带标注的山体滑坡塌方数据集数据集，识别率78.1%，974张图，支持yolo，coco json，voc xml,文末有模型训练代码

本文介绍一个高质量的山体滑坡与塌方检测数据集。该数据集包含974 张精心标注的图像在目标检测任务中达到了78.1%的识别率。数据集支持多种主流格式包括YOLO、COCO JSON和Pascal VOC XML方便用户直接用于模型训练。文末还提供了完整的模型训练代码。模型训练指标参数模型训练图数据集拆分本数据集共包含974 张图像按照机器学习标准流程划分为训练集、验证集和测试集具体分布如下训练集870 张图像约 89.3%验证集77 张图像约 7.9%测试集27 张图像约 2.8%预处理流程所有图像均经过统一的预处理流程自动定向应用自动方向校正确保图像方向一致调整大小统一拉伸至 640×640 像素保持输入尺寸一致数据增强当前版本暂未应用额外的数据增强策略。数据集标签数据集中仅包含一个目标类别landslide山体滑坡/塌方。标签解释所有标注框均标记图像中的山体滑坡或塌方区域适用于滑坡检测、地质灾害监测等应用场景。数据集图片和标注信息示例数据集下载数据集提供多种格式下载支持以下主流目标检测框架YOLO 系列YOLOv7, YOLOv8, YOLOv9, YOLOv11, YOLOv12, YOLOv26, DarknetCOCO 格式标准 JSON 标注文件Pascal VOC 格式XML 标注文件用户可根据自己的训练框架选择相应格式下载后解压即可使用。https://download.csdn.net/download/pbymw8iwm/93125256YOLO模型训练训练步骤下载并解压数据集将数据集下载后解压到项目文件夹获取训练脚本从项目仓库获取训练脚本开始训练根据使用的 YOLO 版本运行相应脚本训练示例假设您使用 YOLOv8 进行训练执行以下命令python train_yolov8.py训练过程中会实时显示损失曲线、精度指标等训练信息帮助您监控模型收敛情况。模糊图片在模型训练中的优势分析该数据集中包含了如果包含了一些模糊图片这并非数据缺陷而是一种精心设计的数据增强策略能为模型训练带来以下显著优势提升模型鲁棒性现实场景中可能发生在运动模糊对焦不准或光线不足的情况下。在训练集中引入模糊样本可以迫使模型学习更本质的特征而不是过度依赖清晰的边缘或纹理细节从而提升模型在复杂、非理想成像条件下的识别能力。模拟真实世界噪声监控摄像头、手机等设备在低光照或快速移动时极易产生模糊。包含此类图片的数据集能让模型提前“见识”并适应这种噪声减少在实际部署时因图像质量下降而导致的性能骤降。防止模型过拟合如果训练集全是高清、摆拍的完美图片模型容易记住这些特定场景下的“干净”特征而对新的、稍有模糊的图片泛化能力差。模糊图片作为一种有效的正则化手段可以增加数据分布的多样性防止模型过拟合到有限的清晰样本上。总结因此数据集中包含的模糊图片与你看到的“水平翻转”、“剪切形变”、“随机遮挡”等增强操作一样都是为了构建一个更接近真实世界复杂分布的数据环境从而训练出更健壮、更泛化、更实用的模型。模型验证测试情况验证测试代码#需要安装pip install ultralyticsfromultralyticsimportYOLOimportcv2# 1. 加载YOLO模型 # 自动下载预训练模型(yolov8n最轻量快速)也可换 yolov8s/m/l/xmodelYOLO(best.pt)# 2. 推理配置 image_path326_jpg.rf.8ad64cc0668df32c4e5f59b50e899e9c.jpg# 你的图片路径save_resultTrue# 是否保存标注后的图# 3. 执行推理 resultsmodel.predict(sourceimage_path,conf0.01,# 置信度阈值低于该值忽略saveFalse,# 关闭默认保存自定义保存verboseFalse# 关闭冗余日志)# 4. 解析结果目标区域 标注信息 print(*50)print(YOLO 推理结果目标区域 标注信息)print(*50)# 获取图片用于绘制框imgcv2.imread(image_path)# 遍历所有检测目标foridx,resultinenumerate(results):boxesresult.boxes# 所有检测框forboxinboxes:# 提取目标区域坐标 # xyxy: 左上角x, 左上角y, 右下角x, 右下角yx1,y1,x2,y2box.xyxy[0].cpu().numpy()# 宽高wx2-x1 hy2-y1# 提取标注信息 cls_idint(box.cls[0])# 类别IDcls_namemodel.names[cls_id]# 类别名称conffloat(box.conf[0])# 置信度# 打印信息 print(f目标{idx1}:)print(f 标注类别{cls_name})print(f 置信度{conf:.2f})print(f 目标区域坐标)print(f 左上角 ({x1:.1f},{y1:.1f}))print(f 右下角 ({x2:.1f},{y2:.1f}))print(f 宽×高{w:.1f}×{h:.1f})print(-*30)# 在图片上绘制检测框 cv2.rectangle(img,(int(x1),int(y1)),(int(x2),int(y2)),(0,255,0),2)cv2.putText(img,f{cls_name}{conf:.2f},(int(x1),int(y1)-10),cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),2)# 5. 保存/显示结果 ifsave_result:cv2.imwrite(yolo_result.jpg,img)print(✅ 标注图片已保存为yolo_result.jpg)# 显示图片可选cv2.imshow(YOLO Result,img)#cv2.waitKey(0)#cv2.destroyAllWindows()