简介这份跨江桥梁路面病害与道路资产标定数据集面向计算机视觉研究者、桥梁监测与道路资产管理工程师针对桥梁场景标注数据稀缺、通用目标检测模型适应性不足的问题提供可直接用于训练与评测的专用样本。压缩包共1718个文件其中860张jpg图像与858个Labelme生成的json标注文件一一对应整体约344.46MBjson记录矩形框与类别信息jpg承载桥梁路面及结构实景便于构建像素级边界框监督数据。已有2469人学习下载说明其在目标检测与基础设施巡检方向具有一定参考价值。数据覆盖裂缝、破损、积水等路面病害以及桥墩、拉索、桥面等道路资产可用于YOLO、Faster R-CNN、Mask R-CNN等模型的训练、验证与测试流程组织帮助读者减少标注成本、快速搭建桥梁病害检测实验并为预防性维护和自动巡检提供数据支撑。1. 桥梁巡检图像进模型之前这份跨江桥梁病害与道路资产数据集到底解决哪类检测任务桥梁巡检团队把相机架到跨江大桥的检修通道上最怕的不是拍不到而是拍回来一堆图没人能稳定标成训练数据。目标检测在这里不是炫技裂缝、坑槽、剥落要定位护栏、标志牌、伸缩缝、排水口也要作为道路资产标定出来。人工智能模型能不能落地八成取决于数据集里的类别边界是否一致。这套跨江桥梁路面病害和道路资产标定数据集面向桥梁巡检图像的目标检测训练与验证适合做病害识别、资产盘点、巡检复核的从业者也适合刚开始搭训练数据流程的开发者。拿到后先别急着训练先把标签语义和目录关系对齐。病害类别和道路资产类别混在一套标注体系里时最容易出现“同一块破损有人标坑槽有人标剥落”的情况训练数据一旦带上这种噪音后面调参基本靠玄学。下面按标注体系、数据划分、基线训练、增强策略、避坑排查、上线验证的顺序拆一遍能直接照着跑。2. 拆开标注体系病害与道路资产两类标签怎么落到 YOLO 检测框2.1 类别表先定边界裂缝、坑槽、剥落与护栏、标志牌、伸缩缝这套数据集的核心价值不在图像数量而在“病害”和“道路资产”被放在同一套巡检视角下标注。常见做法是把类别拆成两组病害组关注路面与结构表面异常资产组关注桥梁附属设施。不同资源的类别表可能略有差异落地时以资源内data.yaml或类别说明为准不要凭经验硬加类别。下面这张表是桥梁巡检项目里常见的类别边界可直接拿来对照资源标注类别组示例类别标注边界容易混淆的对象病害裂缝沿裂缝走向分段外接矩形单段不宜跨过明显转折接缝、阴影、拉索投影病害坑槽破损区域外接框包含边缘碎裂但排除周边完好路面修补区、油污、湿痕病害剥落露骨料或面层缺失区域框住可见破损轮廓污渍、反光、涂层脱落资产护栏连续护栏按可分辨段标注不把整段桥护栏塞进一个框防撞墙、施工围挡资产标志牌牌面外接框遮挡严重且无法判断类别时不标广告牌、反光膜资产伸缩缝桥面横向构造缝框住可见缝体与两侧边界施工缝、裂缝资产排水口桥面泄水孔或排水格栅框住可见开口井盖、坑槽裂缝的标注最考验一致性。跨江大桥的裂缝往往细长、跨越多个尺度整条裂缝拉一个大框会让模型学到大量背景检测框还会忽大忽小。我一般会要求按“可分辨段”切分单段长度控制在图像短边的 1/3 以内转折明显就断开宽度极窄但连续延伸的裂缝至少保留一个可识别段。坑槽和剥落则相反框要贴合破损外轮廓不要把周边完好路面扩进来。资产类的护栏和伸缩缝容易和病害裂缝混原因在于两者都呈长条状标注时要用“是否属于桥梁附属构造”来区分而不是只看形状。2.2 目录与标注文件组织images、labels、data.yaml 的对应关系目标检测数据集常见组织方式是images/train、images/val与labels/train、labels/val平行放置标注文件用同名.txt每行格式为class_id x_center y_center width height坐标归一化到 0 到 1。桥梁巡检图像还有一层场景信息同一座桥、同一拍摄时段、同一巡检批次。目录里不体现这些信息后面划分验证集时就容易把同一段桥面泄漏到训练集和验证集指标好看但现场翻车。建议在资源根目录外再建一个meta.csv记录图像文件名、桥梁编号、巡检批次、拍摄方向、光照条件。桥梁编号可以用B01、B02这类代称不要写真实桥名。这个表不参与训练只用于分组划分和误差复盘。目录关系保持简单data.yaml里只写训练、验证路径和类别名不要在 YAML 里塞过多业务字段训练脚本解析不了。类别顺序一旦确定就不要改改了之后旧标注全废血泪经验是先把类别表冻结再开始体检。2.3 用脚本做一次标注体检越界框、空标签、重复框拿到数据集后第一件事不是训练而是体检。下面脚本检查 YOLO 标注的坐标越界、零宽零高、空标签和重复框输出问题文件清单。路径参数按资源实际目录改类别数从data.yaml读取或直接传参。