闪存空间与设备性能：为何清理存储能提升响应速度？
2026/5/13 6:20:07
1
1
1
1
1
1
1
1
1
📊 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 Set） | 5917 张（占比 88%） |
| - 验证集（Valid Set） | 792 张（占比 12%） |
| - 测试集（Test Set） | 0 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
- 可导出为YOLOv8 分割格式（
📁 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 YOLOv8）
train:./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：
model=YOLO('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_id=0 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model=YOLO('yolov8s-seg.pt')# 可选: yolov8n-seg, yolov8m-seg, yolov8l-seg# 开始训练results=model.train(data='dataset.yaml',# 数据配置文件epochs=100,# 训练轮数imgsz=640,# 输入图像尺寸（可设为 1280 提升精度）batch=16,# 批次大小（根据 GPU 显存调整）name='landslide_seg_v8s',# 实验名称optimizer='AdamW',lr0=0.001,weight_decay=0.0005,hsv_h=0.015,# 色调增强hsv_s=0.7,hsv_v=0.4,degrees=10.0,# 旋转translate=0.1,scale=0.5,fliplr=0.5,# 左右翻转mosaic=0.8,# Mosaic 增强（对小目标有效）mixup=0.2,copy_paste=0.3,# Copy-Paste 增强（强烈推荐用于分割！）close_mosaic=10,# 最后10轮关闭 Mosaicdevice=0,# GPU 编号，'cpu' 表示使用 CPUworkers=4,save=True,save_period=10,exist_ok=False,verbose=True)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model=YOLO('runs/segment/landslide_seg_v8s/weights/best.pt')defdetect_image(image_path,conf_thres=0.3):results=model(image_path,conf=conf_thres)# 绘制带掩码的检测结果annotated=results[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 model=YOLO('runs/segment/landslide_seg_v8s/weights/best.pt')metrics=model.val(data='dataset.yaml',split='val')print(f"mAP@0.5 (Box):{metrics.box.map50:.4f}")print(f"mAP@0.5 (Mask):{metrics.seg.map50:.4f}")# 关键指标！print(f"mAP@0.5:0.95 (Mask):{metrics.seg.map:.4f}")print(f"Precision (Mask):{metrics.seg.mp:.4f}")print(f"Recall (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 | imgsz=1280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letterbox（YOLO 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）