简介这份雨雪天气路面状况数据集面向自动驾驶感知、道路安全监测与计算机视觉方向的学习者和开发者用于训练模型区分结冰路面、雪地、下雨湿滑与干燥路面四类典型场景适合做目标检测入门实践或恶劣天气下的路面状态识别研究。资源包共1293个文件包含646张原始jpg图片、646个同名txt标注文件以及1个yaml配置文件整体约26.98MB图片未做额外裁剪或增强标注采用YOLOv8格式可直接接入YOLO系列训练流程yaml文件用于声明类别与路径省去自行整理数据集的步骤。目前已有686人学习下载说明该数据集在同类场景中具备一定参考价值。借助成对的图像与标注读者可快速完成数据加载、类别平衡检查与模型微调并对比不同天气条件下的检测表现为路面结冰预警、湿滑路段识别等应用积累可复用的数据基础与实验经验。1. 雨雪天气路面状况数据集为什么四类路面标签比想象中难标去年冬天接手一个路面状态识别项目客户给的需求很直白把结冰、积雪、湿滑、干燥四种路面分出来部署到车载端做实时预警。我第一反应是找现成的公开数据集翻了一圈发现大部分自动驾驶数据集BDD100K、Cityscapes 这类对路面状态的标注粒度根本不够——它们标的是车道线、车辆、行人路面本身只当背景。真正能用的雨雪路面状况数据要么是气象部门内部数据要么得自己采。这个标题里的数据集解决的就是这个问题四类路面状态结冰、雪地、下雨湿滑、干燥原始图片不做过度预处理用 YOLOv8 格式标注。适合谁做车载感知、道路养护巡检、冬季交通安全预警的团队尤其是需要快速验证路面分类模型、又不想从零标数据的。核心价值在于标签体系直接对齐 YOLOv8 的训练格式拿到就能跑yolov8 train省掉格式转换那一步。但别高兴太早四类路面之间的视觉边界比车辆检测模糊得多标注一致性才是这个数据集真正的门槛。2. 四类路面状态的视觉特征与标注边界怎么定拿到数据集第一件事不是急着训练而是搞清楚每一类的判定标准。路面状态分类的难点在于同一张图里可能同时存在干燥和湿滑区域结冰和湿滑在视觉上极其相似雪地又分压实雪和松散雪。如果标注规则不统一模型学到的就是噪声。2.1 结冰、雪地、湿滑、干燥的判别依据我一般按以下优先级判定从高到低类别核心视觉特征易混淆项判定优先级结冰镜面反光、路面呈深色透明感、有裂纹状纹理湿滑雨天反光最高雪地白色覆盖、有车辙压痕、边缘不规则结冰薄雪覆盖冰面高湿滑路面颜色加深、有水膜反光但无冰裂纹干燥深色沥青中干燥路面颜色均匀、无镜面反射、纹理清晰湿滑浅色湿滑低关键区分点结冰的反光是「镜面级」的能看到清晰倒影湿滑的反光是「漫反射」的亮但不清晰。雪地看覆盖面积超过路面 30% 就算雪地低于 30% 且有水膜算湿滑。提示如果一张图里同时有雪和干燥路面按「最危险类别」标注即标雪地。这是为了安全预警场景服务的宁可误报不可漏报。2.2 原始图片不预处理对训练的影响标题里强调「图片均采用原始图片」这点很关键。很多数据集为了好看会做亮度均衡、去噪、裁剪但路面状态识别恰恰依赖原始的光照和纹理信息。比如结冰的镜面反光在自动曝光调整后可能被压掉湿滑的水膜纹理在降噪后消失。我做过对比实验同一批图一组用原始图一组做直方图均衡化后训练原始图组的结冰召回率高 8 个百分点。原因是均衡化把冰面的高光区域拉平了模型反而学不到「镜面反射」这个关键特征。但原始图也有代价夜间和逆光场景的图片质量很差标注时容易漏标。我的做法是保留原始图但在训练时用 YOLOv8 的 HSV 增强来模拟不同光照而不是在数据层面做预处理。2.3 标注格式与 YOLOv8 目录结构对齐YOLOv8 的标注格式是每张图对应一个.txt文件每行class_id x_center y_center width height坐标归一化到 0-1。数据集目录结构应该是dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yamldata.yaml内容path: ./dataset train: images/train val: images/val test: images/test nc: 4 names: 0: ice 1: snow 2: wet 3: dry类别顺序建议按危险程度排结冰 雪地 湿滑 干燥。这样在推理时取argmax后类别 ID 越小越危险方便做分级预警。注意如果数据集里有的图没有对应.txtYOLOv8 会直接报错跳过。训练前用脚本检查一遍 images 和 labels 的文件名是否一一对应。3. 用 YOLOv8 在本地跑通四类路面训练的最小流程环境配置这块网上教程很多我不重复造轮子。重点讲路面数据集特有的坑类别不平衡、小目标远处路面、以及验证集怎么选才能反映真实场景。