import os import glob from collections import defaultdict root dataset # 数据集根目录 num_classes 8 # 按资源类别表修改 issues [] for split in [train, val]: img_dir os.path.join(root, images, split) lbl_dir os.path.join(root, labels, split) for lbl_path in glob.glob(os.path.join(lbl_dir, *.txt)): name os.path.basename(lbl_path) boxes [] with open(lbl_path, r, encodingutf-8) as f: lines [ln.strip() for ln in f if ln.strip()] if not lines: issues.append((name, empty_label, )) continue for ln in lines: parts ln.split() if len(parts) ! 5: issues.append((name, bad_format, ln)) continue cid int(float(parts[0])) x, y, w, h map(float, parts[1:]) if cid 0 or cid num_classes: issues.append((name, bad_class, ln)) if not (0 x 1 and 0 y 1 and 0 w 1 and 0 h 1): issues.append((name, out_of_range, ln)) if w * h 1e-6: issues.append((name, tiny_box, ln)) boxes.append((cid, round(x, 4), round(y, 4), round(w, 4), round(h, 4))) dup defaultdict(int) for b in boxes: dup[b] 1 for b, cnt in dup.items(): if cnt 1: issues.append((name, duplicate_box, str(b))) for item in issues[:50]: print(item) print(total_issues, len(issues))逻辑说明脚本遍历images/train、images/val对应的labels逐行解析类别和归一化框。out_of_range不是简单看 0 到 1还要求宽高大于 0tiny_box用面积阈值过滤误标的小点duplicate_box对四舍五入后的框计数防止同一条裂缝被重复标两遍。参数说明num_classes必须和资源类别表一致root指向解压后的数据集根目录阈值1e-6可以按图像分辨率调大比如 640 像素图像上小于 4 像素的框基本没有训练价值。体检结果不要只看总数按类别分组统计哪一类越界多往往就是标注规范没讲清。提示体检脚本跑完先备份原始标注再批量修。直接覆盖原文件后面想回滚只能重标。3. 训练数据切分与基线训练从 data.yaml 到 YOLO 检测器第一轮收敛3.1 划分策略按桥梁与拍摄时段分组别让同场景泄漏到验证集桥梁巡检数据集的图像高度相关同一座桥、同一段护栏、同一时段拍的几十张图纹理和光照几乎一样。随机按图像划分训练集和验证集会共享大量相似背景验证指标虚高到了另一座桥就崩。常见做法是按“桥梁编号 巡检批次”分组划分同一组只进训练集或验证集。如果资源里桥梁数量少至少按巡检批次分组保证验证集里的拍摄时段、天气条件与训练集不同。下面脚本读取meta.csv按bridge_id分组做 8:2 划分并生成 YOLO 需要的目录软链接或复制清单。资源没有meta.csv时可以从文件名前缀提取桥梁编号比如B01_2024...这种命名提取不到就人工补一列。import os import shutil import pandas as pd from sklearn.model_selection import GroupShuffleSplit root dataset meta pd.read_csv(os.path.join(root, meta.csv)) # 至少包含 filename, bridge_id meta[group] meta[bridge_id].astype(str) # 也可拼上巡检批次 splitter GroupShuffleSplit(n_splits1, test_size0.2, random_state42) train_idx, val_idx