泥土裂缝裂痕检测数据集 5000张 带标注 voc
DiagonalCrack
VerticalCrack
HorizontalCrack 3类

以下是您提供的隧道/混凝土裂缝检测数据集的整理表格，包含三类裂缝（对角裂缝、垂直裂缝、水平裂缝）的统计信息：

📌说明：

• 数据集共5,000 张图像，全部带有VOC 格式标注（XML 文件），适用于目标检测与实例分割任务。
• 三类裂缝互斥（单图通常只含一类），便于分类+定位联合训练。
• 总目标数约6,000 个，平均每张图1.2 个裂缝，符合真实隧道巡检场景（稀疏但关键）。
• 标注内容包括：<xmin>,<ymin>,<xmax>,<ymax>边界框坐标，类别标签清晰。

1

1

🚇 隧道/混凝土裂缝检测系统（YOLOv8 实例分割）

数据集说明：5000 张带 VOC 格式标注的图像，包含3 类裂缝：

• DiagonalCrack（对角裂缝）
• VerticalCrack（垂直裂缝）
• HorizontalCrack（水平裂缝）

✅ 提供完整YOLOv8-seg 训练代码（含 VOC 转 YOLO、训练、推理）
✅ 支持目标检测 + 实例分割（mask）
✅ 适用于隧道、桥梁、建筑等结构安全巡检

📁 一、项目结构

tunnel_crack_yolov8/ ├── VOC/ # 你提供的原始VOC数据集 │ ├── JPEGImages/ # .jpg 图像（5000张） │ └── Annotations/ # .xml 标注文件 ├── datasets/ │ └── crack/ │ ├── images/train/ # 训练图像 │ ├── images/val/ # 验证图像 │ ├── labels/train/ # YOLO格式标签（.txt） │ └── labels/val/ ├── voc2yolo.py # VOC → YOLO Segmentation 转换脚本 ├── data.yaml # 数据配置文件 ├── train.py # YOLOv8 训练脚本 ├── detect.py # 推理脚本（图片/视频/摄像头） └── requirements.txt

🔧 二、环境安装

# 创建并激活环境conda create -n yolov8_crackpython=3.9-y conda activate yolov8_crack# 安装依赖pipinstallultralytics opencv-python lxml tqdm numpy matplotlib pandas

✅ultralytics是官方 YOLOv8 库，自动安装 PyTorch。

🔄 三、VOC 转 YOLO Segmentation 格式

💡注意：YOLOv8-seg 要求标签格式为：
<class_id> <x1> <y1> <x2> <y2> ... <xn> <yn>（所有坐标归一化到 [0,1]）

