无人机滑坡分割数据集 无人机自然灾害实例分割检测数据集 YOLOV8 SEG分割模型如何训练无人机滑坡落石实例分割数据集

1

1

1

1

1

1

1

1

1

📊 滑坡数据集核心信息表

🔍 补充说明

• 标注精度高：使用多边形（Polygon）而非矩形框，适合不规则滑坡区域。
• 无测试集：当前未划分测试集，建议从验证集中分出 10%~15% 作为独立测试集以评估泛化能力。
• 图像来源：多为航拍或卫星遥感图像，包含山体、植被、道路等复杂背景。
• 可转换格式：
  • 可导出为YOLOv8 分割格式（.txt+ mask）
  • 或转换为COCO 格式用于训练 Faster R-CNN / Mask R-CNN
  • 支持直接导入Ultralytics YOLOv8进行实例分割训练

📁 推荐目录结构（若导出为本地文件）

landslide_dataset/ ├── images/ │ ├── train/# 5917 张 .jpg│ └── val/# 792 张 .jpg├── labels/ │ ├── train/# 对应 .txt 文件（含 mask 或 bbox）│ └── val/ └── dataset.yaml

📄 示例dataset.yaml（适用于 YOLOv8）

train:./images/trainval:./images/valtest:./images/test# 可留空或后续补充nc:1names:['landslide']

✅ 若为实例分割任务，需使用YOLOv8-seg模型：

model=YOLO('yolov8s-seg.pt')

YOLOv8 实例分割（Instance Segmentation）训练代码，适用于您提到的滑坡、。

✅ 一、前提条件

1. 数据集格式：必须为YOLO 分割格式（每张图对应一个.txt标签文件，含归一化多边形坐标）

2. 目录结构：

   your_dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ # .txt 文件，格式：class_id x1 y1 x2 y2 ... xn yn │ └── val/ └── dataset.yaml

3. 安装依赖：

   pipinstallultralytics opencv-python

📄 二、dataset.yaml配置（以滑坡为例）

# dataset.yamltrain:./images/trainval:./images/val# test: ./images/test # 可选nc:1# 类别数names:['landslide']# 类别名称（与标签中的 class_id=0 对应）

⚠️ 注意：YOLO 分割标签中，第一列为类别 ID，后续为归一化的多边形顶点坐标（x, y），成对出现，数量可变。

示例labels/train/xxx.txt内容：

0 0.452 0.612 0.467 0.631 0.489 0.625 0.475 0.602 ...

🚀 三、YOLOv8 分割训练代码（train_seg.py）

# train_seg.pyfromultralyticsimportYOLOdefmain():# 加载 YOLOv8 分割预训练模型model=YOLO('yolov8s-seg.pt')# 可选: yolov8n-seg, yolov8m-seg, yolov8l-seg# 开始训练results=model.train(data='dataset.yaml',# 数据配置文件epochs=100,# 训练轮数imgsz=640,# 输入图像尺寸（可设为 1280 提升精度）batch=16,# 批次大小（根据 GPU 显存调整）name='landslide_seg_v8s',# 实验名称optimizer='AdamW',lr0=0.001,weight_decay=0.0005,hsv_h=0.015,# 色调增强hsv_s=0.7,hsv_v=0.4,degrees=10.0,# 旋转translate=0.1,scale=0.5,fliplr=0.5,# 左右翻转mosaic=0.8,# Mosaic 增强（对小目标有效）mixup=0.2,copy_paste=0.3,# Copy-Paste 增强（强烈推荐用于分割！）close_mosaic=10,# 最后10轮关闭 Mosaicdevice=0,# GPU 编号，'cpu' 表示使用 CPUworkers=4,save=True,save_period=10,exist_ok=False,verbose=True)if__name__=='__main__':main()

🔍 四、推理与可视化（detect_seg.py）

# detect_seg.pyfromultralyticsimportYOLOimportcv2# 加载训练好的最佳分割模型model=YOLO('runs/segment/landslide_seg_v8s/weights/best.pt')defdetect_image(image_path,conf_thres=0.3):results=model(image_path,conf=conf_thres)# 绘制带掩码的检测结果annotated=results[0].plot()# 自动叠加 mask + bbox + labelcv2.imshow("Segmentation Result",annotated)cv2.waitKey(0)cv2.destroyAllWindows()# 或保存# cv2.imwrite("output_seg.jpg", annotated)# 示例detect_image("test_landslide.jpg")

📊 五、评估分割性能（evaluate_seg.py）

# evaluate_seg.pyfromultralyticsimportYOLO model=YOLO('runs/segment/landslide_seg_v8s/weights/best.pt')metrics=model.val(data='dataset.yaml',split='val')print(f"mAP@0.5 (Box):{metrics.box.map50:.4f}")print(f"mAP@0.5 (Mask):{metrics.seg.map50:.4f}")# 关键指标！print(f"mAP@0.5:0.95 (Mask):{metrics.seg.map:.4f}")print(f"Precision (Mask):{metrics.seg.mp:.4f}")print(f"Recall (Mask):{metrics.seg.mr:.4f}")

✅重点关注metrics.seg.map50：这是实例分割任务的核心评价指标。

💡 六、关键技巧（针对分割任务）

📦 七、输出结果说明

训练完成后，结果保存在：

runs/segment/landslide_seg_v8s/ ├── weights/best.pt # 最佳模型（按 mAP50-mask 选择） ├── results.csv # 训练指标日志 ├── results.png # 损失 & mAP 曲线图 └── val_batch0_labels.jpg # 验证集预测 vs 真实对比图（含掩码）

🌐 应用场景

• 地质灾害监测（滑坡、泥石流）
• 农业遥感（作物分割、病害区域提取）
• 海上搜救（落水人员轮廓分割）
• 城市规划（建筑物、道路提取）