智慧铁路巡检-铁轨轨道缺陷检测数据集YOLO数据集】4分类 数据集 Spalling --脱落Wheel Burn --轮烧Squat --压陷Corrugation --磨耗 图片共2277张。数据集按811分配。其中 训练集1821张图片验证集228张图片。 测试集228张图片。1铁轨轨道缺陷检测 YOLO 数据集一、数据集基础信息表项目详细说明数据集名称铁轨轨道缺陷检测数据集任务类型目标检测YOLO 系列分类数量4 类轨道缺陷总图片数量2277 张数据划分比例8:1:1训练集1821 张验证集228 张测试集228 张标注格式YOLO 标准 txt 标签格式配套资源完整数据集 训练完成权重模型二、缺陷类别对照表类别ID英文名称中文名称0Spalling脱落1Wheel Burn轮烧2Squat压陷3Corrugation磨耗三、数据集配置文件rail_defect.yamltrain:./images/trainval:./images/valtest:./images/testnc:4names:0:Spalling1:Wheel Burn2:Squat3:Corrugation四、目录结构rail_defect/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ ├── weights/ # 训练好的模型权重 └── rail_defect.yaml # 数据集配置文件五、YOLOv8 训练代码fromultralyticsimportYOLO# 加载预训练模型modelYOLO(yolov8s.pt)# 启动训练model.train(datarail_defect.yaml,epochs100,imgsz640,batch16,device0,patience15,projectrail_defect_detect,nameyolov8_rail,saveTrue)# 模型验证评估model.val()六、单图推理测试代码fromultralyticsimportYOLOimportcv2# 加载训练完成的最优模型modelYOLO(./weights/best.pt)# 图片检测img_pathtest.jpgresultsmodel(img_path,conf0.25)det_imgresults[0].plot()cv2.imwrite(detect_result.jpg,det_img)cv2.imshow(轨道缺陷检测结果,det_img)cv2.waitKey(0)cv2.destroyAllWindows()七、环境安装命令pipinstallultralytics torch opencv-python八、项目适用场景铁路智能巡检、轨道病害自动化识别轨道交通运维、无人巡检设备算法开发深度学习目标检测课程设计、毕业设计、科研实验工业视觉缺陷检测相关项目落地