next(splitter.split(meta, groupsmeta[group])) train_df meta.iloc[train_idx] val_df meta.iloc[val_idx] for split, df in [(train, train_df), (val, val_df)]: os.makedirs(os.path.join(root, images, split), exist_okTrue) os.makedirs(os.path.join(root, labels, split), exist_okTrue) for fn in df[filename]: stem os.path.splitext(fn)[0] src_img os.path.join(root, raw_images, fn) src_lbl os.path.join(root, raw_labels, stem .txt) if not os.path.exists(src_lbl): continue # 无标注图不进入训练 shutil.copy(src_img, os.path.join(root, images, split, fn)) shutil.copy(src_lbl, os.path.join(root, labels, split, stem .txt))逻辑说明GroupShuffleSplit保证同一bridge_id不会同时出现在训练和验证。random_state固定后划分可复现换随机种子可以多跑几组划分看稳定性。参数说明test_size0.2是验证集比例桥梁数量少于 5 座时建议改成按批次分组并做交叉验证raw_images、raw_labels按资源解压后的实际目录改。复制而不是软链接更稳跨盘软链接在训练容器里容易断。划分完统计每类框数验证集里稀有资产类别少于 10 个框时指标波动会很大需要补采样或换划分。3.2 生成 data.yaml 与训练命令输入尺寸、batch、epoch 的参数取舍data.yaml只保留训练必需的字段。类别名按资源类别表顺序写nc与类别数一致。桥梁小目标多输入尺寸不要直接压到 640先看资源图像原始分辨率和标注框面积分布裂缝和排水口在 640 下可能只剩十几个像素。常见做法是先跑 1024 或 1280 的基线显存不够再降 batch不要一上来改模型结构。path: /data/bridge_dataset train: images/train val: images/val nc: 8 names: - crack - pothole - spalling - guardrail - signboard - expansion_joint - drain - lamp_base上面类别名是示例必须换成资源里的真实类别表。训练命令以常见 YOLO 检测器为例参数按单卡 24GB 显存给一个保守起点yolo detect train \ data/data/bridge_dataset/data.yaml \ modelyolo11m.pt \ imgsz1024 \ batch8 \ epochs150 \ patience30 \ workers8 \ projectruns_bridge \ namebaseline_1024 \ pretrainedTrue \ cos_lrTrue \ close_mosaic15逻辑说明imgsz1024保留小目标细节batch8是显存和梯度的折中patience30在验证指标不升时早停close_mosaic15在最后 15 个 epoch 关闭 mosaic让模型适应真实拼接关系。参数说明model换成资源说明里推荐的权重或从头训练配置epochs150是基线不是越多越好桥梁数据量不大时 300 轮容易过拟合workers按 CPU 核数调IO 瓶颈时看 GPU 利用率低于 60% 就加 workers 或换缓存格式。cos_lr对长尾类别有一定帮助但类别极少时先保证召回再谈学习率策略。3.3 首轮结果看什么mAP、召回、分类混淆和背景误检首轮训练结束不要只看mAP50。桥梁病害检测里漏检的代价通常高于误检先看每类召回再看混淆矩阵。裂缝和伸缩缝混淆、坑槽和排水口混淆是资产与病害混标数据集的高频问题。验证集召回低于 0.6 的类别先回标注里找 20 张漏检图确认是标注漏标、框太小还是模型输入尺寸不够。背景误检多就看验证集里被检出的背景图常见原因是负样本太少训练集里全是带病害的图模型会把路面纹理当目标。分类混淆矩阵要按类别拆开看不要只看总体准确率。expansion_joint和crack的混淆往往来自长条形状相似解决方式不是加数据增强而是把伸缩缝的标注边界重新对齐缝体两侧的结构边缘不要框进去裂缝则要贴住裂缝走向。