建筑物图像分割识别 自动提取城市建筑分布图 - 建筑密度分析、城市扩张监测 无人机 建筑物房屋检测数据集 城市建筑屋顶图像

yolo 掩膜及无掩膜 无人机 建筑物房屋检测数据集，包含大量城市建筑屋顶图像，图片清晰标注，适合目标检测模型训练。数据集已标注好，可以直接使用，支持多种格式输出，一类。

1

1

1

您提供的数据集是 高分辨率城市建筑屋顶的航拍图像，包含 边界框（Bounding Box）和掩膜（Mask）标注，适用于 目标检测与实例分割任务。=

📊 一、数据集核心特征

🌐 二、主要应用领域

1. 🏙️ 智慧城市与城市规划

• 自动提取城市建筑分布图
• 建筑密度分析、城市扩张监测
• 土地利用分类（住宅/商业/工业）
• 政府部门用于人口普查、房产登记

✅ 示例：通过 AI 快速生成“城市三维模型”基础数据

2. 🔧 地理信息系统（GIS）与遥感

• 高精度地图更新（如 Google Earth、百度地图）
• 数字孪生城市建设
• 地形建模与空间分析
• 结合 LiDAR 数据进行三维重建

✅ 示例：自动识别新建建筑，辅助测绘公司更新数据库

3. 🚧 灾害评估与应急管理

• 地震、洪水后快速评估建筑物损毁情况
• 识别倒塌、倾斜、裂缝建筑
• 应急救援路径规划
• 损失预估（基于建筑数量与面积）

✅ 示例：灾后 1 小时内完成全城建筑状态评估

5. 🛠️ 自动驾驶与机器人导航

• 高精地图构建（建筑边界作为路网参考）
• 室外环境理解（建筑为静态障碍物）
• 无人机自主飞行路径规划（避开建筑群）

✅ 示例：自动驾驶车辆在复杂城区中识别建筑边缘以避障

6. 🌱 生态环境与可持续发展

• 建筑屋顶绿化监测（光伏板 vs 绿植）
• 城市热岛效应分析（建筑密度影响温度）
• 太阳能潜力评估（屋顶面积 + 朝向）

✅ 示例：政府推动“绿色屋顶”政策，AI 监测执行情况

带掩膜（Mask）与无掩膜（仅边界框）的城市建筑屋顶数据集 的完整训练代码，支持 目标检测（Bounding Box） 和 实例分割（Instance Segmentation） 两种任务。使用 Ultralytics YOLOv8 框架（截至2025年最稳定、功能最全的官方YOLO实现），并提供从数据准备到模型导出的全流程。

📁 一、项目结构

Building_Dataset/
├── dataset.yaml # 数据集配置文件
├── train.py # 训练脚本
├── predict_demo.py # 推理演示
├── dataset/
│ ├── images/
│ │ ├── train/
│ │ ├── val/
│ │ └── test/
│ └── labels/
│ ├── train/ # YOLO格式：*.txt（含box + 可选polygon）
│ ├── val/
│ └── test/
└── requirements.txt

✅ 支持两种模式：

• 仅检测：labels/*.txt 中每行为 class_id x y w h
• 实例分割：labels/*.txt 中每行为 class_id x1 y1 x2 y2 … xn yn（归一化坐标）

📦 二、依赖安装（requirements.txt）

ultralytics==8.2.0
torch>=1.10.0
torchvision>=0.11.0
opencv-python>=4.6.0
numpy>=1.21.0
matplotlib>=3.7.0
scipy>=1.10.0

安装命令：

pip install -r requirements.txt

📄 三、数据集配置文件 dataset.yaml

▶ 场景1：仅目标检测（无掩膜）

# dataset.yaml (Detection Only)
path: ./dataset
train: images/train
val: images/val
test: images/test

nc: 1
names: ['building']

▶ 场景2：实例分割（带掩膜）

# dataset.yaml (Segmentation)
path: ./dataset
train: images/train
val: images/val
test: images/test

nc: 1
names: ['building']

# 注意：YOLOv8-seg 自动识别 labels 中的多点坐标作为 mask

💡 标注示例（labels/train/001.txt）：

0 0.5 0.5 0.2 0.3 # 检测模式
0 0.4 0.4 0.6 0.4 0.6 0.6 0.4 0.6 # 分割模式（4个点的矩形）

🚀 四、完整训练代码 train.py

# train.py
from ultralytics import YOLO
import torch
import os

def main():
device = 'cuda' if torch.cuda.is_available() else 'cpu'
print(f"🚀 使用设备: {device}")

# ==============================
# 选择任务类型
# ==============================
TASK = "segment" # 可选: "detect" 或 "segment"

if TASK == "detect":
model_name = "yolov8s.pt" # 目标检测模型
project_name = "building_detection"
elif TASK == "segment":
model_name = "yolov8s-seg.pt" # 实例分割模型
project_name = "building_segmentation"
else:
raise ValueError("TASK 必须是 'detect' 或 'segment'")

# 加载预训练模型
model = YOLO(model_name)

# 训练参数
results = model.train(
data='dataset.yaml',
epochs=100,
imgsz=640, # 建筑细节丰富，建议 ≥640
batch=16, # 根据 GPU 调整（32G 显存可设 32）
name=project_name,
device=device,
patience=25, # 早停
save=True,
plots=True, # 生成 PR 曲线、混淆矩阵等
exist_ok=False,
workers=8,
optimizer='AdamW',
lr0=0.01,
lrf=0.01,
augment=True, # 启用 Mosaic、HSV、旋转等增强
degrees=10.0, # ±10° 旋转（适合航拍）
translate=0.1,
scale=0.5,
flipud=0.0, # 航拍图通常不上下翻转
fliplr=0.5, # 左右翻转安全
mosaic=1.0,
mixup=0.1
)

# 在测试集上评估
metrics = model.val(data='dataset.yaml', split='test')
print("\\n✅ 测试集结果:")
if TASK == "detect":
print(f" mAP@0.5: {metrics.box.map50:.5f}")
print(f" mAP@0.5:0.95: {metrics.box.map:.5f}")
else:
print(f" mAP@0.5 (Box): {metrics.box.map50:.5f}")
print(f" mAP@0.5 (Mask): {metrics.seg.map50:.5f}")

if __name__ == '__main__':
main()

运行训练：

python train.py

🔍 五、推理与可视化 predict_demo.py

# predict_demo.py
from ultralytics import YOLO
import cv2

# 加载训练好的模型
model = YOLO('runs/segment/building_segmentation/weights/best.pt') # 或 detect 路径

# 单张图像推理
results = model.predict(
source='test_image.jpg',
conf=0.25,
iou=0.45,
save=True, # 保存带标注的图像
show=True # 实时显示
)

# 获取结果
for result in results:
boxes = result.boxes # 边界框
masks = result.masks # 掩膜（若为 segmentation）
print(f"检测到 {len(boxes)} 栋建筑")
if masks is not None:
print(f"生成 {len(masks)} 个掩膜")

📤 六、模型导出（用于部署）

# export_model.py
from ultralytics import YOLO

model = YOLO('runs/segment/building_segmentation/weights/best.pt')

# 导出为 ONNX（通用）
model.export(format='onnx', imgsz=640, simplify=True)

# 导出为 TensorRT（Jetson / NVIDIA GPU）
model.export(format='engine', imgsz=640, half=True, device=0)

# 导出为 OpenVINO（Intel CPU）
model.export(format='openvino', imgsz=640)

📊 七、预期性能（基于类似数据集经验）

✅ 建筑轮廓清晰、背景简单，mAP > 0.9 是完全可实现的