企业官网建设流程全解析

网站运营与管理实验报告,网站制作在哪能看,潍坊专业技术人员服务平台,固定在网站底部111111111#x1f4ca; 滑坡数据集核心信息表信息类别具体内容数据集名称滑坡实例分割数据集#xff08;Instance Segmentation Dataset#xff09;总图像数量6709 张标注格式实例分割#xff08;Instance Segmentation#xff09;#xff0c;支持 YOLO 或 Mask R-CNN 等…111111111 滑坡数据集核心信息表信息类别具体内容数据集名称滑坡实例分割数据集Instance Segmentation Dataset总图像数量6709 张标注格式实例分割Instance Segmentation支持 YOLO 或 Mask R-CNN 等模型标注方式多边形Polygon标注用于精确勾勒滑坡区域边界图像分辨率统一预处理为640×640原始尺寸可能不同已拉伸至该大小数据集划分已自动划分未设置测试集- 训练集Train Set5917 张占比 88%- 验证集Valid Set792 张占比 12%- 测试集Test Set0 张尚未划分预处理操作✅ Auto-Orient自动定向✅ Resize: Stretch to 640×640拉伸至固定尺寸适用任务地质灾害检测、滑坡识别、遥感影像分析、智能预警系统典型场景山区道路、山坡、采石场、水库周边等易发滑坡区域 补充说明标注精度高使用多边形Polygon而非矩形框适合不规则滑坡区域。无测试集当前未划分测试集建议从验证集中分出 10%~15% 作为独立测试集以评估泛化能力。图像来源多为航拍或卫星遥感图像包含山体、植被、道路等复杂背景。可转换格式可导出为YOLOv8 分割格式.txt mask或转换为COCO 格式用于训练 Faster R-CNN / Mask R-CNN支持直接导入Ultralytics YOLOv8进行实例分割训练 推荐目录结构若导出为本地文件landslide_dataset/ ├── images/ │ ├── train/# 5917 张 .jpg│ └── val/# 792 张 .jpg├── labels/ │ ├── train/# 对应 .txt 文件含 mask 或 bbox│ └── val/ └── dataset.yaml 示例dataset.yaml适用于 YOLOv8train:./images/trainval:./images/valtest:./images/test# 可留空或后续补充nc:1names:[landslide]✅ 若为实例分割任务需使用YOLOv8-seg模型modelYOLO(yolov8s-seg.pt)YOLOv8 实例分割Instance Segmentation训练代码适用于您提到的滑坡、。✅ 一、前提条件数据集格式必须为YOLO 分割格式每张图对应一个.txt标签文件含归一化多边形坐标目录结构your_dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ # .txt 文件格式class_id x1 y1 x2 y2 ... xn yn │ └── val/ └── dataset.yaml安装依赖pipinstallultralytics opencv-python 二、dataset.yaml配置以滑坡为例# dataset.yamltrain:./images/trainval:./images/val# test: ./images/test # 可选nc:1# 类别数names:[landslide]# 类别名称与标签中的 class_id0 对应⚠️ 注意YOLO 分割标签中第一列为类别 ID后续为归一化的多边形顶点坐标x, y成对出现数量可变。示例labels/train/xxx.txt内容0 0.452 0.612 0.467 0.631 0.489 0.625 0.475 0.602 ... 三、YOLOv8 分割训练代码train_seg.py# train_seg.pyfromultralyticsimportYOLOdefmain():# 加载 YOLOv8 分割预训练模型modelYOLO(yolov8s-seg.pt)# 可选: yolov8n-seg, yolov8m-seg, yolov8l-seg# 开始训练resultsmodel.train(datadataset.yaml,# 数据配置文件epochs100,# 训练轮数imgsz640,# 输入图像尺寸可设为 1280 提升精度batch16,# 批次大小根据 GPU 显存调整namelandslide_seg_v8s,# 实验名称optimizerAdamW,lr00.001,weight_decay0.0005,hsv_h0.015,# 色调增强hsv_s0.7,hsv_v0.4,degrees10.0,# 旋转translate0.1,scale0.5,fliplr0.5,# 左右翻转mosaic0.8,# Mosaic 增强对小目标有效mixup0.2,copy_paste0.3,# Copy-Paste 增强强烈推荐用于分割close_mosaic10,# 最后10轮关闭 Mosaicdevice0,# GPU 编号cpu 表示使用 CPUworkers4,saveTrue,save_period10,exist_okFalse,verboseTrue)if__name____main__:main() 四、推理与可视化detect_seg.py# detect_seg.pyfromultralyticsimportYOLOimportcv2# 加载训练好的最佳分割模型modelYOLO(runs/segment/landslide_seg_v8s/weights/best.pt)defdetect_image(image_path,conf_thres0.3):resultsmodel(image_path,confconf_thres)# 绘制带掩码的检测结果annotatedresults[0].plot()# 自动叠加 mask bbox labelcv2.imshow(Segmentation Result,annotated)cv2.waitKey(0)cv2.destroyAllWindows()# 或保存# cv2.imwrite(output_seg.jpg, annotated)# 示例detect_image(test_landslide.jpg) 五、评估分割性能evaluate_seg.py# evaluate_seg.pyfromultralyticsimportYOLO modelYOLO(runs/segment/landslide_seg_v8s/weights/best.pt)metricsmodel.val(datadataset.yaml,splitval)print(fmAP0.5 (Box):{metrics.box.map50:.4f})print(fmAP0.5 (Mask):{metrics.seg.map50:.4f})# 关键指标print(fmAP0.5:0.95 (Mask):{metrics.seg.map:.4f})print(fPrecision (Mask):{metrics.seg.mp:.4f})print(fRecall (Mask):{metrics.seg.mr:.4f})✅重点关注metrics.seg.map50这是实例分割任务的核心评价指标。 六、关键技巧针对分割任务技巧说明启用copy_paste将目标从一张图“粘贴”到另一张极大提升稀疏目标如滑坡的泛化能力使用高分辨率imgsz1280可更好保留滑坡边界细节避免拉伸变形若原始图像比例差异大建议使用letterboxYOLO 默认而非 stretch检查标签格式确保.txt中坐标是归一化0~1且偶数个数值 七、输出结果说明训练完成后结果保存在runs/segment/landslide_seg_v8s/ ├── weights/best.pt # 最佳模型按 mAP50-mask 选择 ├── results.csv # 训练指标日志 ├── results.png # 损失 mAP 曲线图 └── val_batch0_labels.jpg # 验证集预测 vs 真实对比图含掩码 应用场景地质灾害监测滑坡、泥石流农业遥感作物分割、病害区域提取海上搜救落水人员轮廓分割城市规划建筑物、道路提取