坑槽和排水口的混淆来自局部纹理排水口有规则格栅坑槽边缘碎裂标注时把格栅完整框入坑槽只框破损区。首轮基线跑完保存results.csv、混淆矩阵和 20 张可视化预测图后面每次调参都拿同一批图对比不然改了什么有效都说不清。4. 桥梁场景的增强与长尾处理小目标、逆光、湿滑路面和稀有病损4.1 增强边界几何变换能用HSV 和模糊要克制桥梁巡检图像的视角相对固定但跨江大桥有逆光、湿滑路面反光、阴影和雨雾。增强不是越多越好几何变换过大会把护栏、伸缩缝的方向关系破坏模型学到不存在的透视。常见做法是保留小角度旋转、轻微平移缩放和水平翻转HSV 只动亮度和饱和度不动色相模糊和雨雾模拟放在验证集里评估鲁棒性不要全量堆进训练。裂缝在强反光下会断成几段增强时加少量对比度扰动可以但不要把裂缝纹理糊没。训练配置里把增强参数显式写出来别用默认值一把梭。下面是一组偏保守的增强配置适合桥梁病害与资产混标数据hsv_h: 0.0 # 色相不动避免把锈迹改成其他材质 hsv_s: 0.3 # 饱和度轻微扰动适应阴天和逆光 hsv_v: 0.3 # 亮度扰动模拟桥面阴影 degrees: 3.0 # 小角度旋转保持结构方向 translate: 0.05 scale: 0.3 shear: 0.0 perspective: 0.0 flipud: 0.0 # 桥梁图像上下翻转不符合巡检视角 fliplr: 0.5 mosaic: 0.5 # 前期可用后期关闭 mixup: 0.0逻辑说明hsv_h0.0防止色相变化把病害材质改得不像degrees3.0只做轻微旋转跨江大桥的护栏和伸缩缝有明确方向旋转大了标签语义会变flipud0.0是因为桥面图像上下翻转后排水口和护栏关系不真实。参数说明mosaic0.5在前期增加小目标组合后期用close_mosaic关闭scale0.3覆盖远近尺度但不要超过 0.5否则小目标会被缩没。增强配置改完先跑 10 个 epoch 看损失是否正常下降损失爆炸优先查标注坐标是否越界。4.2 长尾类别重采样与损失权重别把稀有资产当背景道路资产类别在巡检图像里出现频率差异很大护栏可能每张都有伸缩缝和排水口可能几十张才有一个。长尾分布下模型倾向把稀有类别当背景召回上不去。常见做法不是简单复制图像而是按类别框数做重采样让每个 epoch 里稀有类别至少出现若干次同时保留一部分原始分布避免验证集指标失真。复制时只复制包含稀有类别的图像并且控制复制倍数不要超过 3 倍否则过拟合明显。下面脚本统计每类框数并生成一个加权采样列表训练时按列表采样。不同训练框架接口不同这里输出sample_weights.json由数据加载器读取。import os import glob import json from collections import Counter label_dir dataset/labels/train class_counts Counter() image_classes {} for p in glob.glob(os.path.join(label_dir, *.txt)): with open(p, r, encodingutf-8) as f: ids [int(float(ln.split()[0])) for ln in f if ln.strip()] image_classes[os.path.basename(p)] ids class_counts.update(ids) total sum(class_counts.values()) num_classes len(class_counts) weights {} for name, ids in image_classes.items(): if not ids: weights[name] 1.0 continue # 图像权重取所含类别频率倒数的均值稀有类别图像权重更高 w sum(total / (num_classes * class_counts[c]) for c in ids) / len(ids) weights[name] round(min(w, 3.0), 4) # 上限 3 倍防止过采样 with open(sample_weights.json, w, encodingutf-8) as f: json.dump(weights, f, ensure_asciiFalse, indent2) print(class_counts)逻辑说明先统计训练集每类框数再给每张图算权重图里包含越稀有的类别权重越高上限 3 倍是经验值防止少数图被反复采样。参数说明label_dir换成训练标注目录num_classes从实际类别数来如果框架不支持图像权重可以把权重转成重复列表或者用类别平衡的 focal loss 替代。