简介这份资源面向计算机视觉研究者、桥梁监测工程师及目标检测学习者提供跨江桥梁路面病害与道路资产标定的专用数据集用于训练裂缝、破损、积水等病害及桥墩、拉索、桥面等结构元素的识别模型弥补通用数据集在桥梁场景下的适配不足。压缩包共1718个文件以860张jpg图像和858个Labelme生成的json标注文件为主图像用于模型输入json提供像素级边界框与类别信息可直接用于YOLO、Faster R-CNN、Mask R-CNN等模型的训练、验证与测试划分。资源包大小约344.46MB已有2458人学习下载适合开展预防性维护与基础设施资产管理相关实验。借助该数据集读者可完成从标注解析、模型训练到性能评估的完整流程并针对桥梁特定场景进行超参数调优与泛化能力验证为实际部署提供可靠的数据基础。1. 跨江桥梁病害数据集为什么通用目标检测模型一上桥就翻车跨江大桥的定期巡检是典型的「人工爬索、肉眼找缝、手写记录」场景。一座主跨千米级的斜拉桥全桥箱梁内壁、桥面铺装、伸缩缝、支座、拉索锚头加起来需要拍摄的构件面数以万计。巡检班组一天走下来能覆盖的里程有限回到办公室还要把照片按桩号、构件编号归档再逐张判断是裂缝、露筋、剥落还是渗水。这套流程最大的问题不是累而是不可复现同一个病害不同的人、不同的光照、不同的角度判出来的等级可能差一级。目标检测 人工智能这套组合拳落到桥梁场景核心要解决两件事一是病害检测裂缝、剥落、露筋、渗水、蜂窝麻面二是道路资产标定伸缩缝、支座、泄水孔、标志牌、护栏、拉索锚头这些构件的定位与编号。这两件事共用一套标注体系但检测头的设计目标并不一样——病害是「找异常」资产是「认固定件」。很多团队直接拿 COCO 预训练的 YOLO 权重硬上结果裂缝召回率惨不忍睹原因很简单裂缝在整图里可能只占几十个像素宽长宽比极端通用 anchor 根本框不住。这篇笔记面向的是手里有桥梁巡检影像、想自己训一版可用模型的工程师或者正在评估「跨江桥梁路面病害和道路资产标定数据集」值不值得投入的团队。我会把数据组织、标注规范、训练参数、评估口径和踩过的坑按可复现的顺序讲清楚。数据集本身不是万能药标注口径不统一再大的数据集也是噪声。下面从数据怎么攒、怎么标、怎么训、怎么验一层层拆。2. 桥梁病害与资产数据集从采集到标注的完整链路2.1 采集端跨江桥梁影像的四个硬约束跨江桥梁的影像采集和普通道路巡检差别很大先把这个前提说清楚后面标注和训练才不会跑偏。第一是距离跨度大。桥面铺装病害可以用车载相机在 2~5 米距离拍但拉索锚头、支座、箱梁内壁这些位置人得贴着构件拍距离在 0.3~1 米。同一批数据里尺度差异能到两个数量级直接喂给模型小目标会被大目标的梯度淹没。第二是光照不可控。箱梁内部是人工补光桥面是自然光江面反光还会在铺装上形成高亮带。裂缝在逆光下几乎不可见在侧光下对比度又极高。采集时如果只挑好天气模型一到阴天就废。第三是构件编号必须同步记录。资产标定的价值在于「这个支座在哪个墩、哪个方向」如果照片没有桩号和构件编号检测框再多也没法归档。常见做法是采集时用带 GPS 和里程的打点器或者人工在每张照片的 EXIF 里写编号。第四是病害等级要现场初判。裂缝宽度 0.2mm 和 0.5mm 在图像上可能只差一两个像素后期标注员很难判断。现场用裂缝宽度观测仪量一下把等级写进文件名或单独的 CSV标注时才有依据。提示采集阶段就把「桩号-构件类型-构件编号-病害初判等级」四列记进一张表后期标注和评估都靠它对齐别等到训练完才发现标签对不上。2.2 标注规范病害框和资产框不能用同一套规则这是最容易翻车的地方。很多团队把病害和资产混在一个类别列表里用同一套画框规则结果模型学出来的框既不像病害也不像资产。病害框的规则我一般这样定裂缝沿裂缝走向画旋转框或多段折线框不要用一个水平矩形硬套。如果标注工具只支持水平框就把长裂缝拆成多段每段长宽比控制在 5:1 以内。剥落、露筋、渗水用水平矩形框住整个区域允许框内包含少量背景。蜂窝麻面区域框边界按可见范围画不要求像素级贴合。资产框的规则支座、伸缩缝、泄水孔、标志牌水平矩形框住构件外轮廓不包含相邻构件。拉索锚头圆形或矩形均可但要统一同一批数据不能混。护栏按段标注每段长度建议 2~5 米太长了框会飘。类别命名建议用英文小写加下划线避免中文路径在训练脚本里出编码问题。