洪涝滑坡灾害数据集2300张2个分类带标注支持voc和yolo格式适合做灾害检测一、洪涝滑坡灾害检测数据集标准表格1. 数据集基础信息项目详情数据集名称洪涝/滑坡灾害目标检测数据集总图片数量2300 张标注格式YOLO / VOC 双格式标注直接兼容主流检测框架图像场景真实灾害场景城市内涝、河道洪水、道路积水、滑坡现场等应用场景灾害预警、应急监测、城市防洪、地质灾害评估2. 数据划分推荐标准比例数据集划分图片数量占比用途训练集Train1610 张70%模型训练验证集Val460 张20%训练调参测试集Test230 张10%模型最终评估3. 类别标注信息类别ID英文标签中文标签标注说明0flood洪涝/积水洪水、城市内涝、道路积水、河道溢水等1landslide滑坡/塌方山体滑坡、道路塌方、泥石堆积等二、YOLOv8 洪涝滑坡灾害检测 完整训练代码1. YOLO格式数据集配置文件disaster.yaml# 洪涝滑坡灾害检测数据集 - YOLO配置path:./disaster_dataset# 数据集根目录train:images/train# 训练集图片路径val:images/val# 验证集图片路径test:images/test# 测试集图片路径# 类别数量nc:2# 类别名称与标注ID一一对应names:0:flood1:landslide2. YOLOv8 训练脚本train_disaster.pyfromultralyticsimportYOLOif__name____main__:# 1. 加载预训练模型推荐用YOLOv8n也可换s/m/l/x提升精度modelYOLO(yolov8n.pt)# 2. 开始训练参数专为灾害场景优化resultsmodel.train(datadisaster.yaml,# 数据集配置文件epochs150,# 训练轮数可根据收敛情况调整为100-200imgsz640,# 输入图像尺寸统一640×640batch16,# 批次大小显存不足可改为8device0,# 使用GPU训练无GPU则填 devicecpulr00.01,# 初始学习率lrf0.01,# 最终学习率warmup_epochs3,# 学习率热身避免初期震荡cos_lrTrue,# 余弦退火学习率提升收敛效果patience15,# 早停15轮无提升则自动停止训练saveTrue,# 保存最优模型save_period10,# 每10轮保存一次模型cacheTrue,# 缓存数据大幅加速训练ampTrue,# 混合精度训练减少显存占用augmentTrue,# 开启数据增强提升模型鲁棒性# 灾害场景专用增强参数适配雨天、模糊、多角度hsv_h0.015,# 色调增强hsv_s0.7,# 饱和度增强hsv_v0.4,# 亮度增强适配雨天昏暗场景degrees15,# 随机旋转适配航拍/监控多角度perspective0.001,# 透视变换fliplr0.5,# 左右翻转flipud0.2,# 上下翻转mosaic1.0,# Mosaic增强提升小目标检测能力mixup0.1,# Mixup增强提升模型泛化性# 训练结果保存名称namedisaster_flood_landslide)# 3. 训练完成后在测试集上评估模型性能model.val(splittest)3. 推理/测试代码predict_disaster.pyfromultralyticsimportYOLOimportcv2# 加载训练好的最优模型modelYOLO(runs/detect/disaster_flood_landslide/weights/best.pt)defdetect_image(image_path,save_pathdisaster_result.jpg):单张灾害图片检测resultsmodel(image_path,conf0.25)annotated_imgresults[0].plot()cv2.imwrite(save_path,annotated_img)cv2.imshow(Disaster Detection,annotated_img)cv2.waitKey(0)defdetect_video(video_path,save_pathdisaster_result.mp4):视频/监控流灾害检测capcv2.VideoCapture(video_path)fpscap.get(cv2.CAP_PROP_FPS)widthint(cap.get(cv2.CAP_PROP_FRAME_WIDTH))heightint(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))outcv2.VideoWriter(save_path,cv2.VideoWriter_fourcc(*mp4v),fps,(width,height))whilecap.isOpened():ret,framecap.read()ifnotret:breakresultsmodel(frame,conf0.25)annotated_frameresults[0].plot()out.write(annotated_frame)cv2.imshow(Disaster Detection,annotated_frame)ifcv2.waitKey(1)0xFFord(q):breakcap.release()out.release()cv2.destroyAllWindows()if__name____main__:# 示例检测单张灾害图片detect_image(test_flood.jpg)# 示例检测监控视频# detect_video(disaster_video.mp4)三、项目目录结构标准YOLO格式disaster_dataset/ ├── images/ │ ├── train/ # 1610张训练集图片 │ ├── val/ # 460张验证集图片 │ └── test/ # 230张测试集图片 └── labels/ ├── train/ # 对应YOLO格式标注txt0flood,1landslide ├── val/ └── test/四、运行说明安装依赖pipinstallultralytics opencv-python配置数据集将数据集按上述结构放入disaster_dataset目录确保disaster.yaml中的路径与实际一致开始训练python train_disaster.py测试模型python predict_disaster.py需要我帮你补充一份带可视化界面的灾害检测系统代码吗可以直接上传图片/视频一键检测洪涝和滑坡。