企业官网建设流程全解析

简介：面向建筑安全检测与计算机视觉研究者的墙壁损伤缺陷分割数据集，以labelme标注格式提供，可用于训练和评估图像分割算法，实现剥落、锈蚀、裂缝等损伤的自动识别与分类。资源包共1个docx文件，约2.1MB，内含数据集说明与标注规范，7820张640×640像素jpg图片均配有对应json标注文件，采用多边形框精细描绘损伤区域，覆盖涂鸦、支座、潮湿斑迹、锈蚀、剥落、泛碱、空洞区域、风化、残留模板、空腔、外露钢筋、伸缩缝、裂缝、排水、活动裂缝、接头胶带、岩窝、防护设备、水侵蚀混凝土及物体共20个类别，其中锈蚀、剥落、空腔等类别标注量较为丰富。已有103人学习关注。读者可据此了解数据集结构、类别分布与标注规则，并自行将json转换为mask、yolo或coco格式，用于语义分割或实例分割实验，为建筑墙壁健康监测研究提供数据基础。

1. 建筑墙壁损伤缺陷分割数据集：7820 张图背后的“建筑病历本”到底长什么样

如果你第一次听到“建筑墙壁损伤缺陷分割数据集”这个词，大概率会以为它是一份检测报告，或者某个软件的名字。其实都不是。它更像一本被拆成 7820 页的“建筑病历本”：每一页是一张 640×640 的墙壁照片，旁边配一份 JSON 文件，用多边形把墙上的裂缝、锈蚀、剥落、泛碱一块块圈出来，并写上这属于哪一类毛病。这本“病历本”一共记录了 20 种损伤类别，从涂鸦、支座到外露钢筋、水侵蚀混凝土，覆盖了建筑外墙和结构表面常见的缺陷形态。

搞懂它的价值在于：过去判断一面墙有没有问题，靠的是老师傅拿手电筒一寸寸看，经验难复制、标准难统一。而有了这种带像素级标注的数据，算法就能学着“看图识病”，把人工巡检变成可批量、可复现的自动识别。对做计算机视觉的人来说，它是一份现成的分割训练素材；对建筑检测领域的人来说，它是一份把“墙面病害”翻译成机器能读的语言的样本集。下面就从它是什么、为什么这样设计、容易和什么搞混，一层层拆开讲。

2. 为什么是 labelme 格式：一份“只给原料不给成品”的数据集

2.1 labelme 格式到底存了什么

很多人下载完数据集，解压一看只有 jpg 和 json，没有常见的 mask 图片，第一反应是“是不是缺文件”。其实这正是 labelme 格式的特点：它不直接给你一张黑白掩膜图，而是把标注信息写进 JSON 里。每份 JSON 记录的是多边形顶点坐标、类别名称、图片路径这些原始信息，相当于把“画框的过程”保存了下来，而不是只保存“画完的结果”。

打个比方，mask 文件像是一张已经烤好的蛋糕，你只能看不能改配方；labelme 的 JSON 则像一份带步骤的食谱，面粉多少、糖多少、烤箱几分钟都写着，你随时可以调整。数据集明确说明“不包含 mask 文件，仅仅包含 jpg 图片和对应的 json 文件”，这不是偷工减料，而是把转换的自由度留给了使用者。你可以把它转成语义分割用的 mask，也可以转成 YOLO 或 COCO 格式做实例分割，路线自己选。

从标注工具看，这批数据用的是 labelme 5.5.0，标注方式是 polygon 多边形框，而不是简单的矩形框。多边形意味着标注者沿着损伤区域的实际轮廓描边，裂缝的细长走向、剥落的不规则边缘都能被贴合，这对分割任务比矩形框精细得多。图片统一为 640×640 分辨率，尺寸规整，省去了大量预处理时缩放裁剪的麻烦。

2.2 为什么类别设计得这么“细”