一个可用的类别表如下类别名中文框类型典型尺寸(px)crack裂缝旋转/多段20×200 ~ 5×800spalling剥落水平矩形80×80 ~ 400×300exposed_rebar露筋水平矩形60×60 ~ 300×200seepage渗水水平矩形100×100 ~ 500×400bearing支座水平矩形60×60 ~ 200×150expansion_joint伸缩缝水平矩形200×40 ~ 800×80drain泄水孔水平矩形30×30 ~ 80×80sign标志牌水平矩形100×100 ~ 400×4002.3 从原始影像到 YOLO 格式转换脚本与四个边界坑标注工具导出的一般是 COCO JSON 或 Pascal VOC XML训练 YOLO 系列需要转成images/labels/的 txt 格式。下面这个脚本处理 COCO 转 YOLO包含旋转框降级为水平外接框的逻辑。import json import os from pathlib import Path # 类别映射顺序必须和训练时的 data.yaml 一致 CLASS_MAP { crack: 0, spalling: 1, exposed_rebar: 2, seepage: 3, bearing: 4, expansion_joint: 5, drain: 6, sign: 7 } def coco_to_yolo(coco_json, img_dir, out_label_dir): with open(coco_json, r, encodingutf-8) as f: data json.load(f) # 建立 image_id - 文件信息 的索引 img_info {img[id]: img for img in data[images]} # 按 image_id 聚合标注 ann_by_img {} for ann in data[annotations]: ann_by_img.setdefault(ann[image_id], []).append(ann) os.makedirs(out_label_dir, exist_okTrue) for img_id, anns in ann_by_img.items(): info img_info[img_id] w, h info[width], info[height] fname Path(info[file_name]).stem lines [] for ann in anns: cat ann[category_id] # COCO 的 category_id 从 1 开始这里减 1 对齐 CLASS_MAP cls_name [k for k, v in CLASS_MAP.items() if v cat - 1] if not cls_name: continue cls_id CLASS_MAP[cls_name[0]] x, y, bw, bh ann[bbox] # 边界裁剪防止标注越界导致归一化后为负 x max(0, min(x, w - 1)) y max(0, min(y, h - 1)) bw min(bw, w - x) bh min(bh, h - y) cx (x bw / 2) / w cy (y bh / 2) / h nw bw / w nh bh / h lines.append(f{cls_id} {cx:.6f} {cy:.6f} {nw:.6f} {nh:.6f}) with open(os.path.join(out_label_dir, fname .txt), w) as f: f.write(\n.join(lines)) if __name__ __main__: coco_to_yolo(annotations.json, images, labels)逻辑说明脚本先按image_id把标注聚合再逐张图把 COCO 的[x, y, w, h]转成 YOLO 的[cx, cy, nw, nh]归一化格式。参数上CLASS_MAP的顺序必须和data.yaml里的names完全一致差一位模型就全学错。边界裁剪那几行是血泪经验——标注员偶尔会把框拖出图像边界不裁剪的话归一化后出现负值训练时 loss 直接 NaN。四个边界坑category_id 偏移COCO 从 1 开始YOLO 从 0 开始忘了减 1 是最常见的低级错误。