做路面病害检测这大半年我踩过最深的坑不是模型训练不出来而是数据集根本找不到。网上能搜到的道路裂缝坑洼图像开源数据集要么链接失效要么论文里语焉不详要么下载下来发现标注格式和你想的完全不对。后来我把市面上主流的数据集基本都过了一遍——CFD、Crack500、DeepCrack、SDNET2018、RDD2022、GAPs、Pothole-600这些有的训过模型有的跑了基线这篇文章就把它们的关键信息、选型逻辑和实际体验一次性整理清楚。想找道路裂缝坑洼图像开源数据集的同行可以先从这里入手省掉大量调研时间。1. 挑数据集之前先想清楚裂缝/坑洼任务的三种输出和两种路面1.1 分类、检测、分割三种任务对应三种标注格式很多人是反着来的先随便下个数据集再看能做什么任务。正确顺序应该是先定义清楚你的输出是什么。图像分类输出这张图里有没有裂缝或坑洼。标注是一个标签典型代表是SDNET2018这类按图标注的数据集。目标检测输出病害的位置框告诉维护人员这里裂了、那里有个坑。标注是bounding box典型代表是RDD2022。语义分割输出像素级掩码把裂缝的精准轮廓抠出来甚至可以用来反推裂缝宽度。标注是mask典型代表是CFD、Crack500、DeepCrack。这个选择直接决定你后面所有pipeline。我见过有人拿RDD2022这种检测数据集强行做分割最后只能自己补标注掩码工作量瞬间失控。如果是实际工程项目建议优先做检测因为裂缝的像素级标注成本极高一条裂缝弯弯曲曲几百个像素画一个mask比画一个框慢十倍不止。如果是做学术研究或者裂缝宽度分析再考虑分割。1.2 沥青路面与混凝土路面材质差异决定泛化宽度路面材质看起来只是场景差异实际对模型的影响很大。沥青路面纹理粗、颜色深裂缝经常被油污、修补带和水渍掩盖。很多公开的裂缝数据集都是在沥青路面上拍的但不同国家的沥青配方和施工工艺不一样纹理差异很明显。混凝土/水泥路面颜色浅、有伸缩缝和模板缝模型很容易把正常的接缝误判为裂缝。桥梁、隧道内部光照不均匀阴影重还有各种复杂背景。如果你的模型只是在某一个数据集上跑通那无所谓如果要做产品化最后一定要混入实际场景的数据。公开数据集只能帮你把模型从完全不能用拉到基本能用从基本能用到真正能用之间的距离是靠现场数据补的。1.3 拍摄视角手持、车载、无人机是三种完全不同的分布同一个病害换个拍摄角度模型就可能失效。手持近景裂缝占比高、背景干净、病害细节清楚。CFD、Crack500这类很多是手持或手机拍的优点是标注可靠缺点是跟实际车载场景差距大。车载俯视拍摄距离远、速度快、存在运动模糊路面纹理和光照变化剧烈。RDD2022和GAPs是这类。无人机俯拍视野大、尺度变化大、分辨率相对有限适合做桥梁、大范围路面巡检但公开数据集非常少。我实际测试过在手持近景数据集上训练的分割模型拿到车载俯视图上推理IoU直接掉一半以上。所以选数据集之前务必先确认你的部署场景尽量找同视角的数据。2. 裂缝分割数据集盘点CFD、Crack500、DeepCrack、SDNET2018谁最顺手2.1 CFD118张图就能跑通baseline的经典入门数据集CFDCrackForest Dataset在学术界是绕不开的名字几乎成了国内路面裂缝分割算法的默认验证集。它包含118张城市道路裂缝图像其中带裂缝的正样本大概60多张剩下的是没有裂缝的负样本图像分辨率在480×320量级属于相对小的图像。CFD最典型的特征是标注方式是弱标注——掩码覆盖的是裂缝的主干区域标注粒度比较粗边缘细节并不精细。这既是缺点也是优点。缺点是你的模型学到的裂缝边界不会太锐利掩码训练出来也偏粗优点是它反而让模型对裂缝宽度的变化不敏感不容易过拟合到某一种宽度。我的建议是把CFD当作冒烟测试集模型结构搭好、loss调好之后先在CFD上训练并可视化结果确认pipeline没问题再切换到Crack500或自己的真实数据。另外要注意CFD图像数量少直接训练深度模型很容易过拟合更常见的用法是迁移学习或者作为测试集而不是训练集。2.2 Crack500室外手机拍摄的主力分割数据Crack500是费城坦普尔大学团队发布的核心卖点是真实室外场景像素级标注。原始数据是500张用手机拍摄的道路裂缝图像每张原始图大约有2000万像素然后被切割成512×512的子图用于训练实际得到约一千多张至两千张标注子图具体数量以官方发布为准。这套数据的质量在公开裂缝数据集中算比较高的有大量真实路面细节比如树叶阴影、轮胎印、油污、修补痕迹。这些噪声并不会让训练更轻松但会让模型更接近实际部署环境。Crack500的标注是像素级而且裂缝主干和分支都标得比较完整。使用Crack500时最大的坑是数据泄漏官方给的是切割后的子图如果你随手把子图按比例随机分成训练集和测试集同一个原始大图的多个子图会同时出现在训练集和测试集中导致评估指标虚高。正确做法是按原始图像ID分组划分同一个原始图的子图只能进同一侧。我一开始没注意这个细节F1虚高了3到4个点后来重新划分才看到真实水平。2.3 DeepCrack层级特征基准与跨场景验证DeepCrack是论文《DeepCrack: A Deep Hierarchical Feature Learning Architecture for Crack Segmentation》附带发布的数据集包含537张图像标注为像素级分割掩码其中约300张用于训练、200多张用于测试。