带标注的路面坑洼大小识别数据集，识别率92.6%，支持yolo，coco json，pascal voc xml格式的模型训练

模型训练指标参数：

模型训练图：

数据集拆分

训练集

1289张图像

验证集

359图像

测试集

190张图像

预处理

自动定向：应用

调整大小：拉伸到512*512

增强

无

数据集标签：

large pothole

medium pothole

small pothole

数据集图片和标注信息示例：

数据集下载：

yolo26:https://download.csdn.net/download/pbymw8iwm/92778231

yolo v12:https://download.csdn.net/download/pbymw8iwm/92778233

yolo v11:https://download.csdn.net/download/pbymw8iwm/92778235

yolo v9:https://download.csdn.net/download/pbymw8iwm/92778230

yolo v8:https://download.csdn.net/download/pbymw8iwm/92778229

yolo v7:https://download.csdn.net/download/pbymw8iwm/92778227

yolo v5:https://download.csdn.net/download/pbymw8iwm/92778232

yolo darknet:https://download.csdn.net/download/pbymw8iwm/92778236

coco json:https://download.csdn.net/download/pbymw8iwm/92778234

pascal voc xml:https://download.csdn.net/download/pbymw8iwm/92778228

 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": 1026.5,
      "y": 590,
      "width": 347,
      "height": 508,
      "confidence": 0.919,
      "class": "pothole",
      "class_id": 0,
      "detection_id": "35b55ce3-ba2c-49e2-a398-9f5528513acf"
    }
  ]
}

推理结果：

{
  "predictions": [
    {
      "x": 1011.5,
      "y": 800.5,
      "width": 293,
      "height": 199,
      "confidence": 0.939,
      "class": "pothole",
      "class_id": 0,
      "detection_id": "c9d2cf5c-f537-4c3e-beb9-85e951983f9e"
    },
    {
      "x": 1152.5,
      "y": 299,
      "width": 95,
      "height": 216,
      "confidence": 0.91,
      "class": "pothole",
      "class_id": 0,
      "detection_id": "a56ffe63-1da2-435c-bb5f-52016fcf97ca"
    }
  ]
}