20 个类别乍看有点多，但拆开看是有层次的。有的描述材料劣化，比如 Rust（锈蚀）、Spalling（剥落）、Efflorescence（泛碱）、Weathering（风化）；有的描述结构异常，比如 Crack（裂缝）、ACrack（活动裂缝）、Hollowareas（空洞区域）、Cavity（空腔）、Rockpocket（岩窝）；还有的偏向附属设施或施工遗留，比如 Bearing（支座）、EJoint（伸缩缝）、Drainage（排水）、JTape（接头胶带）、Restformwork（残留模板）、PEquipment（防护设备）。这种细分不是为了凑数，而是因为不同缺陷的成因和处理方式差别很大，模型如果只能识别“墙坏了”，实用价值有限；能分清是锈胀引起的剥落还是泛碱引起的表面析出，才谈得上辅助判断。

类别数量分布也很能说明问题。Rust 的标注数达到 14665，Spalling 有 9849，Cavity 有 9222，这三类占了很大比重；而 object 只有 13 个，ACrack 只有 423 个，JTape 1076 个。这种长尾分布是真实场景的写照——锈蚀和剥落在老旧建筑上随处可见，活动裂缝和杂物的出现频率则低得多。使用时要意识到，样本少的类别训练难度天然更高，不能指望模型对每个类别都一视同仁地准。

提示：数据集本身不对训练出的模型精度或权重作任何保证，它提供的是“准确且合理的标注”，不是“开箱即用的检测器”。把它当成原料，而不是成品。

2.3 7820 张图意味着什么量级

7820 张 jpg 配 7820 份 json，数量上一一对应，没有漏标。这个规模在建筑缺陷分割里属于中等偏上：够用来训练一个中等复杂度的分割网络，也够做一次有说服力的对比实验，但还不至于大到需要分布式训练。640×640 的分辨率对分割任务是个务实的选择——再高会显著增加显存和标注成本，再低则裂缝这类细长目标容易糊成一片。

从使用角度看，这个量级适合做几件事：训练一个基线分割模型、验证某种数据增强策略对缺陷识别的效果、或者拿其中一部分做微调。它不适合直接当成“万能检测器”的充分条件，因为建筑场景的光照、材质、拍摄角度变化极大，单一数据集很难覆盖全部情况。理解这一点，比记住 7820 这个数字更重要。

3. 20 个类别怎么读：从“墙面病害”到“机器可读标签”

3.1 材料劣化类：锈蚀、剥落、泛碱、风化

这几类是墙面最直观的“病”。Rust 指钢筋或金属件锈蚀后在表面留下的锈迹和锈胀，标注数 14665，是全集最多的类别，说明它在样本里出现得极其频繁。Spalling 是剥落，混凝土表层成片掉渣，往往和锈胀、冻融有关，标注数 9849。Efflorescence 是泛碱，墙面析出白色盐霜，看着像发霉但不是，标注数 3956。Weathering 是风化，表面被日晒雨淋磨得粗糙变色，标注数 4621。

这四类容易在视觉上互相干扰：锈迹偏红褐，泛碱偏白，剥落有凹凸阴影，风化则是整体质感变化。模型要分清它们，靠的不是颜色单一特征，而是纹理和边界的组合。标注时用多边形沿实际区域描边，正好保留了这些边界信息，比矩形框更能体现“病斑”的形状。

3.2 结构异常类：裂缝、活动裂缝、空腔、空洞区域、岩窝

Crack 是普通裂缝，标注数 3612；ACrack 是活动裂缝，标注数 423，数量少但含义特殊——活动裂缝意味着它还在发展，对结构安全的提示更强。Hollowareas 是空洞区域，标注数 1538；Cavity 是空腔，标注数 9222，两者名字接近但标注量差很多，使用时要按数据集给出的定义来理解，不要自行合并。Rockpocket 是岩窝，标注数 616，属于混凝土浇筑或基层处理留下的凹坑。

裂缝类目标的特点是细长、对比度低，分割难度高。640×640 的分辨率下，一条细裂缝可能只占几个像素宽，多边形标注能否贴合走向，直接影响模型学到的边界质量。这也是为什么数据集强调“对类别进行画多边形框 polygon”——矩形框会把大量背景裹进去，细裂缝就学不准了。