这个数据集的特点是场景更杂不仅有道路还包括墙面、地面等多种裂纹场景。图像来源比较多分辨率差异大光照条件也不统一所以用它单独训练模型往往不如Crack500稳定。但它有个巨大价值因为场景多样性足够拿来验证模型的泛化能力非常合适。我在实际项目中习惯先用Crack500训练再在DeepCrack上做二次验证如果两个数据集上的指标都在合理范围模型才敢往真实场景推。另外DeepCrack的测试集划分是官方固定好的这一点很方便不同论文之间的指标可以直接对比。缺点是测试集里有一些墙面图像并不是纯道路场景如果你的目标就是路面裂缝看指标时最好单独过滤掉非道路样本。2.4 SDNET2018切块分类思路与混凝土场景补充SDNET2018是犹他州立大学发布的混凝土结构裂缝数据集和前面几个不太一样它做的是图像级二分类而不是像素级分割。数据集由200多张混凝土结构原始图像切割成超过5万张64×64的小图块每个图块被标注为有裂缝或无裂缝。SDNET2018覆盖桥梁、道路、墙体三类混凝土结构裂缝形态非常细很多是只有几个像素宽的微裂缝。它的价值在于两点帮你训练一个快速筛查模型率先过滤掉大量无病害图块减少后续精细检测的计算压力。这是实际工程里很常用的级联思路。补充混凝土路面的场景多样性避免模型只在沥青路面上有效。不过要提醒一句SDNET2018的图像级标签并不精确到像素所有有裂缝的图块都只是包含裂缝并没有给出裂缝的位置和轮廓。所以它不能用来做分割训练只能做分类。64×64的分辨率也很低不能用它来训练检测模型。2.5 CrackSeg9k大规模合并数据集的正确打开方式CrackSeg9k是近几年出现的大规模裂缝分割数据集包含九千多张图像标注是统一的裂缝/背景二类掩码。它的做法是把多个已有裂缝分割数据集合并起来重新统一标注格式和标签体系。这类合并型数据集的好处是规模大、来源广裂缝形态覆盖面宽适合做预训练或通用裂缝分割模型的基础训练集。有了它你就不用一个个去搞定CFD、Crack500、DeepCrack等数据集的下载和格式转换一次到位。但要注意合并型数据集会继承原始数据集的全部缺点标注粒度不一致、不同来源图像分辨率差异大、场景分布不均衡。如果直接用CrackSeg9k训练模型在单一场景测试时可能表现不如用特定数据集微调的模型。我建议把CrackSeg9k当作预训练池在这个基础上用你自己的小道数据做微调效果会明显好于直接用ImageNet预训练。下面用一张表汇总这几个主要分割数据集的关键参数方便快速对比数据集图像量级标注类型主要场景适用任务主要注意点CFD118张像素级粒度较粗城市道路沥青路面分割、快速验证数量少易过拟合Crack500500原始/约千余张子图像素级室外手机拍摄道路分割、真实场景训练注意按原始图划分防止数据泄漏DeepCrack537张像素级道路墙面混合分割、泛化测试测试集混入非道路场景需过滤SDNET2018约5万切块图像级二分类混凝土桥梁/道路/墙体分类筛查不是像素级无法做分割CrackSeg9k9000张像素级二分类多源合并分割预训练、通用模型标注一致性差需微调3. 坑洼与多国路况数据集RDD2022、GAPs、Pothole-600的取舍3.1 RDD2022四类病害检测和跨国域泛化的主力如果只让我推荐一个下载下来就能训练目标检测模型的数据集我一定选RDD2022Road Damage Dataset 2022。它由日本宫崎大学等机构主导收集了日本、印度、捷克、挪威四个国家/地区的道路图像总计超过4.7万张标注统一为四类病害D00纵向裂缝D10横向裂缝D20龟裂/网状裂缝D40坑洼这个四分类体系来自日本的道路病害调查标准覆盖了最常见的路面破损类型实际工程里也基本够用。标注格式是PASCAL VOC的XML文件也就是每个病害一个bbox框这个格式可以直接转成YOLO或者COCO格式生态成熟几乎不需要额外处理。RDD2022对我帮助最大的是跨国域属性。四个国家的道路纹理、标线风格、光照条件差异明显模型在这个数据集上训练完跨场景鲁棒性明显好于只用单一国家数据。如果你想做更严格的跨域泛化实验官方还提供按国家划分的train/validation协议可以清晰评估模型在不同国家的表现。有一点要注意超过4.7万张图像的文件体积不小下载后建议先做一轮数据清洗去除重复帧、模糊帧和标注明显错误的图像。数据集中存在一部分夜间或弱光图像如果你的部署场景是白天巡检可以先把这些挑出来单独评估看是否纳入训练。3.2 GAPs覆盖多病害类别的德国沥青路面数据集GAPsGerman Asphalt Pavement Distress dataset是德国研究机构发布的沥青路面病害数据集图像全部来自德国实际道路环境覆盖的病害类别比RDD2022更丰富除了裂缝和坑洼还包括修补、边缘破损、表面老化等类型具体类别数建议以官方发布说明为准。GAPs最大的价值在于多类别病害和精细标注。RDD2022只有四类而且用bbox框GAPs除了检测框还提供更细的病害类别定义对做精细化巡检系统的团队很有用。它的数据量没有RDD2022那么大规模属于小而精的类型适合做多分类研究的补充数据。但德系路况和国内路况差异很大德国道路整体养护水平高裂缝形态相对规整病害密度低国内很多路面的裂缝和修补混合情况更复杂。所以GAPs训练出来的模型不能直接拿到国内道路上用至少需要用本地数据做微调。