高分辨率建筑物外立面损伤检测数据集
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/444af3d34853f91a23eae2e8aa9a1812.png)

4673张，yolo，voc，coco三种标注方式
图像尺寸:1080*1920
类别数量:3类![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/8b0bcaa18600979fb6b771d9e8793983.png)

训练集图像数量:3361; 验证集图像数量:894； 测试集图像数量:418
类别名称: 每一类图像数 ，每一类标注数![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/e65e7a90af84a7923825911d677903e0.png)

Marks — 标记涂鸦: 564, 1441

Damaged facade finish — 受损外墙饰面: 358, 945

Damaged window — 受损窗户: 31, 61
image num: 4673

# 高分辨率建筑物外立面损伤检测数据集

## 数据集总信息表

| 项目 | 详情 |
| ---- | ---- |
| 数据集名称 | 高分辨率建筑物外立面损伤检测数据集 |
| 图像总量 | 4673 张 |
| 图像尺寸 | 1080×1920 |
| 标注格式 | YOLO、VOC、COCO 三种标注 |
| 任务类型 | 目标检测 |
| 类别数量 | 3 类 |
| 训练集 | 3361 张 |
| 验证集 | 894 张 |
| 测试集 | 418 张 |

## 类别分布表

| 类别名称 | 类别说明 | 图像数量 | 标注数量 |
| ---- | ---- | ---- | ---- |
| Marks | 标记、涂鸦 | 564 | 1441 |
| Damaged facade finish | 受损外墙饰面 | 358 | 945 |
| Damaged window | 受损窗户 | 31 | 61 |

## 标签说明

| 标签 | 含义 | 检测重点 |
| ---- | ---- | ---- |
| 0 | Marks | 墙面上的标记、涂鸦、乱涂画区域 |
| 1 | Damaged facade finish | 外墙饰面破损、剥落、开裂、空鼓等区域 |
| 2 | Damaged window | 窗户破损、玻璃裂纹、窗框变形等区域 |

## 数据集特点

1. 面向建筑物外立面自动化巡检，适合无人机巡检、街景图像检测和智能运维场景。
2. 图像分辨率较高，适合观察墙面纹理、裂缝、饰面脱落和窗户损伤细节。
3. 类别数量不均衡：`Marks` 和 `Damaged facade finish` 较多，`Damaged window` 较少，训练时需重点关注小样本类召回。
4. 目标以外墙局部缺陷为主，适合目标检测算法定位与识别。
5. 可扩展到缺陷分级、缺陷分割和建筑物健康度评估任务。

## 应用场景

1. 建筑物外立面智能巡检与缺陷识别
2. 无人机航拍墙面损伤检测
3. 城市街景建筑质量评估
4. 老旧小区、商业楼宇安全隐患排查
5. 建筑维护与运维管理系统

## YOLOv11 训练代码

### 1. dataset.yaml

```yaml
path: ./building_facade_defect
train: images/train
val: images/val
test: images/test

names:
  0: Marks
  1: Damaged facade finish
  2: Damaged window
```

### 2. train.py

```python
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO("yolo11s.pt")

    results = model.train(
        data="dataset.yaml",
        epochs=120,
        imgsz=960,
        batch=8,
        device=0,
        workers=0,
        patience=15,
        save=True,
        # 针对高分辨率墙面缺陷，适当关闭过大的变形增强
        mosaic=0.8,
        fliplr=0.5,
        flipud=0.0,
        hsv_h=0.015,
        hsv_s=0.5,
        hsv_v=0.3,
    )

    model.val()
```

### 3. predict.py

```python
from ultralytics import YOLO

model = YOLO("runs/detect/train/weights/best.pt")
results = model("test_facade.jpg", save=True, conf=0.3)

for r in results:
    r.show()
```



4673张，yolo，voc，coco三种标注方式图像尺寸:1080*1920类别数量:3类

高分辨率建筑物外立面损伤检测数据集

人工智能

客户端

新闻资讯

高分辨率建筑物外立面损伤检测数据集，包含4673张1080×1920图像，提供YOLO、VOC、COCO三种标注格式。覆盖标记涂鸦、受损外墙饰面、受损窗户3类目标，训练集3361张、验证集894张、测试集418张。适用于无人机巡检、街景检测和建筑智能运维，支持缺陷定位、分级及建筑物健康评估。

代码解释

YOLO

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

高分辨率建筑物外立面损伤检测数据集-腾讯云开发者社区-腾讯云

高分辨率建筑物外立面损伤检测数据集

高分辨率建筑物外立面损伤检测数据集

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