文件名带空格或中文YOLO 的 dataloader 在某些版本下会读不到统一改成英文数字下划线。空标注图没有病害的图也要生成空 txt否则训练时正负样本比例失真。旋转框降级如果原始标注是旋转框转水平框后长裂缝会引入大量背景建议对crack类单独做多段拆分。2.4 数据集划分别用随机划分按桥梁和构件分层随机划分在桥梁场景是灾难。同一座桥、同一个构件在不同光照下拍的多张图如果被随机分到训练集和验证集验证指标会虚高模型其实只是记住了这座桥的外观。我一般按「桥梁 → 构件类型 → 拍摄批次」三层分层划分训练:验证:测试 7:1.5:1.5。测试集里必须包含至少一座训练时完全没见过的桥这样才能反映跨桥泛化能力。如果数据量实在少至少保证测试集里的构件编号不出现在训练集。# 目录结构建议 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: 8 names: [crack, spalling, exposed_rebar, seepage, bearing, expansion_joint, drain, sign]注意nc和names的长度必须一致类别顺序和转换脚本里的CLASS_MAP必须一致这三处任何一处对不上训练能跑但结果全错。3. 训练参数怎么设YOLOv8 在桥梁病害数据上的调参实录3.1 基线选择为什么从 YOLOv8s 起步而不是 n 或 x桥梁病害数据的特点是小目标多、长宽比极端、类别不均衡。YOLOv8n 参数量太小裂缝这种细长目标在深层特征图上几乎消失YOLOv8x 参数量大但桥梁数据集通常只有几千到几万张过拟合风险高训练一轮要很久调参迭代慢。YOLOv8s 是我常用的起点参数量约 11M在单张 24G 显存卡上 batch16、imgsz640 能跑满。先用它把流程跑通看 mAP 和各类召回再决定要不要换更大的模型或者加数据。如果裂缝召回始终上不去优先考虑的不是换模型而是提高输入分辨率。裂缝在 640 下可能只有 2~3 个像素宽提到 1024 或 1280召回能明显改善代价是显存和推理时间。3.2 关键参数逐项说明imgsz、anchor、loss 权重yolo detect train \ datadataset/data.yaml \ modelyolov8s.pt \ epochs200 \ imgsz1024 \ batch8 \ lr00.01 \ lrf0.01 \ momentum0.937 \ weight_decay0.0005 \ warmup_epochs3 \ box7.5 \ cls0.5 \ dfl1.5 \ hsv_h0.015 \ hsv_s0.7 \ hsv_v0.4 \ degrees10.0 \ translate0.1 \ scale0.5 \ fliplr0.5 \ mosaic1.0 \ mixup0.1 \ patience50 \ projectruns/bridge \ nameyolov8s_1024逐项说明imgsz1024桥梁小目标多640 不够用。显存不够就降到 896别硬撑。batch81024 分辨率下 24G 卡大概能到 8~12按显存调。lr00.01YOLOv8 默认值数据量小于 5000 张时可以降到 0.005更稳。box7.5框回归 loss 权重。裂缝框难回归可以提到 8.0~9.0但太高会让分类崩。cls0.5分类 loss 权重。类别不均衡时不要盲目调高先看每类样本数。degrees10.0旋转增强。桥梁构件方向相对固定旋转幅度别太大否则支座这种有方向性的构件会学歪。mosaic1.0马赛克增强对小目标有效但桥梁病害的上下文很重要裂缝在哪个构件上训练后期建议关掉用close_mosaic10。mixup0.1轻微 mixup 可以太高会让病害边界模糊。提示close_mosaic这个参数容易被忽略。最后 10 个 epoch 关掉 mosaic让模型在真实分布上收敛mAP 通常能涨 1~2 个点。3.3 类别不均衡处理裂缝样本少怎么办桥梁数据里剥落、渗水这类区域型病害样本多裂缝、露筋样本少比例可能到 10:1。直接训模型会偏向多数类。三种处理方式按优先级过采样少数类把裂缝图片复制多份配合不同的增强参数。简单粗暴但有效注意别复制到验证集。调整 loss 权重YOLOv8 不直接支持每类权重但可以通过自定义 dataloader 的 sampler 实现。