另外GAPs的License我印象中偏向非商业科研用途商业落地前一定要联系作者确认授权这一点很容易被忽略。3.3 Pothole-600和Kaggle混杂数据集小数据集的边界除了上面这些知名数据集坑洼方向还有一些小规模数据集比如Pothole-600是600张坑洼图像配目标检测标注。这类数据集适合做数据补充不适合做唯一训练来源。Kaggle上也能搜到不少pothole相关的图像集但质量参差不齐。有的数据集只是把网上图片打包成zip标注格式混乱有的连标注都没有只是图片文件夹。我的经验是Kaggle上的坑洼数据集可以用但必须做严格清洗最好的用法是作为RDD2022的补充数据用来增加坑洼样本的多样性。另外如果你做的坑洼检测不是四个轮子的乘用车视角而是电动自行车或者步行巡检视角公开数据集基本没有现成的只能靠自己采集。这一点要有心理准备坑洼和裂缝不一样坑洼数据集本身就要少一个数量级。3.4 容易被忽略的辅助数据源AigleRN/ESAR与BDD100K的边界还有一些容易被忽略的数据源虽然不能直接当主力训练集但很有价值AigleRN和ESAR法国交通研究机构发布的道路裂缝数据库图像量级不大以裂缝分割和分类为主学术上常用作方法验证。适合做跨国家、跨路面的泛化测试集。BDD100K伯克利发布的自动驾驶视频数据集总计10万张图像主要标注是驾驶场景目标车辆、行人、可行驶区域等并没有专门做路面裂缝和坑洼的标注。但它的可行驶区域分割标注可以帮你做道路区域过滤先提取道路区域再在道路区域内做病害识别能大幅减少背景干扰提升推理精度。百度飞桨、华为ModelArts等平台上有一些间接相关的路面数据但很多是从上述开源数据集二次整理的使用时要注意追溯原始来源和授权。4. 比选数据集更重要的避坑点标注一致性、类不平衡和跨域失效4.1 裂缝标注粗细差异带来的伪精度这是几乎每个人都会踩的坑。裂缝的像素级标注非常依赖标注人员的主观判断同样一条裂缝A标注员可能只标1像素宽的主线B标注员会把周围模糊区域也标进去变成5像素宽。不同数据集的标注风格差别很大CFD偏粗Crack500相对精细CrackSeg9k因为是合并数据集内部粗细差异更大。如果你把多个数据集混合训练而不做处理模型会学到一个平均宽度标准实际问题不大。但如果你用A数据集训练、B数据集测试会发现分割结果在B数据上总是差口气这不是模型能力问题而是标注风格差异。我建议在训练前对mask做一个预处理统一用形态学腐蚀或膨胀把标注宽度对齐到某个目标范围。实际操作中我会先统计训练集mask裂缝的宽度分布然后对过细的标注做一次膨胀对过粗的标注做一次腐蚀让裂缝宽度先验基本一致。这个操作能明显提升跨数据集的迁移结果。4.2 类不平衡裂缝像素占比可能不到1%裂缝分割是典型的极度类不平衡问题。一张1024×1024的道路图里裂缝像素往往只占整体像素的0.5%到2%。如果直接用普通的交叉熵损失训练模型很快会收敛到所有像素都预测为背景因为这样的准确率已经超过98%了。实际处理有几个办法使用Dice Loss、Focal Loss或者DiceCE组合损失让模型更关注困难样本。对mask做加权采样让包含裂缝的图像块在batch中占更高比例。后处理时用连通域分析和形态学开闭运算去掉面积过小的孤立预测区域减少背景噪声误报。对于检测任务坑洼和裂缝的bbox数量在RDD2022中也远小于背景图像数量但检测任务通常用mAP评估对类不平衡的敏感度低于分割实际训练时问题不大主要靠调整anchor比例和类别权重。4.3 数据泄漏patch划分导致的幻觉分数前面提过Crack500的数据泄漏问题这里值得展开。很多道路语义分割数据集都是先拍大图再切patch如果随机按patch划分train/test同一个大图的不同patch会被分到两侧模型其实已经见过目标场景了测试分数会显著虚高。判断方法很简单训练完成后把测试集里预测效果最好的一批图像找出来看它们的原始大图ID是否和训练集有重叠。如果有你的模型评估就是无效的。正确做法是先确定原始图像ID再按ID划分数据集保证同一个原始图像的所有patch只出现在训练集或测试集之一。如果你用的数据集没有提供原始ID比如某些二次整理版本就按文件名前缀来聚类尽量还原原始分组关系。4.4 跨域失效在德国数据上训完回到自己城市道路上为什么翻车我做过一个实验用RDD2022里的德国数据训练YOLOv8然后直接拿到国内一条城市道路上测试效果惨不忍睹——漏检率很高而且把路面的新旧沥青接缝误检成裂缝。这就是典型的跨域问题。原因有几方面路面材料不同德国和国内的道路纹理差异很大标线不同虚线实线颜色宽度都不一样光照条件不同训练数据大多是白天晴朗天气实际巡检时阴天、逆光、阴影纷纷出现相机安装高度和角度不同病害在图像里的尺度和视角都变了。应对跨域失效的办法采集一部分目标场景数据做微调这是最有效的方法几百张图往往就能救回来。使用图像风格增强比如随机调整色彩、对比度、亮度模拟不同天气和光照。对车载部署场景训练时增加随机透视变换和模糊增强模拟车身振动和拍摄角度变化。条件允许的话用不同国家的数据混合训练模型见过足够多风格后对新场景的适应性会好很多。4.5 授权与合规非商用限制不是小事很多开源数据集并不是完全自由使用的。我见过不少团队直接把数据集下载下来训练商业模型结果上线前法务审查发现数据集只限科研使用整个技术方案都要推翻重做。使用前务必确认每个数据集的License或者作者声明RDD2022在IEEE DataPort上发布下载和使用通常要求引用原始论文部分用途可能需要按平台条款执行。