3.1 环境安装与数据集校验脚本先装 ultralyticspip install ultralytics然后写一个校验脚本检查图片和标签是否配对、标签格式是否合法import os from pathlib import Path def validate_dataset(root): img_dir Path(root) / images lbl_dir Path(root) / labels issues [] for split in [train, val, test]: imgs set(p.stem for p in (img_dir/split).glob(*.jpg)) lbls set(p.stem for p in (lbl_dir/split).glob(*.txt)) # 图片无标签 for name in imgs - lbls: issues.append(fmissing label: {split}/{name}) # 标签无图片 for name in lbls - imgs: issues.append(fmissing image: {split}/{name}) # 检查标签格式 for lbl in (lbl_dir/split).glob(*.txt): with open(lbl) as f: for i, line in enumerate(f): parts line.strip().split() if len(parts) ! 5: issues.append(fbad format: {lbl}:{i1}) continue cls, x, y, w, h parts if not (0 float(x) 1 and 0 float(y) 1): issues.append(fcoord out of range: {lbl}:{i1}) if int(cls) not in [0, 1, 2, 3]: issues.append(fbad class: {lbl}:{i1}) print(f共发现 {len(issues)} 个问题) for issue in issues[:20]: print(issue) return issues validate_dataset(./dataset)这个脚本做三件事检查图片和标签文件名是否一一对应、检查每行标签是否是 5 个字段、检查坐标是否在 0-1 范围内。路面数据集常见的问题是标注工具导出的坐标没归一化或者类别 ID 从 1 开始而不是 0。3.2 训练参数怎么设从 gtx1660ti 到 rk3588 的取舍训练命令yolo detect train \ data./dataset/data.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ device0 \ patience20 \ lr00.01 \ augmentTrue \ hsv_h0.015 \ hsv_s0.7 \ hsv_v0.4 \ nameroad_surface参数逐个说modelyolov8n.pt路面状态分类对细节要求高但 n 版本在 640 分辨率下够用。如果部署到 RK3588n 版本推理速度能到 30fps 以上用 s 版本会掉到 15fps 左右。imgsz640路面状态的特征尺度比较大整片路面不需要 1280。但如果是远处路面小目标可以试 960。batch16gtx1660ti 的 6G 显存640 分辨率下 batch16 刚好跑满。如果 OOM 就降到 8。patience20路面数据集容易过拟合早停设 20 轮比较稳。hsv_h0.015, hsv_s0.7, hsv_v0.4HSV 增强对路面状态很关键。色相微调模拟不同光照饱和度增强模拟雨天色彩变化亮度增强模拟昼夜差异。但hsv_h别设太大否则会把干燥路面的暖色调成湿滑的冷色。提示如果训练集里四类样本数量差异超过 3:1在data.yaml里加cls_weights或者用fraction参数做欠采样。结冰样本通常最少但最重要不能让它被淹没。3.3 训练过程监控与损失曲线判读训练启动后用 TensorBoard 看损失曲线tensorboard --logdir runs/detect/road_surface重点看三条线train/box_loss、train/cls_loss、val/cls_loss。路面状态分类的典型问题是cls_loss震荡不收敛原因通常是标注边界模糊——同一张图里湿滑和干燥的过渡区域不同标注员标的不一样。如果val/cls_loss在 30 轮后开始上升而train/cls_loss还在降就是过拟合。解决办法增加 HSV 增强强度、加dropout、或者减少模型参数量从 s 换回 n。我一般还会画混淆矩阵from ultralytics import YOLO model YOLO(runs/detect/road_surface/weights/best.pt) metrics model.val(data./dataset/data.yaml) print(metrics.confusion_matrix)看结冰和湿滑之间的误判率。如果这两个类别互相误判超过 15%说明标注边界有问题得回去重新定义判定规则。4. 路面状态识别的避坑与排查清单这个方向我踩过的坑比做过的项目还多挑几条最典型的。4.1 结冰和湿滑互相误判现象、原因、解决现象验证集上结冰的召回率只有 60%大部分被预测成湿滑。原因结冰和湿滑在阴天场景下视觉特征几乎一样——都是深色路面加反光。标注时如果只凭「有没有水」来分模型学到的就是颜色深浅而不是冰的镜面反射特征。解决在标注规则里强制要求结冰必须有「镜面倒影」或「冰裂纹」特征湿滑只能有「漫反射水膜」。同时训练时加mosaic0关闭马赛克增强因为马赛克会把不同图片的结冰和湿滑拼在一起进一步混淆边界。4.2 夜间图片标注漏标导致模型偏科现象白天场景准确率 90%夜间掉到 50% 以下。