路面积水识别数据集制作与YOLO目标检测训练指南

简介：面向路面积水识别场景的目标检测标注数据集，对应4524张道路积水图像，提供YOLO格式标注文件，可无缝适配YOLOv5至YOLOv10、Faster R-CNN、SSD等主流目标检测模型。标注文件已按训练集、验证集和测试集划分，下载后无需自行拆分即可直接投入模型训练，尤其适合深度学习初学者快速上手，也方便算法工程师在智能交通、城市内涝监测等方向开展实验验证。压缩包大小281.43MB，共2000个文件，其中1999个为YOLO格式的txt标注文件，1个为yaml类别配置，txt内含类别与归一化坐标信息，配合yaml可快速完成数据配置，文件名与原始图片一一对应，便于按需检索与批量调用。目前已有1030人学习下载，借助该数据集可复现积水检测流程、评估模型精度、验证不同检测器性能，从而大幅节省数据标注与格式转换时间，快速构建路面积水识别系统。

1. 路面积水识别数据集：目标检测落地前必须先算清的一笔账

路面积水识别数据集看起来只是一个数据文件，实际落到目标检测项目里，它却是决定模型能不能用的第一道分水岭：采集口径、标注边界和训练集划分方式，直接影响模型在真实雨天是精准报警还是一片误检。这篇笔记要解决的，是从零把路面积水识别数据集做出来并用 YOLO 系列完成训练的完整链路：数据怎么采、怎么标、怎么转成训练格式、参数怎么调，以及最容易让人翻车的几个坑。适合正在做智慧交通、城市防汛辅助巡检，或想在自动驾驶感知里加一路路面异常识别的算法工程师与学生。先泼一盆冷水：不要指望现成开源数据集直接替换你的场景，机位角度和光照口径不同，效果会差很远；按自己的部署场景攒数据，才是性价比最高的投入。

2. 路面积水数据集的构成与采集：实采为主、合成为辅，场景覆盖决定上限

2.1 积水目标的形态：类别定义与第一个难点

积水在目标检测里属于“形态不稳定”目标：它不是人、车那样有固定边界的刚体，而是随降雨量、路面坡度和排水速度不断变化的水面区域。从特征上看，积水有两个非常麻烦的性质——低纹理和强反光。低纹理意味着可供卷积核学习的角点、边缘非常少；强反光意味着它极易与晴天路面反光、夜间灯光倒影混淆；再加上弱边界，标注员经常拿不准哪一条线才是水边。

我一般建议第一版数据集就把类别定义成两类以内：puddle（积水）与背景，不要急着分“泥水”“水渍”“水面反光”这类细分类。第一版加细分类会让标注成本翻倍，模型在小样本下还会在相近类别之间分不清，整体平均精度反而被拖低。等样本量到五千张以上，再考虑把“泥水混合”单独拆出来，用于特殊巡检需求。

从几何形态上看，积水大致有三类：大面积漫水，常见于低洼路口；椭圆形小水洼，集中在车道接缝和井盖周边；条带状积水，多出现在桥洞、辅路与主路接缝处。这三类分别对应大目标、中小目标漏检高发场景和长宽比极端的目标框场景。你在做数据集时最好心里有数：如果部署路段以井盖小水洼为主，那么输入分辨率和增强策略都要往中小目标倾斜，这一点在训练参数章节会细说。

2.2 采集设备、拍摄角度与场景覆盖表

常见做法是先用行车记录仪抓拍加手机补拍起步，不需要立刻上工业相机。原因是路侧或车载部署环境大多是 1080p 摄像头，行车记录仪的画面噪声、动态范围和最终推理图像高度接近，采集到的样本反而比专业相机更贴合推理端。手持手机补拍时注意固定机位、略俯视，让积水出现在画面中下部，约占画面宽度的三分之一到一半；频繁变焦会造成同一路段同一积水的尺度不一致，给标注和训练都添乱。

场景覆盖是数据采集阶段最重要的参数，我习惯先定一张比例表再出去拍：

整套起步数据量控制在两千张左右：其中带积水框的正样本不低于一千五百张，负样本也就是潮湿但没有积水、干涸旧水痕的图像四百到五百张。如果部署场景要覆盖夜间，整体数量再乘一点五。采集的时候把低洼路段的视频每隔十到十五帧抽一帧，比连续帧全存更能覆盖外观变化。