GAPs我记得有明确的使用条款偏科研导向商用必须联系作者。CFD在GitHub上公开但具体授权要看仓库的License文件。SDNET2018通常在大学机构网站上发布也要求非商业用途或者引用论文。最稳妥的做法是建一个数据集清单表格记录数据集的来源、下载日期、License类型、是否允许商用、是否需要引用论文。这个习惯能帮你避免很多后续麻烦。5. 数据集拿到手后的处理流水线体检、格式转换、划分与训练建议5.1 先做数据体检不要急着开训任何一个数据集下载下来第一件事不是解压开训而是写个脚本做全面体检。需要用几段脚本分别统计图像总数、尺寸分布、通道数、格式。标注文件是否与图像一一对应是否有缺失或多余文件。标注框是否有坐标越界、宽高为0、重复框等问题。分割mask的类别分布以及掩码是否对齐到对应图像。这一步能拦下大量脏数据。我曾经拿到一个数据集发现其中几十张图像的mask是从别的图上复制过来的位置完全对不上这要是直接训练模型会被带偏。体检代码不需要很复杂用Python跑一遍就能发现问题。5.2 标注格式统一XML、JSON、mask互转的注意点公开数据集的标注格式五花八门RDD2022是XMLVOC格式Crack500是mask图片SDNET2018是文件名或csv标签GAPs标注格式可能需要从官方文档确认。训练前必须统一格式。建议统一到一个标准流程所有检测标注统一转成COCO JSON或者YOLO txt。转YOLO时要注意坐标是归一化的中心点格式用bbox中心坐标除以图像宽高容易出现除以0或者坐标越界的问题建议先做校验。所有分割mask统一转成PNG格式的二值图背景为0前景为1或255。多类别分割时类别ID要从1开始0保留给背景。图像统一命名建议格式为datasetname_originalid_patchid.jpg这样后续按原始ID划分时一目了然。格式转换阶段最容易出的错是图像resize后mask没有跟着resize导致mask和图像错位。如果训练时输入尺寸固定为512×512记得用同样的插值方式处理图像用最近邻插值处理mask避免类别边缘被平滑模糊。5.3 训练/验证/测试划分的正确姿势数据划分直接决定你的指标有没有说服力。建议按照原始场景分组和国家/路段分组两个维度来划分。如果是Crack500这类patch数据集按原始图像ID分组。如果是RDD2022这类多国数据集可以考虑按国家划分训练集用日本印度验证集用捷克测试集用挪威这样做出来的泛化性指标更有参考价值。建议测试集保持10%-20%的比例且保证测试集中的病害类别分布与训练集接近。划分完成后检查一下每张测试图像与训练图像是否存在高度相似。比如有些数据集存在同一路段连续拍摄的帧相邻帧视觉上几乎一样这类相似图像如果出现在两侧同样会导致指标虚高。5.4 针对裂缝和坑洼的数据增强策略数据增强不能盲目套用通用方案针对路面病害的特点我有几个相对有效的组合几何增强随机旋转±15度、水平翻转、垂直翻转、随机缩放0.5到2.0。垂直翻转在车载场景下可以不用因为车辆不会倒着开。彩色增强亮度随机调整±30%、对比度±20%、HSV色相微调。这能模拟阴天、晴天、逆光和不同相机白平衡。模糊和噪声高斯模糊、运动模糊、高斯噪声模拟车载运动中拍摄到的模糊帧和低照度噪声。弹性形变对分割任务弹性形变能模拟路面形变和拍摄角度扭曲效果很好但对检测任务不建议用会让bbox和图像内容产生错位。CutMix/拼接增强把真实裂缝patch贴到干净路面上生成新的训练样本。这个方法对坑洼和裂缝都有效能显著增加阳性样本数量和场景多样性。训练时还有一个小技巧对裂缝分割模型可以在mask上随机做1到2个像素的膨胀让模型不要过于执着于全世界最精细的裂缝边界这能提升真实场景下的鲁棒性代价是理论IoU会稍微下降。但对实用来讲鲁棒性比漂亮的理论指标值钱。5.5 模型选型建议检测用YOLO系分割用UNet/DeepLabV3基于这些数据集的实际使用体验模型选型我给出相对保守的建议目标检测RDD2022直接配YOLOv8或YOLOv5就能获得不错的baseline。输入分辨率建议640×640以上patch中裂缝占比小分辨率太低小目标会漏检。语义分割UNet、DeepLabV3、PSPNet是稳定选择backbone用ResNet50或ResNet101ImageNet预训练是标配。裂缝分割对小裂缝细节要求高可以考虑增加注意力模块或者空洞卷积在Decoder中的应用。分类筛查MobileNetV3、EfficientNet系列适合做有无病害的二分类筛查速度快、体积小方便部署到边缘设备。关于训练轮数公开数据集规模不算大一般100到200个epoch就能收敛重点放在早停和学习率调度上。如果发现训练loss下降正常但验证指标波动大优先检查数据泄漏和标注噪声而不是疯狂调模型。最后分享一点个人体会公开数据集的意义是帮你把问题定义清楚、把流程跑通、把baseline立起来但它替代不了现场数据。真正上线的系统至少要留出总体数据的20%做实地采集并且持续回流那些模型预测失败的硬样本。道路病害场景的分布太散了每个城市的路面材料、施工工艺、养护水平都不一样没有一个公开数据集能覆盖所有情况。把这篇提到的数据集用好你的项目已经赢在起跑线上了剩下的路得靠自己的数据和迭代跑出来。 路面病害检测开源数据集盘点：裂缝坑洼图像分类、检测与分割
