裂缝分割数据集 4000张 ，4000张yolo格式的裂缝分割数据集 构建了一个基于 YOLOv5-seg 的裂缝分割系统 桥梁、道路、建筑等结构健康监测场景

yolov5-seg ，4000张yolo格式的裂缝分割数据

🛠️ 如何使用YOLOv5-seg训练 4000 张 YOLO 格式裂缝分割数据集（含 PR 曲线分析）

✅目标：使用 YOLOv5-seg 模型训练一个高精度的裂缝语义分割模型，支持 4000 张标注图像
✅任务类型：实例分割（Instance Segmentation）——识别并分割出图像中的裂缝区域
✅输出：完整训练流程、配置文件、代码示例、PR曲线解读与优化建议

🔧 一、环境准备

# 创建虚拟环境conda create -n yolov5_segpython=3.9-y conda activate yolov5_seg# 克隆官方 YOLOv5 仓库（含 segmentation 分支）gitclone https://github.com/ultralytics/yolov5.gitcdyolov5# 安装依赖pipinstall-r requirements.txt pipinstalltorch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

✅ 使用ultralytics/yolov5是推荐版本，已支持segment功能。

📁 二、数据集准备（YOLO 格式）

1. 数据结构要求

datasets/crack_segmentation/ ├── images/ │ ├── train/ # 2800 张训练图 │ └── val/ # 1200 张验证图 └── labels/ ├── train/ # 对应 .txt 文件 └── val/

2. YOLO 格式标签（.txt文件）

每行格式：

<class_id> <x_center> <y_center> <width> <height> <segmentation>

• class_id: 0（裂缝类）
• <x_center>, <y_center>: 边界框中心点（归一化）
• <width>, <height>: 边界框宽高（归一化）
• <segmentation>: 多边形顶点坐标（归一化），格式为：

  x1 y1 x2 y2 x3 y3 ... xn yn

💡 示例：labels/train/img_001.txt

0 0.45 0.62 0.2 0.3 0.4 0.6 0.5 0.6 0.55 0.7 0.5 0.7 0.55 0.6 0.5 0.5

✅ 建议使用LabelMe或CVAT工具标注，再转换为 YOLO 格式。

📄 三、创建data.yaml

# data.yamlpath:./datasets/crack_segmentationtrain:images/trainval:images/val# number of classesnc:1names:['crack']

🎯 四、训练模型（train.py）

# train.pyimportosimportsys sys.path.append('./')frommodels.experimentalimportattempt_loadfromutils.datasetsimportLoadImagesAndLabelsfromutils.generalimportcheck_file,check_img_sizefromutils.plotsimportplot_resultsfromutils.torch_utilsimportselect_device# 设置参数device='0'# GPU 编号batch_size=16imgsz=640epochs=100weights='yolov5s-seg.pt'# 预训练权重（可选）data='data.yaml'name='crack_segmentation'# 启动训练!python train.py \--batch-size{batch_size}\--epochs{epochs}\--img640\--data{data}\--weights{weights}\--name{name}\--device{device}\--workers4\--patience10\--save-period10\--project runs/segment \--exist-ok

✅ 输出路径：runs/segment/crack_segmentation/

📊 五、评估结果与 PR 曲线解读

你提供的Precision-Recall Curve（PR 曲线）显示：

✅理想 PR 曲线特征：

• 越靠近左上角越好
• AUC（曲线下面积）越高越好（>0.9 优秀）

❌ 若曲线陡降，说明模型存在大量误检或漏检。

🧪 六、推理测试（检测 + 分割）

# detect.pyimporttorchfrommodels.experimentalimportattempt_loadfromutils.datasetsimportLoadImagesfromutils.generalimportnon_max_suppression,scale_coordsfromutils.plotsimportplot_one_box,plot_masks# 加载模型model=attempt_load('runs/segment/crack_segmentation/weights/best.pt',map_location='cpu')model.eval()# 推理图片image_path='test.jpg'img=cv2.imread(image_path)img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)# 推理withtorch.no_grad():pred=model(torch.tensor(img).permute(2,0,1).float().unsqueeze(0)/255.0)[0]# NMSpred=non_max_suppression(pred,conf_thres=0.5,iou=0.45,classes=None,agnostic=False)# 可视化fordetinpred:iflen(det):for*xyxy,conf,clsindet:# 绘制边界框plot_one_box(xyxy,img,color=(0,255,0),label='crack')# 绘制掩码（mask）mask=det[0][...,5:]# 获取 maskplot_masks(img,mask,xyxy)

📈 七、如何提升性能？

1.数据增强

# train.py 中添加--mosaic0.5--mixup0.5--hsv_h0.015--hsv_s0.7--hsv_v0.4

2.调整学习率

--lr00.001# 初始学习率--warmup_epochs3

3.使用更大数据量

• 当前 4000 张数据足够训练，但若想更高精度，建议扩充至 8000+ 张

4.模型选择

📂 八、导出模型（ONNX / TensorRT）

# export_model.pyfrommodels.experimentalimportattempt_loadimporttorch model=attempt_load('runs/segment/crack_segmentation/weights/best.pt')model.export(format='onnx')# 导出 ONNXmodel.export(format='engine')# 导出 TensorRT（需 CUDA）