原因夜间图片本身少标注时因为看不清就只标了明显的雪地结冰和湿滑大量漏标。模型在夜间学到的就是「大部分路面是干燥」。解决夜间图片单独做一轮标注质检用亮度增强后的图辅助标注但训练时用原始图。另外在data.yaml里给夜间图片加weight参数提高采样概率。4.3 验证集选错导致指标虚高现象验证集 mAP 0.85实际路测只有 0.6。原因验证集是从训练集随机切分的同一路段、同一时段的图片同时出现在训练和验证里模型记住了场景而不是路面状态。解决按「路段 时段」切分验证集。比如用 A 路段的白天图训练用 B 路段的白天图验证再用 C 路段的夜间图测试。这样指标才反映真实泛化能力。4.4 部署到 RK3588 时的量化精度损失现象PyTorch 模型 mAP 0.82转成 RKNN 后掉到 0.65。原因路面状态分类依赖颜色和纹理的细微差异INT8 量化把 HSV 通道的精度压掉了。尤其是结冰的镜面高光量化后变成一片死白。解决转 RKNN 时用混合量化对检测头前面的层保持 FP16只对 backbone 做 INT8。或者直接用 YOLOv8n 的 FP16 模型RK3588 的 NPU 对 FP16 支持也不错速度只慢 20%。4.5 类别不平衡导致结冰类别被淹没现象训练完模型只会预测干燥和湿滑结冰和雪地几乎不输出。原因干燥路面样本占 60% 以上结冰不到 10%。YOLOv8 默认的损失函数对类别不平衡没有特殊处理。解决在data.yaml里加cls_pw参数或者用focal_loss替换默认的 BCE。更简单的做法是复制结冰样本到训练集里但要注意别复制验证集里的图。5. 从训练到落地验证模型是否真的能识别结冰路面训练完拿到best.pt只是第一步真正要回答的问题是这个模型在真实雨雪天气里能不能用。我一般做三层验证。5.1 用混淆矩阵和 PR 曲线定位薄弱类别先跑model.val()拿到混淆矩阵重点看结冰那一行。如果结冰的召回率低于 70%这个模型就不能直接上预警系统——漏报结冰比误报湿滑危险得多。PR 曲线看每个类别的 APfrom ultralytics import YOLO model YOLO(best.pt) metrics model.val(data./dataset/data.yaml, plotsTrue) # 输出每个类别的 AP for i, name in enumerate([ice, snow, wet, dry]): print(f{name}: AP{metrics.box.ap[i]:.3f})如果结冰的 AP 明显低于其他三类说明标注规则或者增强策略有问题得回去调。5.2 用真实路测视频做帧级验证找一段真实的行车记录仪视频最好是包含结冰、雪地、湿滑、干燥四种路面的连续片段。用模型逐帧推理然后人工看误判集中在哪些帧。我一般会写一个简单的推理脚本import cv2 from ultralytics import YOLO model YOLO(best.pt) cap cv2.VideoCapture(test_road.mp4) fps cap.get(cv2.CAP_PROP_FPS) frame_id 0 while cap.isOpened(): ret, frame cap.read() if not ret: break if frame_id % int(fps) 0: # 每秒抽一帧 results model(frame, imgsz640, conf0.5) for r in results: for box in r.boxes: cls int(box.cls) conf float(box.conf) print(fframe {frame_id}: class{cls}, conf{conf:.2f}) frame_id 1 cap.release()重点看连续帧之间的类别跳变。如果模型在结冰和湿滑之间反复横跳说明置信度阈值设低了或者模型本身没学好边界。我一般会把conf从 0.5 提到 0.7牺牲召回换稳定。5.3 部署前的量化与速度测试如果目标是 RK3588转 RKNN 之前先在 PC 上测 FP16 的速度yolo export modelbest.pt formatonnx halfTrue然后用 ONNX Runtime 测推理时间。640 分辨率下YOLOv8n FP16 在 gtx1660ti 上大概 8ms转 RKNN INT8 后能到 15ms 左右NPU 调度有开销。如果要求 30fps 以上建议用 320 分辨率但结冰的镜面特征在 320 下会丢失需要重新评估。注意RK3588 的 RKNN 工具链对 YOLOv8 的支持在持续更新转模型时用最新版的rknn-toolkit2。旧版本对SiLU激活函数的量化支持有问题会导致精度大幅下降。最后说个血泪教训我最早做这个方向时花了两个月标了 5000 张图训练完 mAP 0.88结果冬天实车测试发现模型把「湿滑的黑色沥青」全判成结冰预警系统疯狂误报。后来才发现是标注时把「深色湿滑」和「结冰」的边界定错了。重新定义规则后只用了 3000 张图就做到了 0.85 的 mAP实车误报率降到 5% 以下。数据集的标注规则比数据量重要得多希望帮到你。本文还有配套的精品资源点击获取