做路面病害检测这大半年我踩过最深的坑不是模型训练不出来而是数据集根本找不到。网上能搜到的道路裂缝坑洼图像开源数据集要么链接失效要么论文里语焉不详要么下载下来发现标注格式和你想的完全不对。后来我把市面上主流的数据集基本都过了一遍——CFD、Crack500、DeepCrack、SDNET2018、RDD2022、GAPs、Pothole-600这些有的训过模型有的跑了基线这篇文章就把它们的关键信息、选型逻辑和实际体验一次性整理清楚。想找道路裂缝坑洼图像开源数据集的同行可以先从这里入手省掉大量调研时间。1. 挑数据集之前先想清楚裂缝/坑洼任务的三种输出和两种路面1.1 分类、检测、分割三种任务对应三种标注格式很多人是反着来的先随便下个数据集再看能做什么任务。正确顺序应该是先定义清楚你的输出是什么。图像分类输出这张图里有没有裂缝或坑洼。标注是一个标签典型代表是SDNET2018这类按图标注的数据集。目标检测输出病害的位置框告诉维护人员这里裂了、那里有个坑。标注是bounding box典型代表是RDD2022。语义分割输出像素级掩码把裂缝的精准轮廓抠出来甚至可以用来反推裂缝宽度。标注是mask典型代表是CFD、Crack500、DeepCrack。这个选择直接决定你后面所有pipeline。我见过有人拿RDD2022这种检测数据集强行做分割最后只能自己补标注掩码工作量瞬间失控。如果是实际工程项目建议优先做检测因为裂缝的像素级标注成本极高一条裂缝弯弯曲曲几百个像素画一个mask比画一个框慢十倍不止。如果是做学术研究或者裂缝宽度分析再考虑分割。1.2 沥青路面与混凝土路面材质差异决定泛化宽度路面材质看起来只是场景差异实际对模型的影响很大。沥青路面纹理粗、颜色深裂缝经常被油污、修补带和水渍掩盖。很多公开的裂缝数据集都是在沥青路面上拍的但不同国家的沥青配方和施工工艺不一样纹理差异很明显。混凝土/水泥路面颜色浅、有伸缩缝和模板缝模型很容易把正常的接缝误判为裂缝。桥梁、隧道内部光照不均匀阴影重还有各种复杂背景。如果你的模型只是在某一个数据集上跑通那无所谓如果要做产品化最后一定要混入实际场景的数据。公开数据集只能帮你把模型从完全不能用拉到基本能用从基本能用到真正能用之间的距离是靠现场数据补的。1.3 拍摄视角手持、车载、无人机是三种完全不同的分布同一个病害换个拍摄角度模型就可能失效。手持近景裂缝占比高、背景干净、病害细节清楚。CFD、Crack500这类很多是手持或手机拍的优点是标注可靠缺点是跟实际车载场景差距大。车载俯视拍摄距离远、速度快、存在运动模糊路面纹理和光照变化剧烈。RDD2022和GAPs是这类。无人机俯拍视野大、尺度变化大、分辨率相对有限适合做桥梁、大范围路面巡检但公开数据集非常少。我实际测试过在手持近景数据集上训练的分割模型拿到车载俯视图上推理IoU直接掉一半以上。所以选数据集之前务必先确认你的部署场景尽量找同视角的数据。2. 裂缝分割数据集盘点CFD、Crack500、DeepCrack、SDNET2018谁最顺手2.1 CFD118张图就能跑通baseline的经典入门数据集CFDCrackForest Dataset在学术界是绕不开的名字几乎成了国内路面裂缝分割算法的默认验证集。它包含118张城市道路裂缝图像其中带裂缝的正样本大概60多张剩下的是没有裂缝的负样本图像分辨率在480×320量级属于相对小的图像。CFD最典型的特征是标注方式是弱标注——掩码覆盖的是裂缝的主干区域标注粒度比较粗边缘细节并不精细。这既是缺点也是优点。缺点是你的模型学到的裂缝边界不会太锐利掩码训练出来也偏粗优点是它反而让模型对裂缝宽度的变化不敏感不容易过拟合到某一种宽度。我的建议是把CFD当作冒烟测试集模型结构搭好、loss调好之后先在CFD上训练并可视化结果确认pipeline没问题再切换到Crack500或自己的真实数据。另外要注意CFD图像数量少直接训练深度模型很容易过拟合更常见的用法是迁移学习或者作为测试集而不是训练集。2.2 Crack500室外手机拍摄的主力分割数据Crack500是费城坦普尔大学团队发布的核心卖点是真实室外场景像素级标注。原始数据是500张用手机拍摄的道路裂缝图像每张原始图大约有2000万像素然后被切割成512×512的子图用于训练实际得到约一千多张至两千张标注子图具体数量以官方发布为准。这套数据的质量在公开裂缝数据集中算比较高的有大量真实路面细节比如树叶阴影、轮胎印、油污、修补痕迹。这些噪声并不会让训练更轻松但会让模型更接近实际部署环境。Crack500的标注是像素级而且裂缝主干和分支都标得比较完整。使用Crack500时最大的坑是数据泄漏官方给的是切割后的子图如果你随手把子图按比例随机分成训练集和测试集同一个原始大图的多个子图会同时出现在训练集和测试集中导致评估指标虚高。正确做法是按原始图像ID分组划分同一个原始图的子图只能进同一侧。我一开始没注意这个细节F1虚高了3到4个点后来重新划分才看到真实水平。2.3 DeepCrack层级特征基准与跨场景验证DeepCrack是论文《DeepCrack: A Deep Hierarchical Feature Learning Architecture for Crack Segmentation》附带发布的数据集包含537张图像标注为像素级分割掩码其中约300张用于训练、200多张用于测试。