重采样后一定要重新看验证集分布验证集保持原始长尾分布不然指标不可比。4.3 切片训练与多尺度推理跨江大桥远距离小目标的对策跨江大桥巡检图像里远处排水口、标志牌在整图里可能只有几十像素直接缩放到 1024 仍然太小。切片训练是常见对策把大图切成有重叠的子图标注框按切片坐标映射训练时用子图推理时再合并。切片不是万能药重叠太小会切断目标重叠太大显存吃不消。我一般用 640 或 800 的切片尺寸重叠 20%只对包含小目标标注的图做切片避免数据量爆炸。from sahi.slicing import slice_image import os img_path dataset/images/train/B01_0001.jpg out_dir sliced/train os.makedirs(out_dir, exist_okTrue) result slice_image( imageimg_path, output_file_nameos.path.join(out_dir, B01_0001), slice_height640, slice_width640, overlap_height_ratio0.2, overlap_width_ratio0.2, ) print(result)逻辑说明slice_image按 640×640 切片重叠 20% 保证目标不被切边输出子图和对应标注训练时把切片结果当成独立数据集。参数说明slice_height、slice_width按显存和目标尺寸调小目标多就降到 512overlap_*_ratio低于 0.15 容易切断长条裂缝高于 0.3 重复样本太多。切片后要检查标注映射尤其是跨切片边界的裂缝可能出现两个半截框训练前合并或保留完整段。推理时用同样的切片参数再按置信度做 NMS 合并别直接在全图上跑不然小目标还是漏。5. 避坑与排查标注、划分、评估里最容易翻车的五件事5.1 现象验证集 mAP 很高现场漏检严重现象很典型验证集mAP50到 0.85换一座桥或换一个巡检批次裂缝和排水口大量漏检。原因通常不是模型弱而是划分泄漏。同一座桥的相邻帧被随机分到训练和验证背景几乎一样验证集成了训练集的近邻检索。解决方式是按桥梁编号和巡检批次分组划分验证集至少留一座没参与训练的桥如果桥太少就按拍摄时段和天气分组保证验证集有域偏移。划分完再看验证集每类框数稀有类别少于 10 个框时指标没有统计意义需要补数据或做交叉验证。还有一种漏检来自输入尺寸。桥梁图像里远处目标在 640 输入下只剩几像素验证集指标可能因为近处目标多而虚高。解决方式是统计标注框面积分布按短边小于 32 像素的目标占比决定imgsz小目标多就上 1024 或切片训练。改完输入尺寸重新跑基线不要和旧指标直接比因为评估条件变了。5.2 现象裂缝框忽大忽小同一类目标置信度波动大现象是同一段裂缝在不同图里框的大小差好几倍模型对裂缝的置信度忽高忽低。原因在标注规范有人把整条裂缝拉一个大框有人只标最明显的一段还有人把阴影也框进去。裂缝是长条目标外接矩形对长宽比敏感标注不一致会让回归分支学乱。解决方式是冻结裂缝分段规则按可分辨段标注单段不跨明显转折框宽贴住裂缝两侧阴影和接缝不框。用 2.3 的体检脚本先找异常长宽比框再人工抽检 50 张统一规范后重训。如果规范已经统一但置信度还是波动检查增强里的degrees和scale。裂缝方向性强旋转和缩放过大时模型学到的纹理被破坏。把degrees降到 3 以内scale控制在 0.3再开close_mosaic收尾。裂缝这类细长目标还可以在推理时调低置信度阈值先保召回再按业务复核但阈值不能替代标注一致性标注乱的时候调阈值只是把错误往后推。5.3 现象护栏和伸缩缝互相误检资产类别混淆现象是护栏被检成伸缩缝或者伸缩缝被检成裂缝。原因是三类目标都呈长条状标注边界没对齐护栏是连续结构伸缩缝是横向构造缝裂缝是表面破损。解决方式是在类别表里写清“结构归属”而不是“形状”伸缩缝框住缝体和两侧边界护栏按可分辨段框裂缝只框破损表面。标注时遇到护栏上的裂缝两个类别可以同时存在但框要分开不要用一个框兼任。混淆矩阵里看guardrail和expansion_joint的互检数量超过总框数 5% 就回标注重审。模型侧可以在验证集上做分层评估按拍摄方向、远近尺度分组看混淆。近处护栏和伸缩缝纹理差异大远处只剩线条混淆主要发生在远距离。解决方式是切片训练或提高输入尺寸把远距离目标放大后再学。不要一上来加类别权重先确认标注边界权重只放大原有错误。5.4 现象训练损失下降但召回不升现象是训练损失稳步下降验证集召回卡在 0.5 左右稀有资产类别几乎不检出。原因可能是长尾分布下模型把稀有类当背景也可能是验证集划分后稀有类样本太少。