这里也想提一句：自动驾驶数据集里路面异常子集可以用来做预训练，但如果你手头已经有开放道路的车采片段，优先从那里面切积水帧。理由很简单——自动驾驶车采的机位和你的部署机位接近，场景一致比数据量更值钱。

2.3 合成积水：只做训练预热，不要当主力数据

雨季不等人，但模型又要快速测通时，合成增强是可行的过渡手段。做法是把晴天路图复制一份，在画面下半区随机挖一块边缘柔和的椭圆区域，做亮度扰动、模糊和蓝色通道偏移，模拟水面反射特征，让模型先形成初始特征。下面这段代码是可以在本地直接跑的最小实现：

import random import cv2 import numpy as np def synthesize_puddle_aug(image_path, out_path): img = cv2.imread(image_path) h, w = img.shape[:2] # 在画面下半区随机生成一个椭圆区域模拟水洼 mask = np.zeros((h, w), dtype=np.float32) cx = random.randint(int(w * 0.25), int(w * 0.75)) cy = random.randint(int(h * 0.5), int(h * 0.85)) rx = random.randint(int(w * 0.05), int(w * 0.20)) ry = random.randint(int(h * 0.03), int(h * 0.12)) cv2.ellipse(mask, (cx, cy), (rx, ry), 0, 0, 360, 1.0, -1) # 高斯模糊让掩膜边界变软，避免出现锐利的“假水边” mask = cv2.GaussianBlur(mask, (15, 15), 0)[:, :, None] blurred = cv2.GaussianBlur(img, (31, 31), 0).astype(np.float32) # 在 mask 区域内把原图向模糊反光方向插值 puddle = img.astype(np.float32) * (1 - mask * 0.5) + blurred * (mask * 0.5) # 蓝色通道抬升，模拟路面水面对天空光的反射 puddle[:, :, 2] = np.minimum(255, puddle[:, :, 2] + mask[:, :, 0] * 25) cv2.imwrite(out_path, np.clip(puddle, 0, 255).astype(np.uint8))

逻辑说明：代码先生成一个只在下半区出现的椭圆掩膜，这符合真实积水的空间分布；用高斯模糊把掩膜边界柔化是为了模拟积水与干燥路面的渐变过渡带，避免模型把“锐利边缘”学成积水的必要特征。最终图像是在原图与模糊图之间做线性插值，让水洼区域的纹理被抹平但亮度不会过曝，蓝色通道再整体加一点偏移，对应水面反射天空光后的冷色调。

参数说明里值得关注的是两个地方：mask * 0.5的插值权重 0.5 意味着水洼区域保留一半原纹理，这与真实积水“能看到水下路面纹理”的特性一致；蓝色通道偏移 25 是经验值，过大会造成训练出的模型对蓝色敏感，反而在柏油路偏蓝的路段产生大量误检。椭圆半径rx和ry分别取图像宽高的 5%-20%、3%-12%，覆盖中到大尺度目标，合成时不生成小目标以避免模型学到无效的噪声纹理。

合成数据我实际试过的结论是：它能把模型从“完全不识别”带到“偶尔识别”的水平，但训练中后期真实样本比例必须占到八成以上，否则模型会依赖这种模拟反光的分布，在真实雨天反而过曝误检。路面积水识别数据集的核心价值在于真实分布，合成只能用来预热和补尾。

3. 目标检测数据集处理：VOC 转 YOLO 格式与训练集划分的完整流程

3.1 标注工具与统一规范：先用 labelImg 把框画对

目标检测常用标注工具里，labelImg 是最不容易出错的一个：纯矩形框、直接导出 Pascal VOC 格式、生态成熟，新手也能半天上手。另一个常见选择是带自动标注辅助的 X-AnyLabeling，但自动框出来的边界毛糙，需要逐张核对，对积水这种弱边界目标反而更费劲。我的建议是第一版全手工标注，等框的质量稳定了再考虑自动预标注加人工修订。