这个数据集的特点是场景更杂不仅有道路还包括墙面、地面等多种裂纹场景。图像来源比较多分辨率差异大光照条件也不统一所以用它单独训练模型往往不如Crack500稳定。但它有个巨大价值因为场景多样性足够拿来验证模型的泛化能力非常合适。我在实际项目中习惯先用Crack500训练再在DeepCrack上做二次验证如果两个数据集上的指标都在合理范围模型才敢往真实场景推。另外DeepCrack的测试集划分是官方固定好的这一点很方便不同论文之间的指标可以直接对比。缺点是测试集里有一些墙面图像并不是纯道路场景如果你的目标就是路面裂缝看指标时最好单独过滤掉非道路样本。2.4 SDNET2018切块分类思路与混凝土场景补充SDNET2018是犹他州立大学发布的混凝土结构裂缝数据集和前面几个不太一样它做的是图像级二分类而不是像素级分割。数据集由200多张混凝土结构原始图像切割成超过5万张64×64的小图块每个图块被标注为有裂缝或无裂缝。SDNET2018覆盖桥梁、道路、墙体三类混凝土结构裂缝形态非常细很多是只有几个像素宽的微裂缝。它的价值在于两点帮你训练一个快速筛查模型率先过滤掉大量无病害图块减少后续精细检测的计算压力。这是实际工程里很常用的级联思路。补充混凝土路面的场景多样性避免模型只在沥青路面上有效。不过要提醒一句SDNET2018的图像级标签并不精确到像素所有有裂缝的图块都只是包含裂缝并没有给出裂缝的位置和轮廓。所以它不能用来做分割训练只能做分类。64×64的分辨率也很低不能用它来训练检测模型。2.5 CrackSeg9k大规模合并数据集的正确打开方式CrackSeg9k是近几年出现的大规模裂缝分割数据集包含九千多张图像标注是统一的裂缝/背景二类掩码。它的做法是把多个已有裂缝分割数据集合并起来重新统一标注格式和标签体系。这类合并型数据集的好处是规模大、来源广裂缝形态覆盖面宽适合做预训练或通用裂缝分割模型的基础训练集。有了它你就不用一个个去搞定CFD、Crack500、DeepCrack等数据集的下载和格式转换一次到位。但要注意合并型数据集会继承原始数据集的全部缺点标注粒度不一致、不同来源图像分辨率差异大、场景分布不均衡。如果直接用CrackSeg9k训练模型在单一场景测试时可能表现不如用特定数据集微调的模型。我建议把CrackSeg9k当作预训练池在这个基础上用你自己的小道数据做微调效果会明显好于直接用ImageNet预训练。下面用一张表汇总这几个主要分割数据集的关键参数方便快速对比数据集图像量级标注类型主要场景适用任务主要注意点CFD118张像素级粒度较粗城市道路沥青路面分割、快速验证数量少易过拟合Crack500500原始/约千余张子图像素级室外手机拍摄道路分割、真实场景训练注意按原始图划分防止数据泄漏DeepCrack537张像素级道路墙面混合分割、泛化测试测试集混入非道路场景需过滤SDNET2018约5万切块图像级二分类混凝土桥梁/道路/墙体分类筛查不是像素级无法做分割CrackSeg9k9000张像素级二分类多源合并分割预训练、通用模型标注一致性差需微调3. 坑洼与多国路况数据集RDD2022、GAPs、Pothole-600的取舍3.1 RDD2022四类病害检测和跨国域泛化的主力如果只让我推荐一个下载下来就能训练目标检测模型的数据集我一定选RDD2022Road Damage Dataset 2022。它由日本宫崎大学等机构主导收集了日本、印度、捷克、挪威四个国家/地区的道路图像总计超过4.7万张标注统一为四类病害D00纵向裂缝D10横向裂缝D20龟裂/网状裂缝D40坑洼这个四分类体系来自日本的道路病害调查标准覆盖了最常见的路面破损类型实际工程里也基本够用。标注格式是PASCAL VOC的XML文件也就是每个病害一个bbox框这个格式可以直接转成YOLO或者COCO格式生态成熟几乎不需要额外处理。RDD2022对我帮助最大的是跨国域属性。四个国家的道路纹理、标线风格、光照条件差异明显模型在这个数据集上训练完跨场景鲁棒性明显好于只用单一国家数据。如果你想做更严格的跨域泛化实验官方还提供按国家划分的train/validation协议可以清晰评估模型在不同国家的表现。有一点要注意超过4.7万张图像的文件体积不小下载后建议先做一轮数据清洗去除重复帧、模糊帧和标注明显错误的图像。数据集中存在一部分夜间或弱光图像如果你的部署场景是白天巡检可以先把这些挑出来单独评估看是否纳入训练。3.2 GAPs覆盖多病害类别的德国沥青路面数据集GAPsGerman Asphalt Pavement Distress dataset是德国研究机构发布的沥青路面病害数据集图像全部来自德国实际道路环境覆盖的病害类别比RDD2022更丰富除了裂缝和坑洼还包括修补、边缘破损、表面老化等类型具体类别数建议以官方发布说明为准。GAPs最大的价值在于多类别病害和精细标注。RDD2022只有四类而且用bbox框GAPs除了检测框还提供更细的病害类别定义对做精细化巡检系统的团队很有用。它的数据量没有RDD2022那么大规模属于小而精的类型适合做多分类研究的补充数据。但德系路况和国内路况差异很大德国道路整体养护水平高裂缝形态相对规整病害密度低国内很多路面的裂缝和修补混合情况更复杂。所以GAPs训练出来的模型不能直接拿到国内道路上用至少需要用本地数据做微调。