企业官网建设流程全解析

道路落石及障碍物检测数据集【共2套】

第一套：
智慧化道路落石检测数据集
nc一类:shitou

1

第二套：6类 道路障碍物检测数据集 落石 滑坡检测数据集
6 names: [‘Car’, ‘Motorcycle’, ‘People’, ‘shitou’, ‘Warning-Crash’, ‘landslide’]

1

1

1

1

1

1

1

1

完整 YOLOv8 训练与检测系统方案，包含：

✅ 数据集说明
✅dataset.yaml配置
✅ YOLOv8 训练代码（支持自定义参数）
✅ 推理与可视化脚本
✅ 类别中文对照表

📊 一、数据集信息

• 图像总数：未明确给出，但已划分train/valid/test三部分
• 标注格式：YOLO 格式（每张.jpg对应一个.txt）
• 类别数量：6 类
• 类别名称（英文 → 中文）：

💡 建议：将shitou改为fallen_rock以符合命名规范，避免非 ASCII 字符问题。

📁 二、数据集目录结构

请确保您的数据组织如下：

road_hazard_dataset/ ├── train/ │ ├── images/# .jpg│ └── labels/# .txt├── valid/ │ ├── images/ │ └── labels/ ├── test/ │ ├── images/ │ └── labels/ └── dataset.yaml

📄 三、dataset.yaml配置文件

# dataset.yamltrain:../train/imagesval:../valid/imagestest:../test/imagesnc:6names:['Car','Motorcycle','People','shitou','Warning-Crash','landslide']

⚠️ 注意：YOLO 要求labels/文件夹与images/同级且同名。
若当前只有images/而无labels/，需确保.txt文件放在对应labels/目录中。

🚀 四、YOLOv8 训练代码（train.py）

# train.pyfromultralyticsimportYOLOdefmain():# 选择模型大小（n/s/m/l/x）model=YOLO('yolov8s.pt')# 推荐从 yolov8s 开始# 开始训练results=model.train(data='dataset.yaml',# 数据配置文件路径epochs=100,# 训练轮数（可设为 150）imgsz=640,# 输入图像尺寸batch=16,# 批次大小（根据 GPU 显存调整）name='road_hazard_yolov8s',optimizer='AdamW',lr0=0.001,weight_decay=0.0005,mosaic=0.5,# Mosaic 数据增强mixup=0.2,hsv_h=0.015,# 色调增强hsv_s=0.7,hsv_v=0.4,degrees=10.0,# 旋转增强translate=0.1,scale=0.5,flipud=0.0,fliplr=0.5,# 左右翻转device=0,# 使用 GPU 0；多卡用 [0,1]workers=4,save=True,save_period=10,# 每10轮保存一次exist_ok=False# 是否覆盖已有实验)if__name__=='__main__':main()

🔍 五、推理与可视化（detect.py）

# detect.pyfromultralyticsimportYOLOimportcv2# 加载训练好的最佳模型model=YOLO('runs/detect/road_hazard_yolov8s/weights/best.pt')defdetect_image(img_path,conf_thres=0.3):results=model(img_path,conf=conf_thres)annotated=results[0].plot()# 自动绘制框和标签cv2.imshow("Road Hazard Detection",annotated)cv2.waitKey(0)cv2.destroyAllWindows()# 或保存# cv2.imwrite("output.jpg", annotated)# 示例detect_image("test_image.jpg")

🖥️ 六、批量测试 & 评估（可选）

# evaluate.pyfromultralyticsimportYOLO model=YOLO('runs/detect/road_hazard_yolov8s/weights/best.pt')metrics=model.val(data='dataset.yaml',split='test')print(f"mAP50:{metrics.box.map50:.3f}")print(f"mAP50-95:{metrics.box.map:.3f}")

✅ 七、部署建议

1. 导出 ONNX 模型（用于边缘设备）：

   model.export(format='onnx',imgsz=640,opset=12)

2. 部署到无人机/路侧摄像头：

   • 使用 NVIDIA Jetson + TensorRT 加速
   • 或 OpenVINO（Intel 设备）

3. Web 系统集成：

   • Flask/FastAPI 提供 API
   • 前端上传图像 → 返回检测结果 JSON

⚠️ 八、注意事项

1. 类别命名问题：
   shitou和Warning-Crash包含中文拼音和连字符，虽 YOLOv8 支持，但建议统一为英文下划线格式，例如：

   names:['car','motorcycle','people','fallen_rock','crash_warning','landslide']

2. 数据平衡：
   检查fallen_rock和landslide是否样本较少？若少于 500 张，建议使用过采样或CutMix增强。

3. 小目标优化：
   落石通常较小，可：

   • 使用imgsz=1280
   • 添加 P2 检测头（需修改模型结构）
   • 启用close_mosaic=10（最后10轮关闭 Mosaic）

该系统可用于智慧交通、山区公路监控、应急预警平台，有效提升道路安全水平。