开工之前必须把标注规范写死，否则返工成本极高，后面训练时你会发现 loss 怎么调都降不下来。我用的规范是四条：第一，积水区域只要有连续可见边界或有明显反射特征，就框整块水面，不要把周边的湿润路面包进来；第二，倒影不单独成框，除非倒影与水体分离且可能被下游误判为独立积水面；第三，车辆驶过溅起的水花不标注，它不是静态积水语义；第四，目标被遮挡超过百分之五十时跳过，不超过则按可见区域框。

这四条背后都是有教训的。倒影单独成框会让模型把垂直镜像学进去，在夜间路灯场景下把地面灯光倒影全激活；车辆轮胎附近的反射水花如果标注进去，目标框中心点会大量集中在轮胎位置，训练出的模型对移动车辆周围特别敏感；而遮挡过半的目标框进训练集，相当于给模型喂了模糊标签，它会把“半个水面”当作完整目标学。规范定好后，最好打印出来贴在标注界面旁边，标注员每标一百张图轮换一次角色复核，可以减少疲劳导致的框偏移。

3.2 VOC 转 YOLO 格式脚本：一个能直接跑的最小实现

labelImg 默认导出 VOC XML，而 YOLO 训练需要同名 txt 标签文件，每行是“类别索引 + 归一化中心坐标 + 归一化宽高”。转换脚本我每次都带一份，因为它几乎是每个 yolov8 目标检测数据集处理流程里的第一步。下面这个版本处理了 XML 缺失图像尺寸、目标框越界两个常见问题：

import os import xml.etree.ElementTree as ET from glob import glob import cv2 def convert_voc_xml_to_yolo(xml_file, class_names, output_dir): tree = ET.parse(xml_file) root = tree.getroot() img_name = root.find('filename').text # 优先读取 XML 内记录的图像尺寸；缺失时回退到读图 size_node = root.find('size') if size_node is not None: img_w = int(size_node.find('width').text) img_h = int(size_node.find('height').text) else: image_path = os.path.join(os.path.dirname(xml_file), img_name) frame = cv2.imread(image_path) img_h, img_w = frame.shape[:2] out_lines = [] for obj in root.findall('object'): name = obj.find('name').text if name not in class_names: continue class_id = class_names.index(name) box = obj.find('bndbox') x1 = float(box.find('xmin').text) y1 = float(box.find('ymin').text) x2 = float(box.find('xmax').text) y2 = float(box.find('ymax').text) # 边界检查：裁剪到图像范围内，防止越界标签 x1 = max(0.0, min(x1, img_w - 1)) y1 = max(0.0, min(y1, img_h - 1)) x2 = max(0.0, min(x2, img_w - 1)) y2 = max(0.0, min(y2, img_h - 1)) dw = 1.0 / img_w dh = 1.0 / img_h cx = (x1 + x2) / 2.0 * dw cy = (y1 + y2) / 2.0 * dh bw = (x2 - x1) * dw bh = (y2 - y1) * dh out_lines.append(f"{class_id} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}") out_txt = os.path.join(output_dir, os.path.splitext(img_name)[0] + '.txt') with open(out_txt, 'w', encoding='utf-8') as f: f.write('\n'.join(out_lines)) return out_txt if __name__ == '__main__': CLASS_NAMES = ['puddle'] # 单类积水，索引从 0 开始 xml_list = glob('annotations/*.xml') os.makedirs('labels', exist_ok=True) for xml_file in xml_list: convert_voc_xml_to_yolo(xml_file, CLASS_NAMES, 'labels') print(f'converted {len(xml_list)} xml files')

逻辑说明：脚本先尝试从 XML 的size节点读取图像宽高，读不到就用 OpenCV 兜底，这一步很关键，因为部分标注工具导出的 XML 并不总是带 size。坐标转换的核心公式是中心点除以图像宽高得到归一化坐标，宽高同理归一化到 0 到 1 区间，YOLO 训练时模型内部会按 letterbox 处理，不需要我们在这一步改图像尺寸。