另外GAPs的License我印象中偏向非商业科研用途商业落地前一定要联系作者确认授权这一点很容易被忽略。3.3 Pothole-600和Kaggle混杂数据集小数据集的边界除了上面这些知名数据集坑洼方向还有一些小规模数据集比如Pothole-600是600张坑洼图像配目标检测标注。这类数据集适合做数据补充不适合做唯一训练来源。Kaggle上也能搜到不少pothole相关的图像集但质量参差不齐。有的数据集只是把网上图片打包成zip标注格式混乱有的连标注都没有只是图片文件夹。我的经验是Kaggle上的坑洼数据集可以用但必须做严格清洗最好的用法是作为RDD2022的补充数据用来增加坑洼样本的多样性。另外如果你做的坑洼检测不是四个轮子的乘用车视角而是电动自行车或者步行巡检视角公开数据集基本没有现成的只能靠自己采集。这一点要有心理准备坑洼和裂缝不一样坑洼数据集本身就要少一个数量级。3.4 容易被忽略的辅助数据源AigleRN/ESAR与BDD100K的边界还有一些容易被忽略的数据源虽然不能直接当主力训练集但很有价值AigleRN和ESAR法国交通研究机构发布的道路裂缝数据库图像量级不大以裂缝分割和分类为主学术上常用作方法验证。适合做跨国家、跨路面的泛化测试集。BDD100K伯克利发布的自动驾驶视频数据集总计10万张图像主要标注是驾驶场景目标车辆、行人、可行驶区域等并没有专门做路面裂缝和坑洼的标注。但它的可行驶区域分割标注可以帮你做道路区域过滤先提取道路区域再在道路区域内做病害识别能大幅减少背景干扰提升推理精度。百度飞桨、华为ModelArts等平台上有一些间接相关的路面数据但很多是从上述开源数据集二次整理的使用时要注意追溯原始来源和授权。4. 比选数据集更重要的避坑点标注一致性、类不平衡和跨域失效4.1 裂缝标注粗细差异带来的伪精度这是几乎每个人都会踩的坑。裂缝的像素级标注非常依赖标注人员的主观判断同样一条裂缝A标注员可能只标1像素宽的主线B标注员会把周围模糊区域也标进去变成5像素宽。不同数据集的标注风格差别很大CFD偏粗Crack500相对精细CrackSeg9k因为是合并数据集内部粗细差异更大。如果你把多个数据集混合训练而不做处理模型会学到一个平均宽度标准实际问题不大。但如果你用A数据集训练、B数据集测试会发现分割结果在B数据上总是差口气这不是模型能力问题而是标注风格差异。我建议在训练前对mask做一个预处理统一用形态学腐蚀或膨胀把标注宽度对齐到某个目标范围。实际操作中我会先统计训练集mask裂缝的宽度分布然后对过细的标注做一次膨胀对过粗的标注做一次腐蚀让裂缝宽度先验基本一致。这个操作能明显提升跨数据集的迁移结果。4.2 类不平衡裂缝像素占比可能不到1%裂缝分割是典型的极度类不平衡问题。一张1024×1024的道路图里裂缝像素往往只占整体像素的0.5%到2%。如果直接用普通的交叉熵损失训练模型很快会收敛到所有像素都预测为背景因为这样的准确率已经超过98%了。实际处理有几个办法使用Dice Loss、Focal Loss或者DiceCE组合损失让模型更关注困难样本。对mask做加权采样让包含裂缝的图像块在batch中占更高比例。后处理时用连通域分析和形态学开闭运算去掉面积过小的孤立预测区域减少背景噪声误报。对于检测任务坑洼和裂缝的bbox数量在RDD2022中也远小于背景图像数量但检测任务通常用mAP评估对类不平衡的敏感度低于分割实际训练时问题不大主要靠调整anchor比例和类别权重。4.3 数据泄漏patch划分导致的幻觉分数前面提过Crack500的数据泄漏问题这里值得展开。很多道路语义分割数据集都是先拍大图再切patch如果随机按patch划分train/test同一个大图的不同patch会被分到两侧模型其实已经见过目标场景了测试分数会显著虚高。判断方法很简单训练完成后把测试集里预测效果最好的一批图像找出来看它们的原始大图ID是否和训练集有重叠。如果有你的模型评估就是无效的。正确做法是先确定原始图像ID再按ID划分数据集保证同一个原始图像的所有patch只出现在训练集或测试集之一。如果你用的数据集没有提供原始ID比如某些二次整理版本就按文件名前缀来聚类尽量还原原始分组关系。4.4 跨域失效在德国数据上训完回到自己城市道路上为什么翻车我做过一个实验用RDD2022里的德国数据训练YOLOv8然后直接拿到国内一条城市道路上测试效果惨不忍睹——漏检率很高而且把路面的新旧沥青接缝误检成裂缝。这就是典型的跨域问题。原因有几方面路面材料不同德国和国内的道路纹理差异很大标线不同虚线实线颜色宽度都不一样光照条件不同训练数据大多是白天晴朗天气实际巡检时阴天、逆光、阴影纷纷出现相机安装高度和角度不同病害在图像里的尺度和视角都变了。应对跨域失效的办法采集一部分目标场景数据做微调这是最有效的方法几百张图往往就能救回来。使用图像风格增强比如随机调整色彩、对比度、亮度模拟不同天气和光照。对车载部署场景训练时增加随机透视变换和模糊增强模拟车身振动和拍摄角度变化。条件允许的话用不同国家的数据混合训练模型见过足够多风格后对新场景的适应性会好很多。4.5 授权与合规非商用限制不是小事很多开源数据集并不是完全自由使用的。我见过不少团队直接把数据集下载下来训练商业模型结果上线前法务审查发现数据集只限科研使用整个技术方案都要推翻重做。