企业官网建设流程全解析

智慧工地巡检-混凝土裂缝数据集(有v5/v8/v11/v13/v26模型)/YOLO混凝土裂缝检测」

数据类型：多场景影像（建筑外立面固定监测图、无人机巡检图、便携式高清检测图、多源融合监测图）

场景覆盖：高层建筑、桥梁、地下建筑、厂房、路面、大坝等，含涂料覆盖、灰尘附着、弱光、高湿度等复杂环境样本

目标类别：专注Crack（混凝土裂纹）单一核心类别，标注裂纹长度、宽度、深度等关键参数，区分不同形态裂纹（横向/纵向/网状）
数据集划分详情：总张数：11216，训练集：10551，验证集：392，测试集：2273

混凝土裂缝检测数据集（表格 + YOLOv8/v11/v13 完整训练代码）

一、数据集完整信息表

二、类别说明

三、数据集配置文件crack.yaml

train:./images/trainval:./images/valtest:./images/testnc:1names:['Crack']

四、一键环境安装

conda create-ncrackpython=3.10conda activate crack pipinstalltorch torchvision --index-url https://download.pytorch.org/whl/cu118 pipinstallultralytics opencv-python pillow tqdm

五、YOLOv8 训练代码（可直接运行）

train.py

fromultralyticsimportYOLOimporttorch# ===================== 训练配置 =====================DATA_YAML="crack.yaml"MODEL="yolov8s.pt"# 可换：yolov11s.pt / yolov13s.ptEPOCHS=150BATCH=16IMGSZ=640DEVICE=0iftorch.cuda.is_available()else"cpu"# ===================== 开始训练 =====================model=YOLO(MODEL)model.train(data=DATA_YAML,epochs=EPOCHS,batch=BATCH,imgsz=IMGSZ,device=DEVICE,workers=8,project="crack_detection",name="yolov8_crack",exist_ok=True,patience=20,optimizer="AdamW",lr0=0.001,augment=True,mixup=0.1,mosaic=1.0,close_mosaic=15,single_cls=True,plots=True)print("✅ 混凝土裂缝模型训练完成！")print("最优模型：crack_detection/yolov8_crack/weights/best.pt")

六、推理检测代码

detect.py

fromultralyticsimportYOLO# 加载模型model=YOLO("crack_detection/yolov8_crack/weights/best.pt")# 检测：图片 / 视频 / 摄像头 / 文件夹results=model.predict(source="test.jpg",conf=0.25,iou=0.45,save=True,show=True,imgsz=640)# 输出裂缝数量forrinresults:print(f"检测到裂缝数量：{len(r.boxes)}")

七、模型评估代码

val.py

fromultralyticsimportYOLO model=YOLO("crack_detection/yolov8_crack/weights/best.pt")metrics=model.val(data="crack.yaml",imgsz=640,batch=16,conf=0.001,iou=0.6,plots=True)print("="*60)print("📊 混凝土裂缝检测模型评估")print(f"mAP@0.5:{metrics.box.map50:.4f}")print(f"mAP@0.5:0.95:{metrics.box.map:.4f}")print(f"精确率:{metrics.box.precision.mean():.4f}")print(f"召回率:{metrics.box.recall.mean():.4f}")print("="*60)

运行说明

1. 数据集结构：images/train、val、test+labels/train、val、test
2. 新建crack.yaml
3. 运行train.py训练
4. 运行detect.py检测
5. 运行val.py查看精度