参数说明：CLASS_NAMES列表的顺序决定了 txt 文件里的类别索引，单类积水时索引恒为 0；dw和dh是宽高的归一化系数。脚本只需要把annotations目录放在同级，运行后会在labels目录生成与图像同名的标签文件。需要留意的是边界检查那段代码——鱼眼镜头和图像边缘的目标框经常会算出大于图像宽高的坐标，不裁剪的话数据加载时报错，或者隐式把越界框拉到边界，相当于改了标注内容。

3.3 数据集划分与目录组织：不要按帧随机切

常见错误是 shuffle 后按比例随机切，同一路段连续帧会同时进入训练集和验证集，造成数据泄漏，直接表现就是 val loss 低得离谱，但真上路测误检一片。正确做法是按路段或时间会话分组切分，保证验证集里出现的路面特征没有在训练集里见过。目录结构建议如下：

puddle_dataset/ ├── images/ │ ├── train/ # 按路段分组后的训练帧 │ ├── val/ # 与 train 完全不同的路段帧 │ └── test/ # 真实路测留档，训练期间不触碰 ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yaml

images和labels两个目录级一一对应，同名 txt 标签文件。test目录单独留作最终模型评审和路测对照，不要每轮迭代都拿去调超参，否则它就从测试集变成了第二验证集。切分时的随机种子要固定，我一般先把采集记录里的路段编号或视频文件名提取出来作为 group id，再按 group 分布划分，保证同一路段的所有帧都落进同一个集合。

数据量方面有个经验值：训练集一千五百张左右、验证集三百张、测试集两百张起步，正负样本比例控制在 4:1 到 3:1 之间。负样本不能少，因为积水检测的难点主要在“像水但不是水”的反光路面，负样本不够时模型会把亮度当作水的替身。

4. 用 YOLOv8 训练自己的路面积水数据集：data.yaml、训练命令与关键参数

4.1 搭建训练环境与 data.yaml 配置

训练环境不用复杂，pip install ultralytics就能把训练器和推理接口一起装好，GPU 机器上先确认nvidia-smi能正常读到驱动，避免 pytorch 版本和驱动不匹配。数据集配置文件data.yaml放在数据集根目录下，内容是告诉训练器图像和标签在哪里、类别数是多少：

path: /data/puddle_dataset train: images/train val: images/val nc: 1 names: 0: puddle

这里注意几个细节：path用绝对路径，避免在不同机器上因为工作目录不同而找不到数据；train和val是相对path下的子路径，不要写成images/train/带斜杠的形式，ultralytics 解析时会拼出错误的路径；test目录建议不要写进data.yaml，训练过程不该以任何形式接触到测试集，推理验证时直接用source参数指向images/test目录。

如果换一台机器跑，只需改path一个字段，数据目录和标注文件不用动。这是目标检测数据集处理流程里最基本的配置习惯，我在 yolov8 训练自己的数据集时一直沿用这一份模板。

4.2 关键训练参数与选择理由

训练命令我建议用 CLI 形态，方便复现和记录日志，下面是针对积水场景的起始配置：

yolo detect train \ data=data.yaml \ model=yolov8n.pt \ epochs=100 \ imgsz=960 \ batch=16 \ lr0=0.01 \ mosaic=0.5 \ scale=0.5,1.5 \ patience=20 \ project=runs/puddle \ name=exp001

参数选择背后是积水目标的特殊性。model=yolov8n.pt用 n 系列起步是因为千级样本量下大模型很容易过拟合，n 模型的感受野和特征提取能力足够覆盖积水这种低纹理目标；imgsz=960是为了中小水洼——如果保持 640，一个实际尺寸 30 厘米的小水洼在图像里只有十几个像素，训练时特征图下采样后几乎消失；mosaic=0.5是把默认的 1.0 降下来，因为积水严重依赖场景上下文，马赛克拼接图太多会把路面纹理和周边环境打乱，模型学到的是碎片特征；scale=0.5,1.5是尺度抖动，让模型见过不同分辨率下的积水形态，对中小目标泛化有帮助。

batch=16和imgsz=960组合对显存有一定压力，如果你的显卡显存不够八到十 GB 的级别，就把batch降到 8，或者换yolov8n的预训练权重配合epochs=120。patience=20是早停轮数，val 指标连续二十轮不提升就自动停，省得浪费算力。有人会问要不要直接用更新版本的 YOLO 模型，我的观点是现在出的 YOLOv11 系列也能复用这套数据管线，但积水任务在数据量不大的阶段对模型结构先进程度并不敏感，yolov8 的工具链和文档更成熟，先把数据闭环跑通更重要。

