带标注的建筑墙面裂缝识别数据集，4450张图片，支持yolo，coco json，voc xml格式

模型训练指标参数：

模型训练图：

数据集拆分

训练集

4005张图

验证集

222张图

测试集

223张图

预处理

自动定向：应用

调整大小：拉伸到512x512

增强

 每个训练样本的输出数量：3

翻转：水平翻转、垂直翻转

灰度化：对 15% 的图像应用灰度处理

饱和度：浮动范围 -25% ～ +25%

曝光度：浮动范围 -10% ～ +10%

模糊：最大模糊半径 2.5 像素

噪声：最多对 0.1% 的像素添加噪声

裁剪遮挡：3 个遮挡框，每个大小为 10%

马赛克增强：已启用

数据集标签：

cracks

数据集图片和标注信息示例：

数据集下载：

yolo26:https://download.csdn.net/download/pbymw8iwm/92799471

yolo v12:https://download.csdn.net/download/pbymw8iwm/92799470

yolo v11:https://download.csdn.net/download/pbymw8iwm/92799468

yolo v9:https://download.csdn.net/download/pbymw8iwm/92799464

yolo v8:https://download.csdn.net/download/pbymw8iwm/92799466

yolo v7:https://download.csdn.net/download/pbymw8iwm/92799467

coco json:https://download.csdn.net/download/pbymw8iwm/92799469

pascal voc xml:https://download.csdn.net/download/pbymw8iwm/92799465

 YOLO模型训练

下载数据集之后解压到当前文件夹，然后将 我的仓库 https://gitcode.com/pbymw8iwm/YOLOProject里的训练模型脚本复制到文件夹下，假设你使用的是yolov8来训练你就用 python train_yolov8.py

注意，请根据你的GPU能力来适当调整训练参数，比如训练batch，patience，workers，以及模型类型（如果你的GPU硬件条件限制，可以联系作者进行付费模型训练，部分模型只需要一杯奶茶钱）

模型验证测试情况：

验证测试代码：

#需要安装pip install ultralytics
from ultralytics import YOLO
import cv2

# 加载训练好的 YOLO .pt 模型
model = YOLO('best.pt')  # 替换为你实际的 .pt 模型文件路径

# 定义要测试的图片路径
image_path = './image.jpg'  # 替换为你实际的图片文件路径

# 使用模型对图片进行预测
results = model(image_path)

# 获取预测结果
for result in results:
    # 获取绘制了检测框的图片
    annotated_image = result.plot()

    # 显示图片
    cv2.imshow("YOLOv Inference", annotated_image)

    # 等待按键退出
    cv2.waitKey(0)

    # 关闭所有 OpenCV 窗口
    cv2.destroyAllWindows()
    

推理结果：

{
  "predictions": [
    {
      "x": 122,
      "y": 127,
      "width": 122,
      "height": 140,
      "confidence": 0.76,
      "class": "cracks",
      "class_id": 0,
      "detection_id": "a9500a0b-de8b-410c-844c-11ed40631c01"
    },
    {
      "x": 209,
      "y": 63,
      "width": 48,
      "height": 18,
      "confidence": 0.742,
      "class": "cracks",
      "class_id": 0,
      "detection_id": "f7fd193d-7c2c-4064-9c91-494c8035aff2"
    },
    {
      "x": 41.5,
      "y": 251.5,
      "width": 47,
      "height": 97,
      "confidence": 0.711,
      "class": "cracks",
      "class_id": 0,
      "detection_id": "c95c02d4-ac02-4421-9021-4eaa43ada9df"
    },
    {
      "x": 218.5,
      "y": 20,
      "width": 53,
      "height": 40,
      "confidence": 0.501,
      "class": "cracks",
      "class_id": 0,
      "detection_id": "39e83dfc-b7a3-47f6-911c-d4ed164112a9"
    }
  ]
}

推理结果：

{
  "predictions": [
    {
      "x": 179.5,
      "y": 149,
      "width": 57,
      "height": 18,
      "confidence": 0.885,
      "class": "cracks",
      "class_id": 0,
      "detection_id": "624fae65-c55b-4bcb-9334-c52ed3d86284"
    },
    {
      "x": 118,
      "y": 125,
      "width": 64,
      "height": 60,
      "confidence": 0.831,
      "class": "cracks",
      "class_id": 0,
      "detection_id": "905bf19b-e464-4845-b098-da7b4aca151f"
    },
    {
      "x": 268.5,
      "y": 158,
      "width": 51,
      "height": 22,
      "confidence": 0.774,
      "class": "cracks",
      "class_id": 0,
      "detection_id": "6f1f82de-3adb-4d66-8e9c-5e3803d0d31e"
    },
    {
      "x": 223,
      "y": 144,
      "width": 28,
      "height": 10,
      "confidence": 0.758,
      "class": "cracks",
      "class_id": 0,
      "detection_id": "9e18f8ba-c355-4c05-a8f5-df4711852aba"
    }
  ]
}