解决方式是先统计训练集和验证集每类框数训练集里稀有类少于 100 个框时重采样上限设 3 倍并检查验证集是否有足够样本。损失下降但召回不升还要看分类头和回归头的梯度框回归正常但分类置信度低说明类别不平衡框本身偏了说明标注或输入尺寸有问题。下面脚本按类别统计训练集和验证集框数快速定位长尾import glob import os from collections import Counter for split in [train, val]: cnt Counter() for p in glob.glob(fdataset/labels/{split}/*.txt): with open(p, r, encodingutf-8) as f: for ln in f: if ln.strip(): cnt[int(float(ln.split()[0]))] 1 print(split, dict(sorted(cnt.items())))逻辑说明按 split 统计每个类别 ID 的框数和类别表对照就能看出哪些类在验证集里过少。参数说明路径按实际数据集改输出是类别 ID不是类别名对照data.yaml的names顺序看。验证集某类少于 10 个框时该类召回波动很大不要用单次结果判断模型好坏。5.5 现象背景被检成坑槽负样本不足现象是路面阴影、油污、湿痕被检成坑槽置信度还不低。原因通常是训练集里负样本太少或者坑槽标注把周边阴影框进去了模型把阴影当坑槽的一部分。解决方式是补负样本从巡检图里挑不含病害和资产的桥面图空标签加入训练集比例控制在 10% 到 20%同时重审坑槽标注框只贴破损区阴影和湿痕不框。验证集里单独统计背景误检不要只看 mAP。如果负样本加了还是误检检查增强里的亮度扰动是否过大hsv_v0.3可能把湿痕对比度拉得像坑槽。把亮度扰动降到 0.2并加少量模糊增强模拟雨天但模糊不要全量开。推理阶段可以用面积和长宽比过滤明显不合理的框比如坑槽框面积小于图像面积 0.05% 且长宽比极端时降置信度。过滤规则要记录在评估脚本里别只在上线服务里加不然离线指标和线上行为对不上。注意避坑排查先改数据再改模型。标注和划分没对齐时调参调出来的提升多半是过拟合验证集。6. 上线前的验证技巧用分层抽样和阈值扫描把漏检压下去6.1 分层抽样验证按桥梁、光照、目标尺度各抽一层基线模型跑完不要只用验证集总 mAP 交差。我会按桥梁编号、光照条件、目标尺度各抽一层每层至少 30 张图人工复核漏检和误检。桥梁编号看域偏移光照看逆光和阴天目标尺度看远距离小目标。每层统计召回和误检率哪一层掉得厉害就回到对应数据里补样本或调增强。分层抽样表不要写真实桥名用B01、B02代称光照用backlight、overcast、normal标记。6.2 阈值扫描先保召回再按业务复核定阈值检测阈值不要拍脑袋定 0.25。用验证集做一次置信度扫描按类别输出 precision、recall、F1选召回满足业务下限的阈值再交给人工复核。下面脚本读取预测结果和真值按类别扫阈值实际落地时把预测结果换成模型输出的 JSON 或 CSV 即可。import numpy as np def scan_threshold(scores, labels, step0.05): best [] for t in np.arange(0.05, 0.96, step): pred scores t tp np.sum(pred labels) fp np.sum(pred ~labels) fn np.sum(~pred labels) precision tp / (tp fp 1e-9) recall tp / (tp fn 1e-9) f1 2 * precision * recall / (precision recall 1e-9) best.append((round(t, 2), round(precision, 3), round(recall, 3), round(f1, 3))) return best # scores、labels 按类别替换为验证集匹配后的数组 for row in scan_threshold(np.array([0.9, 0.4, 0.2]), np.array([1, 0, 1])): print(row)逻辑说明按阈值遍历计算该类别的 precision、recall、F1选业务能接受的召回下限对应的阈值。参数说明step0.05先粗扫确定区间后再 0.01 细扫scores和labels必须来自同一批匹配后的预测不能用训练集结果。裂缝和排水口可以设不同阈值稀有类别阈值低一点保召回误检交给复核。从那以后我每次拿到桥梁巡检数据集都强制先跑标注体检和分组划分再谈模型和增强这一步省掉后面调参就是黑匣子。希望帮到你。本文还有配套的精品资源点击获取