4.3 训练日志怎么看与中途验证

训练开始后，日志里的box_loss、cls_loss、dfl_loss三条曲线都要看，不要只盯 mAP。积水场景里cls_loss降得很快但box_loss长期震荡，通常说明标注框边界不一致，模型不知道该把框收紧到哪条线，这时候去调 learning rate 或改模型都是白费力气，回标注环节修边界才是正解。

训练结束后用验证集单独推理一批，而不是只看验证指标。我的习惯是每轮训练完固定跑同一组二十到三十张现场图，肉眼数一遍误检和漏检。下面这段推理代码可以直接沿用：

from ultralytics import YOLO model = YOLO('runs/puddle/exp001/weights/best.pt') results = model.predict( source='images/test', imgsz=960, conf=0.35, save=True, save_txt=True, )

conf=0.35是起始置信度阈值，如果一个像素级的反光带频繁被激活，就把阈值上调到 0.45；反过来如果漏检多，就降到 0.25。save_txt=True会把预测框落盘成 txt，方便后续统计误检框的坐标分布，找出模型频繁出错的路段特征。这一步看起来简单，但它是连接训练指标和真实路测效果的桥梁。

5. 路面积水识别训练中的避坑指南：五个让模型翻车的常见错误

这几个坑我基本都踩过一轮，翻车原因事后想都很简单，但当时每一个都实实在在浪费了一周以上的时间。下面按“现象、原因、解决”的格式逐条写清楚，希望你能绕开。

5.1 标注不一致、小目标漏检、验证集污染

坑一：标注不一致导致训练 loss 降不到底。现象是训练曲线在低位长时间震荡，val mAP 始终到不了 0.7，换模型、调学习率都没有改善。原因是多个标注员对积水边界的理解不一致，同一处水面有的框整体面积、有的只框高光区域，模型学到的是各种框的平均值，定位自然飘。解决办法是在标注阶段引入抽样复核：每天抽查百分之十的标注图，用脚本统计同一路段目标框的平均宽高比和像素面积，偏差超过百分之三十的框单独列出来人工再审。核心是让标注口径收敛，而不是让模型去迁就噪声。

坑二：小目标积水漏检。现象是整体 mAP 能到 0.85，但按目标尺度分档统计时，小尺寸 AP 只有 0.3 左右。原因是imgsz=640输入下，一个二十像素见方的小水洼经过五次下采样之后只剩三到四个像素，特征图里已经几乎没有可区分的结构。解决办法是把输入分辨率提到 960，训练时开启尺度抖动scale=0.5,1.5，推理时不要用模型的默认压缩，直接用原始分辨率输入，或者用下一章的滑窗策略。这一步对井盖周边小水洼高发的路段尤其有效。

坑三：验证集污染导致 val 指标虚高。现象是训练验证都很漂亮，loss 低、mAP 高，但把模型拿到没见过的路段上一测，漏检和误检全面爆发。原因是按帧随机切分，同一路段连拍的连续帧有一部分进了训练集、一部分进了验证集，模型实质上是把图像上下文的记忆当成了识别能力。解决办法是前面说过的按路段分组切分，并且 test 集从训练和验证之外单独抽一批路段，模型迭代过程中永远不碰它。判别是否污染的简易手段是随机抽十张验证集图像，看它周边路段是否在训练集中频繁出现。

5.2 晴天反光误检、负样本不足与类别不平衡

坑四：晴天反光被识别成积水。现象是晴天高光路面、金属井盖反光、甚至玻璃幕墙光斑，模型都给到 0.6 以上的置信度。原因是训练集里“亮”和“水”出现了强相关，模型学到的是亮度捷径而不是水面纹理。解决办法分两步：训练集里加一批 hard negative，也就是反光强烈但没有积水的路面、干涸的旧水痕、湿润但可排水的沥青路面，正负样本比控制在四比一以内；推理端再加一个区域约束，路侧部署时积水只可能出现在画面下半部，直接对上半部检测结果做抑制。这种规则不是玄学，它把模型不擅长的判断交给空间先验，误检能直接降一半。

