智慧无人机飞行建筑物损伤检测数据集 -无人机高清航拍农村建筑损伤检测数据集1307张yolovoccoco标注方式图像尺寸:3648*5472类别数量:5类训练集图像数量:915; 验证集图像数量:260 测试集图像数量:132类别名称: 每一类图像数 每一类标注数dampness 返潮 611 1984structure_damage 结构损坏 761 1758plaster damage 抹灰层损坏 818 2490vegetation 滋生植被 390 1020wall_crack 墙体裂缝 655 1801image num: 1307fromultralyticsimportYOLOif__name____main__:# 加载yolov11n权重modelYOLO(yolo11n.pt)# 开始训练train_resmodel.train(datarural_building_damage.yaml,epochs50,imgsz640,batch8,device0,workers2,conf0.25,iou0.45,ampTrue)# 验证模型val_metricmodel.val()# 单图推理predmodel.predict(test.jpg,saveTrue,conf0.3)rural_building_damage.yaml配置文件nc:5names:0:dampness1:structure_damage2:plaster_damage3:vegetation4:wall_crack推理函数fromultralyticsimportYOLO modelYOLO(runs/detect/train/weights/best.pt)defdetect_building(img_path):res_list[]resultsmodel.predict(img_path,conf0.3)forrinresults:forboxinr.boxes:res_list.append({cls:model.names[int(box.cls)],conf:round(float(box.conf),2),xyxy:box.xyxy.tolist()[0]})returnres_listif__name____main__:print(detect_building(test.jpg))无人机航拍农村建筑损伤检测数据集数据集基础信息表项目参数数据集名称无人机航拍农村建筑损伤检测数据集总图像数量1307张图像分辨率3648×5472标注格式YOLO、VOC、COCO类别数量5类训练集915张验证集260张测试集132张类别统计类别英文类别中文含该类图像数标注总数dampness返潮6111984structure_damage结构损坏7611758plaster damage抹灰层损坏8182490vegetation滋生植被3901020wall_crack墙体裂缝6551801关键词农村建筑病害、无人机航拍建筑巡检、房屋结构损伤检测、墙体裂缝识别、建筑返潮检测、老旧房屋排查、YOLO目标检测、乡村危房遥感识别标签#无人机巡检#农村建筑损伤#危房检测#墙体裂缝#建筑病害数据集#yolo数据集应用场景乡村危房排查无人机航拍快速普查老旧民居识别墙体裂缝、结构损坏辅助危房风险评估。灾后房屋评估地震、暴雨灾害过后航拍快速判定房屋返潮、抹灰脱落、结构破损情况。住建部门巡检乡村房屋常态化巡检替代人工爬楼批量统计建筑病害位置。算法科研实验航拍俯视视角建筑缺陷目标检测算法训练、对比实验。工程运维系统嵌入无人机地面站系统自动输出房屋病害检测报表。YOLO配置文件 rural_building_damage.yamlnc:5names:0:dampness1:structure_damage2:plaster damage3:vegetation4:wall_crackYOLOv11训练代码fromultralyticsimportYOLOif__name____main__:modelYOLO(yolo11n.pt)resultsmodel.train(datarural_building_damage.yaml,epochs50,imgsz640,batch8,device0,workers2,conf0.25,iou0.45)metricsmodel.val()model.predict(test.jpg,saveTrue)推理代码fromultralyticsimportYOLO modelYOLO(runs/detect/train/weights/best.pt)defbuilding_detect(img_path):output[]resmodel.predict(img_path,conf0.3)forrinres:forboxinr.boxes:output.append({category:model.names[int(box.cls)],confidence:round(float(box.conf),2),box_xyxy:box.xyxy.tolist()[0]})returnoutputif__name____main__:print(building_detect(test.jpg)) 深度学习基于YOLOV11代码如何训练智慧无人机飞行建筑物损伤检测数据集 - 无人机高清航拍农村建筑损伤检测数据集
智慧无人机飞行建筑物损伤检测数据集 -无人机高清航拍农村建筑损伤检测数据集1307张yolovoccoco标注方式图像尺寸:3648*5472类别数量:5类训练集图像数量:915; 验证集图像数量:260 测试集图像数量:132类别名称: 每一类图像数 每一类标注数dampness 返潮 611 1984structure_damage 结构损坏 761 1758plaster damage 抹灰层损坏 818 2490vegetation 滋生植被 390 1020wall_crack 墙体裂缝 655 1801image num: 1307fromultralyticsimportYOLOif__name____main__:# 加载yolov11n权重modelYOLO(yolo11n.pt)# 开始训练train_resmodel.train(datarural_building_damage.yaml,epochs50,imgsz640,batch8,device0,workers2,conf0.25,iou0.45,ampTrue)# 验证模型val_metricmodel.val()# 单图推理predmodel.predict(test.jpg,saveTrue,conf0.3)rural_building_damage.yaml配置文件nc:5names:0:dampness1:structure_damage2:plaster_damage3:vegetation4:wall_crack推理函数fromultralyticsimportYOLO modelYOLO(runs/detect/train/weights/best.pt)defdetect_building(img_path):res_list[]resultsmodel.predict(img_path,conf0.3)forrinresults:forboxinr.boxes:res_list.append({cls:model.names[int(box.cls)],conf:round(float(box.conf),2),xyxy:box.xyxy.tolist()[0]})returnres_listif__name____main__:print(detect_building(test.jpg))无人机航拍农村建筑损伤检测数据集数据集基础信息表项目参数数据集名称无人机航拍农村建筑损伤检测数据集总图像数量1307张图像分辨率3648×5472标注格式YOLO、VOC、COCO类别数量5类训练集915张验证集260张测试集132张类别统计类别英文类别中文含该类图像数标注总数dampness返潮6111984structure_damage结构损坏7611758plaster damage抹灰层损坏8182490vegetation滋生植被3901020wall_crack墙体裂缝6551801关键词农村建筑病害、无人机航拍建筑巡检、房屋结构损伤检测、墙体裂缝识别、建筑返潮检测、老旧房屋排查、YOLO目标检测、乡村危房遥感识别标签#无人机巡检#农村建筑损伤#危房检测#墙体裂缝#建筑病害数据集#yolo数据集应用场景乡村危房排查无人机航拍快速普查老旧民居识别墙体裂缝、结构损坏辅助危房风险评估。灾后房屋评估地震、暴雨灾害过后航拍快速判定房屋返潮、抹灰脱落、结构破损情况。住建部门巡检乡村房屋常态化巡检替代人工爬楼批量统计建筑病害位置。算法科研实验航拍俯视视角建筑缺陷目标检测算法训练、对比实验。工程运维系统嵌入无人机地面站系统自动输出房屋病害检测报表。YOLO配置文件 rural_building_damage.yamlnc:5names:0:dampness1:structure_damage2:plaster damage3:vegetation4:wall_crackYOLOv11训练代码fromultralyticsimportYOLOif__name____main__:modelYOLO(yolo11n.pt)resultsmodel.train(datarural_building_damage.yaml,epochs50,imgsz640,batch8,device0,workers2,conf0.25,iou0.45)metricsmodel.val()model.predict(test.jpg,saveTrue)推理代码fromultralyticsimportYOLO modelYOLO(runs/detect/train/weights/best.pt)defbuilding_detect(img_path):output[]resmodel.predict(img_path,conf0.3)forrinres:forboxinr.boxes:output.append({category:model.names[int(box.cls)],confidence:round(float(box.conf),2),box_xyxy:box.xyxy.tolist()[0]})returnoutputif__name____main__:print(building_detect(test.jpg))