3.3 附属与施工遗留类：支座、伸缩缝、排水、接头胶带、残留模板、防护设备

Bearing（支座）标注 1201，EJoint（伸缩缝）506，Drainage（排水）1649，JTape（接头胶带）1076，Restformwork（残留模板）1019，PEquipment（防护设备）1892。这些类别严格说不是“损伤”，而是墙面上的构件或施工痕迹。它们被纳入标注，是因为在真实巡检画面里，这些元素经常和缺陷混在一起，模型如果分不清“这是伸缩缝”和“这是裂缝”，就会误报。

举个具体场景：一条笔直的伸缩缝在照片里和一条直裂缝很像，但前者是设计预留，后者是病害。数据集把 EJoint 单独列类，就是让模型有机会学会区分。同理，接头胶带和残留模板属于施工遗留，容易被当成表面异物，单独成类能减少混淆。这类“非损伤类别”的存在，恰恰说明数据集的设计考虑了真实巡检的干扰因素，而不是只挑干净的病害样本。

3.4 长尾类别与 object 的定位

object 只有 13 个标注，是全集最少的类别，含义是“物体”，大概率用于兜底标注画面里无法归入其他类别的干扰物。ACrack 423、Rockpocket 616、EJoint 506 也属于长尾。长尾类别在训练时容易被大类淹没，如果直接按整体精度评估，模型可能对它们几乎不响应却 still 拿到好看的分数。使用这份数据时，比较稳妥的做法是分类别看指标，而不是只看一个总数。

注意：类别名称里的英文拼写（如 WConccor、Restformwork）是数据集原始定义，转换格式时保持原样，不要自行“纠正”，否则和 json 里的标签对不上。

4. 易混概念辨析：分割数据集不是检测数据集，labelme 不是 mask

4.1 易混点一：分割数据集和检测数据集

很多人把“缺陷分割数据集”和“缺陷检测数据集”当成一回事。混淆的原因是两个任务都输出“哪里有缺陷”，看起来差不多。区别在于输出粒度：检测任务给的是矩形框，告诉你“这个区域有裂缝”；分割任务给的是像素级掩膜，告诉你“这几个像素是裂缝，旁边那些不是”。这份数据集用 polygon 多边形标注，走的是分割路线，虽然也能降级转成检测框用，但它的核心价值在像素级边界。

怎么区分？看标注文件里存的是什么。如果只有框的左上角坐标和宽高，那是检测；如果是多边形顶点序列，那是分割。这份数据的 json 里是多边形点集，所以它天然服务于语义分割或实例分割，而不是单纯的框检测。

4.2 易混点二：labelme 的 json 和 mask 图片

新手最容易卡在这里：以为下载完就能直接喂给分割网络，结果发现没有 mask 图。json 是“标注的源文件”，mask 是“标注的渲染结果”。json 里存的是类别和多边形坐标，mask 是把这些多边形按类别填成不同像素值的图。两者信息等价，但格式不同。数据集只给 json，意味着转换这一步要自己做，可以转 mask，也可以转 YOLO 的 txt 或 COCO 的 json。

为什么这样设计？因为不同框架要的格式不一样，统一给源文件反而最灵活。代价是使用者得会写转换脚本，或者找现成工具。这不是缺陷，是取舍。

4.3 易混点三：语义分割和实例分割

语义分割把同一类别的所有像素标成同一个值，不区分“这是第几条裂缝”；实例分割则要把每一条裂缝单独区分开。这份数据的 json 里每个多边形是独立对象，理论上两种任务都能支持，但转格式时要明确目标：转成语义 mask 就把同类合并，转成实例标注就保留每个多边形的独立性。搞混了会导致评估口径不一致，训练出来的模型用途也对不上。

4.4 易混点四：标注数量多不等于类别重要

Rust 有 14665 个标注，object 只有 13 个，数量差距巨大。有人会直觉认为“标注多的类别更重要”，其实数量多只说明它在样本里常见，不代表它在业务上优先级高。活动裂缝只有 423 个，但它对结构安全的警示意义可能远超大量普通锈迹。使用数据集时，类别权重应该按业务目标来定，而不是按标注数量排序。