坑五：类别不平衡导致模型学成背景分类器。现象是图像总量不少，但带标注目标的图像占比很低，训练出来的模型几乎只输出背景，偶尔输出一次积水也是低置信度。原因是采集时随机抓帧，没有积水的帧占了大头，模型被大量负样本淹没。解决办法是采集阶段就控制正样本比例，训练前用脚本统计每张标签文件的行数，把完全没有目标的图像抽出来单独管理，不要全部丢掉——它们是最好的负样本，保留在训练集里压制误检，但占比控制在百分之二十以内。如果发现某一段路面的负样本特别容易误检，就把这些帧复制一份到训练集根目录，相当于对难例加了权重。

提示：误检样本的挖掘比盲目加数据更划算。我每轮训练后都会把验证集里误检置信度最高的五十张图导出来，按路段和光照条件分组，下一轮训练时把这几组图像各复制一份混入训练集。三轮迭代下来，同一条件下再误检的概率会明显下降。

6. 一个提高中小积水检测率的落地技巧：推理侧滑窗与路测复核习惯

6.1 推理侧重叠滑窗：在显存受限时找回小目标

前面提到imgsz=960对小目标友好，但边缘推理盒子的显存往往撑不住整图 960 输入。我常用的替代方案是重叠滑窗：整图先跑一次保住全局面，再对左半和右半分别以接近原始分辨率跑两次，把窗口内检出的框坐标映射回原图。这样模型实际感知的分辨率接近翻倍，中小目标不再被压缩到几个像素。

import numpy as np def sliding_predict(model, frame, conf=0.35, imgsz=960, overlap_ratio=0.3): h, w = frame.shape[:2] windows = [ (0, 0, w, h), # 整图 (0, 0, int(w * (0.5 + overlap_ratio / 2)), h), # 左半，含重叠 (int(w * (0.5 - overlap_ratio / 2)), 0, w, h), # 右半，含重叠 ] boxes = [] for x1, y1, x2, y2 in windows: crop = frame[y1:y2, x1:x2] res = model.predict(crop, imgsz=imgsz, conf=conf, verbose=False)[0] for box in res.boxes.data.cpu().numpy(): bx1, by1, bx2, by2, score, _ = box boxes.append([bx1 + x1, by1 + y1, bx2 + x1, by2 + y1, score]) return np.array(boxes)

逻辑说明：三个窗口分别是整图和左右两个半图，半图带overlap_ratio=0.3的重叠区，目的是让被窗口边界切断的目标在相邻窗口内完整出现一次。所有检出框的坐标都从窗口坐标系加回偏移量映射回原图，重叠区域的重复检测要不要融合，取决于你的需求——如果只是报警，保留最高置信度即可；如果要给下游标定框，再补一个简单的 NMS。

参数说明：overlap_ratio=0.3是重叠区占半图宽度的比例，太小切断目标，太大浪费算力；imgsz=960仍然沿用，窗口尺寸小于整图时模型输入分辨率反而更充裕。滑窗跑一次相当于三次前向，适合边缘 GPU 盒子，不太适合低成本的轻量芯片。实测下来，这个技巧能让中小积水目标的召回率提升约两成。

6.2 路测复核与数据版本管理的小习惯

模型训练完不是终点，我会固定留三十六张覆盖各场景的现场图，每次改动数据集或模型后，在它们上面统计误检数和漏检数，不看全局 mAP——因为 mAP 会把大水洼的高分掩盖掉中小目标的失败。数据集的每个版本我会打一个保存记录，标注规范的每次调整也记一句摘要。这个习惯帮我避免过很多次“好像新版本更差”的争论，也能在模型意外退化时迅速回到上一版干净数据。

这不是什么复杂技术，但它是整个路面积水识别项目里回报率最高的投入。希望帮到你。

本文还有配套的精品资源，点击获取