改动大不推荐新手。focal loss替换默认的 BCE对难样本加权。YOLOv8 需要改源码适合有经验的团队。我一般先用过采样把比例压到 3:1 以内再看要不要动 loss。过采样时注意复制出来的图要用不同的增强种子否则等于没增。3.4 训练过程监控看哪些曲线什么时候该停训练不是跑完 200 epoch 就完事要看曲线决定什么时候停、要不要调。必看的几条metrics/mAP50-95主指标但桥梁场景更关注mAP50因为病害定位不要求像素级。train/box_loss和val/box_loss如果 train 降 val 升过拟合早停或加数据。metrics/precision和metrics/recall病害检测宁可误报不可漏报recall 优先。每类的 AP在runs/bridge/yolov8s_1024/下的results.csv里按类看。裂缝 AP 如果明显低于其他类单独处理。patience50表示 50 轮没提升就停。实际用下来桥梁数据一般 100~150 轮收敛再训就是浪费。4. 评估与部署mAP 之外必须看的三个指标4.1 按构件分层的召回率整体 mAP 会骗人整体 mAP 0.75 听起来不错但如果裂缝召回只有 0.4这个模型上桥就是漏检。评估时必须按构件类型和病害类型分层看。做法在验证集上跑推理把结果按桩号-构件类型分组算每组的召回和误报。支座这种固定件召回一般能到 0.9 以上裂缝能到 0.6 就算不错。分层之后才知道该补哪类数据。from ultralytics import YOLO import pandas as pd model YOLO(runs/bridge/yolov8s_1024/weights/best.pt) results model.val(datadataset/data.yaml, splittest) # 按类输出 AP for i, name in enumerate(results.names): print(f{name}: AP50{results.box.ap50[i]:.3f}, AP{results.box.ap[i]:.3f})逻辑说明results.box.ap50是每类在 IoU0.5 下的 APresults.box.ap是 0.5:0.95 的平均。桥梁场景重点看ap50ap作为参考。参数上splittest确保用的是没参与训练和调参的测试集。4.2 误报的代价支座和泄水孔为什么容易误检支座和泄水孔在图像上都是小矩形纹理相似模型容易混。误报的代价是巡检员要逐条核对多了就没人用了。降低误报的常见做法在训练集里加入负样本没有支座的桥墩图、没有泄水孔的桥面图让模型学会「这里不该有」。提高置信度阈值默认 0.25 太低支座类可以提到 0.5裂缝类保持 0.25。后处理加位置约束支座一般成排出现泄水孔沿桥面边缘分布可以用简单的规则过滤孤立框。4.3 部署到巡检终端模型大小和推理速度的平衡巡检终端一般是加固平板或笔记本算力有限。YOLOv8s 在 1024 分辨率下CPU 推理一张要 1~2 秒GPU 能到 50ms 以内。如果终端没 GPU考虑导出 ONNX 或 TensorRT或者降到 640 分辨率用 YOLOv8n。导出命令yolo export modelruns/bridge/yolov8s_1024/weights/best.pt formatonnx imgsz1024导出后可以用 ONNXRuntime 在终端上跑速度比 PyTorch 快 2~3 倍。注意导出时的imgsz要和训练一致否则精度掉得厉害。5. 避坑与排查桥梁数据集训练中最容易翻车的五件事5.1 现象训练 loss 正常下降但验证 mAP 一直是 0原因最常见的是data.yaml里的names顺序和标注转换时的CLASS_MAP不一致模型学的是错位的类别。其次是验证集路径写错实际加载的是空图。解决先打印data.yaml和转换脚本的类别映射逐行对齐。再用yolo detect val单独跑验证集看results.csv里的val/box_loss是否有值。如果 loss 有值但 mAP 为 0基本是类别错位。5.2 现象裂缝召回率极低其他类正常原因裂缝在 640 分辨率下太细特征图上下采样后信息丢失。或者标注时裂缝框画得太松框内大部分是背景模型学不到有效特征。