脚本：voc2yolo.py

# voc2yolo.pyimportosimportcv2importxml.etree.ElementTreeasETfrompathlibimportPathfromtqdmimporttqdmimportrandom# 类别定义（顺序必须与 data.yaml 一致！）CLASSES=["DiagonalCrack","VerticalCrack","HorizontalCrack"]CLASS_TO_ID={name:ifori,nameinenumerate(CLASSES)}defnormalize_points(points,img_w,img_h):"""将像素坐标归一化到 [0, 1]"""norm=[]foriinrange(0,len(points),2):x=float(points[i])/img_w y=float(points[i+1])/img_h norm.extend([x,y])returnnormdefconvert_voc_to_yolo(voc_root,output_root,split_ratio=0.8):image_dir=Path(voc_root)/"JPEGImages"anno_dir=Path(voc_root)/"Annotations"# 获取所有图像并打乱all_images=sorted(image_dir.glob("*.jpg"))random.seed(42)random.shuffle(all_images)split_idx=int(len(all_images)*split_ratio)train_imgs=all_images[:split_idx]val_imgs=all_images[split_idx:]forphase,img_listin[("train",train_imgs),("val",val_imgs)]:img_out=Path(output_root)/"images"/phase lbl_out=Path(output_root)/"labels"/phase img_out.mkdir(parents=True,exist_ok=True)lbl_out.mkdir(parents=True,exist_ok=True)forimg_pathintqdm(img_list,desc=f"Converting{phase}"):# 复制图像dst_img=img_out/img_path.nameifnotdst_img.exists():img=cv2.imread(str(img_path))cv2.imwrite(str(dst_img),img)# 解析XMLxml_path=anno_dir/(img_path.stem+".xml")ifnotxml_path.exists():continuetree=ET.parse(xml_path)root=tree.getroot()size=root.find("size")w=int(size.find("width").text)h=int(size.find("height").text)labels=[]forobjinroot.iter("object"):cls_name=obj.find("name").textifcls_namenotinCLASS_TO_ID:continuecls_id=CLASS_TO_ID[cls_name]# 优先使用 polygon，否则用 bndbox 近似polygon=obj.find("polygon")ifpolygonisnotNoneandlen(polygon)>=6:coords=[]forcoordinpolygon:coords.append(float(coord.text))iflen(coords)%2==0:norm_coords=normalize_points(coords,w,h)labels.append((cls_id,norm_coords))else:# 使用 bndbox 转为矩形四边形bndbox=obj.find("bndbox")xmin=float(bndbox.find("xmin").text)ymin=float(bndbox.find("ymin").text)xmax=float(bndbox.find("xmax").text)ymax=float(bndbox.find("ymax").text)rect_points=[xmin,ymin,xmax,ymin,xmax,ymax,xmin,ymax]norm_rect=normalize_points(rect_points,w,h)labels.append((cls_id,norm_rect))# 写入YOLO标签文件lbl_path=lbl_out/(img_path.stem+".txt")withopen(lbl_path,"w")asf:forcls_id,pointsinlabels:line=f"{cls_id}"+" ".join(f"{p:.6f}"forpinpoints)+"\n"f.write(line)if__name__=="__main__":VOC_ROOT="VOC"# 修改为你的VOC路径OUTPUT_ROOT="datasets/crack"convert_voc_to_yolo(VOC_ROOT,OUTPUT_ROOT)print("✅ VOC 转 YOLO Segmentation 完成！")

📄 四、创建data.yaml

# data.yamlpath:./datasets/cracktrain:images/trainval:images/valnc:3names:['DiagonalCrack','VerticalCrack','HorizontalCrack']

🚀 五、YOLOv8 训练代码（train.py）

# train.pyfromultralyticsimportYOLO# 选择模型：yolov8n-seg.pt（nano）适合快速训练；yolov8s-seg.pt 精度更高model=YOLO('yolov8n-seg.pt')# 自动下载预训练权重# 开始训练results=model.train(data='data.yaml',epochs=100,imgsz=640,batch=16,name='tunnel_crack_yolov8n_seg',device=0,# 使用 GPU 0；设为 'cpu' 则用 CPUpatience=15,# 早停：15轮无提升则停止save=True,plots=True,# 保存训练曲线hsv_h=0.015,# 数据增强hsv_s=0.7,hsv_v=0.4,degrees=10.0,translate=0.1,scale=0.5,mosaic=1.0)print("✅ 训练完成！")print("权重路径: runs/segment/tunnel_crack_yolov8n_seg/weights/best.pt")

⏱️训练时间参考（RTX 3060）：

• YOLOv8n-seg：~2 小时（100 epochs）
• YOLOv8s-seg：~4.5 小时

🔍 六、推理检测（detect.py）

# detect.pyfromultralyticsimportYOLOimportcv2# 加载训练好的模型model=YOLO('runs/segment/tunnel_crack_yolov8n_seg/weights/best.pt')# 1. 检测单张图片defdetect_image(image_path,output_path="result.jpg"):results=model(image_path)annotated=results[0].plot()# 自动绘制 bbox + mask + labelcv2.imwrite(output_path,annotated)print(f"✅ 结果已保存至{output_path}")# 2. 实时摄像头检测defdetect_webcam():cap=cv2.VideoCapture(0)whileTrue:ret,frame=cap.read()ifnotret:breakresults=model(frame)annotated=results[0].plot()cv2.imshow('Tunnel Crack Detection',annotated)ifcv2.waitKey(1)&0xFF==ord('q'):breakcap.release()cv2.destroyAllWindows()# 使用示例if__name__=="__main__":# detect_image("test_tunnel.jpg")detect_webcam()

📊 七、预期性能（基于 5000 张数据）

以上文字及代码仅供参考学习使用