4.5 易混点五：数据集开放不等于模型可用

数据集说明里写得很清楚：只提供图片和标注，不对训练出的模型或权重精度作保证。这和“下载即用”是两回事。混淆点在于，很多人把“数据质量好”等同于“模型效果好”。实际上，标注准确只是必要条件，模型效果还取决于网络结构、训练策略、数据增强、场景匹配度。把这份数据当成起点，而不是终点，心态就对了。

5. 什么时候该用它、什么时候别硬上：一份边界判断

5.1 适合用的场景

第一类，做建筑缺陷分割的基线实验。7820 张 640×640 图、20 类多边形标注，规模适中、格式统一，拿来跑一个分割网络、验证某个改进模块有没有效，是很顺手的起点。第二类，做 labelme 到其他格式的转换流程验证。json 转 mask、转 YOLO、转 COCO，这套数据量足够暴露转换脚本里的边界问题，比如多边形自相交、类别名映射遗漏。第三类，做长尾分布下的类别不平衡研究。Rust 一万多、object 十几个，天然就是一个不平衡样本，适合测试重采样、损失加权这些手段。

具体到操作层面，转换时可以先用一小批数据验证流程，比如先取 50 张跑通再全量。下面是一段把 labelme json 转成二值 mask 的示意代码，只保留多边形填充逻辑，实际使用时按类别映射改颜色值：

import json import numpy as np from PIL import Image, ImageDraw # 读取单份 labelme json，把多边形按类别填成不同像素值 with open("sample.json", "r", encoding="utf-8") as f: data = json.load(f) h, w = data["imageHeight"], data["imageWidth"] mask = np.zeros((h, w), dtype=np.uint8) # 类别名到像素值的映射，需与训练时的类别表一致 cls_map = {"Crack": 1, "Rust": 2, "Spalling": 3} draw = ImageDraw.Draw(Image.fromarray(mask)) for shape in data["shapes"]: label = shape["label"] if label not in cls_map: continue points = [tuple(p) for p in shape["points"]] # polygon 填充，第三个参数是类别像素值 ImageDraw.Draw(Image.fromarray(mask)).polygon(points, fill=cls_map[label])

这段代码的关键点有三个：imageHeight和imageWidth决定 mask 尺寸，必须和原图一致；shapes里每个元素的points是多边形顶点，顺序不能乱；cls_map是类别名到像素值的映射，必须和后续训练配置对齐，漏一个类别就会导致该类被当成背景。实际转换时还要处理多边形点数为奇数、坐标越界这些脏数据，建议先统计一遍再批量跑。

5.2 不适合硬上的场景

如果目标是直接上线一个“拍张照就知道墙坏没坏”的产品，这份数据单独不够。它覆盖的是特定拍摄条件下的 640×640 画面，真实巡检的光照、距离、遮挡变化更复杂，模型泛化需要更多场景数据补充。如果目标是检测非墙面对象，比如路面、桥梁底面，类别体系对不上，硬套只会得到一堆错标。如果团队没有格式转换能力，又不愿意写脚本，那 labelme 的 json 会成为第一道坎，这时候要么先补转换工具链，要么换现成的 mask 格式数据集。

还有一个容易被忽略的边界：这份数据不包含模型评估结果，也没有划分训练集和验证集。拿到手需要自己切分，切分时要注意同一面墙的多个角度图片不要跨集泄漏，否则验证分数会虚高。这个坑我踩过——早些年拿类似数据直接随机切分，验证集里混进了训练集同场景的图，指标好看得离谱，换真实场景就翻车。从那以后我每次切分前都先按拍摄来源分组，再在组内随机，宁可训练集小一点，也不让验证集“见过答案”。

希望这份拆解能帮你在打开那 7820 份 json 之前，先想清楚自己要拿它做什么、缺哪一步、边界在哪。

本文还有配套的精品资源，点击获取