解决提高imgsz到 1024 或 1280检查裂缝标注把长裂缝拆成多段每段长宽比不超过 5:1对裂缝类做过采样。5.3 现象模型在训练集上表现好换一座桥就崩原因数据划分时没按桥梁分层训练集和测试集来自同一座桥模型记住了桥的背景而不是病害本身。解决重新按桥梁划分测试集必须包含没见过的桥。如果数据量不够至少保证测试集的构件编号不出现在训练集。增强里加入更强的颜色抖动和亮度变化提升跨桥泛化。5.4 现象推理时同一张图多次运行结果不一致原因推理时没设conf和iou阈值或者用了默认的随机增强。YOLO 推理默认不做增强但如果代码里开了augmentTrue结果会随机。解决推理时显式设conf0.25, iou0.45, augmentFalse。部署到终端时把这两个阈值写进配置文件别用默认值。5.5 现象训练到一半 loss 突然变 NaN原因标注框越界导致归一化后出现负值或大于 1 的值或者学习率太高梯度爆炸。解决在转换脚本里加边界裁剪见 2.3 的代码把lr0降到 0.005加warmup_epochs5。如果已经 NaN从上一个 checkpoint 恢复别从头训。6. 把病害检测和资产标定串成一条流水线一个可复用的后处理技巧训练出模型只是第一步真正上桥用的是「检测 → 归档 → 出报告」这条流水线。这里分享一个我用了很久的后处理技巧用构件编号做空间约束把病害框自动挂到资产框上。思路很简单资产检测模型先跑一遍得到支座、伸缩缝、泄水孔的位置和编号病害检测模型再跑一遍得到裂缝、剥落的位置。然后按 IoU 或中心点距离把每个病害框分配给最近的资产框。这样输出的报告就是「3 号墩左幅支座附近发现一条 0.3mm 裂缝」而不是一堆孤立的框。def assign_defect_to_asset(defect_boxes, asset_boxes, iou_thr0.1): defect_boxes: list of [x1, y1, x2, y2, cls, conf] asset_boxes: list of [x1, y1, x2, y2, asset_id] 返回: {asset_id: [defect, ...]} def iou(a, b): ix1, iy1 max(a[0], b[0]), max(a[1], b[1]) ix2, iy2 min(a[2], b[2]), min(a[3], b[3]) iw, ih max(0, ix2 - ix1), max(0, iy2 - iy1) inter iw * ih area_a (a[2] - a[0]) * (a[3] - a[1]) area_b (b[2] - b[0]) * (b[3] - b[1]) return inter / (area_a area_b - inter 1e-6) result {a[4]: [] for a in asset_boxes} for d in defect_boxes: best_iou, best_asset 0, None for a in asset_boxes: v iou(d, a) if v best_iou: best_iou, best_asset v, a[4] if best_iou iou_thr: result[best_asset].append(d) else: # 没挂上的病害放到 unassigned人工复核 result.setdefault(unassigned, []).append(d) return result逻辑说明iou_thr0.1是个宽松阈值因为病害和资产不一定重叠只要靠近就算关联。实际用的时候如果资产框有编号信息直接按编号归档没有编号的按桩号排序后人工补。unassigned那一类很重要它把模型没把握的病害单独拎出来避免漏检被淹没在结果里。参数上iou_thr可以按构件类型调支座这种小构件0.05 就够伸缩缝这种长条构件可以到 0.2。别设太高否则病害全进unassigned等于没做关联。这套流水线跑通之后巡检员拿到的不是一堆框而是一张按构件组织的病害清单。模型召回率不用追求 100%因为unassigned会兜底人工只需要复核这一小部分。我自己的习惯是每次上桥前先用历史数据跑一遍回归测试看unassigned的比例有没有异常升高升高了就说明模型或数据出了问题先排查再出工。希望帮到你。本文还有配套的精品资源点击获取