使用前务必确认每个数据集的License或者作者声明RDD2022在IEEE DataPort上发布下载和使用通常要求引用原始论文部分用途可能需要按平台条款执行。GAPs我记得有明确的使用条款偏科研导向商用必须联系作者。CFD在GitHub上公开但具体授权要看仓库的License文件。SDNET2018通常在大学机构网站上发布也要求非商业用途或者引用论文。最稳妥的做法是建一个数据集清单表格记录数据集的来源、下载日期、License类型、是否允许商用、是否需要引用论文。这个习惯能帮你避免很多后续麻烦。5. 数据集拿到手后的处理流水线体检、格式转换、划分与训练建议5.1 先做数据体检不要急着开训任何一个数据集下载下来第一件事不是解压开训而是写个脚本做全面体检。需要用几段脚本分别统计图像总数、尺寸分布、通道数、格式。标注文件是否与图像一一对应是否有缺失或多余文件。标注框是否有坐标越界、宽高为0、重复框等问题。分割mask的类别分布以及掩码是否对齐到对应图像。这一步能拦下大量脏数据。我曾经拿到一个数据集发现其中几十张图像的mask是从别的图上复制过来的位置完全对不上这要是直接训练模型会被带偏。体检代码不需要很复杂用Python跑一遍就能发现问题。5.2 标注格式统一XML、JSON、mask互转的注意点公开数据集的标注格式五花八门RDD2022是XMLVOC格式Crack500是mask图片SDNET2018是文件名或csv标签GAPs标注格式可能需要从官方文档确认。训练前必须统一格式。建议统一到一个标准流程所有检测标注统一转成COCO JSON或者YOLO txt。转YOLO时要注意坐标是归一化的中心点格式用bbox中心坐标除以图像宽高容易出现除以0或者坐标越界的问题建议先做校验。所有分割mask统一转成PNG格式的二值图背景为0前景为1或255。多类别分割时类别ID要从1开始0保留给背景。图像统一命名建议格式为datasetname_originalid_patchid.jpg这样后续按原始ID划分时一目了然。格式转换阶段最容易出的错是图像resize后mask没有跟着resize导致mask和图像错位。如果训练时输入尺寸固定为512×512记得用同样的插值方式处理图像用最近邻插值处理mask避免类别边缘被平滑模糊。5.3 训练/验证/测试划分的正确姿势数据划分直接决定你的指标有没有说服力。建议按照原始场景分组和国家/路段分组两个维度来划分。如果是Crack500这类patch数据集按原始图像ID分组。如果是RDD2022这类多国数据集可以考虑按国家划分训练集用日本印度验证集用捷克测试集用挪威这样做出来的泛化性指标更有参考价值。建议测试集保持10%-20%的比例且保证测试集中的病害类别分布与训练集接近。划分完成后检查一下每张测试图像与训练图像是否存在高度相似。比如有些数据集存在同一路段连续拍摄的帧相邻帧视觉上几乎一样这类相似图像如果出现在两侧同样会导致指标虚高。5.4 针对裂缝和坑洼的数据增强策略数据增强不能盲目套用通用方案针对路面病害的特点我有几个相对有效的组合几何增强随机旋转±15度、水平翻转、垂直翻转、随机缩放0.5到2.0。垂直翻转在车载场景下可以不用因为车辆不会倒着开。彩色增强亮度随机调整±30%、对比度±20%、HSV色相微调。这能模拟阴天、晴天、逆光和不同相机白平衡。模糊和噪声高斯模糊、运动模糊、高斯噪声模拟车载运动中拍摄到的模糊帧和低照度噪声。弹性形变对分割任务弹性形变能模拟路面形变和拍摄角度扭曲效果很好但对检测任务不建议用会让bbox和图像内容产生错位。CutMix/拼接增强把真实裂缝patch贴到干净路面上生成新的训练样本。这个方法对坑洼和裂缝都有效能显著增加阳性样本数量和场景多样性。训练时还有一个小技巧对裂缝分割模型可以在mask上随机做1到2个像素的膨胀让模型不要过于执着于全世界最精细的裂缝边界这能提升真实场景下的鲁棒性代价是理论IoU会稍微下降。但对实用来讲鲁棒性比漂亮的理论指标值钱。5.5 模型选型建议检测用YOLO系分割用UNet/DeepLabV3基于这些数据集的实际使用体验模型选型我给出相对保守的建议目标检测RDD2022直接配YOLOv8或YOLOv5就能获得不错的baseline。输入分辨率建议640×640以上patch中裂缝占比小分辨率太低小目标会漏检。语义分割UNet、DeepLabV3、PSPNet是稳定选择backbone用ResNet50或ResNet101ImageNet预训练是标配。裂缝分割对小裂缝细节要求高可以考虑增加注意力模块或者空洞卷积在Decoder中的应用。分类筛查MobileNetV3、EfficientNet系列适合做有无病害的二分类筛查速度快、体积小方便部署到边缘设备。关于训练轮数公开数据集规模不算大一般100到200个epoch就能收敛重点放在早停和学习率调度上。如果发现训练loss下降正常但验证指标波动大优先检查数据泄漏和标注噪声而不是疯狂调模型。最后分享一点个人体会公开数据集的意义是帮你把问题定义清楚、把流程跑通、把baseline立起来但它替代不了现场数据。真正上线的系统至少要留出总体数据的20%做实地采集并且持续回流那些模型预测失败的硬样本。道路病害场景的分布太散了每个城市的路面材料、施工工艺、养护水平都不一样没有一个公开数据集能覆盖所有情况。把这篇提到的数据集用好你的项目已经赢在起跑线上了剩下的路得靠自己的数据和迭代跑出来。