建筑物检测数据集实战：从压缩包到YOLO训练与实例分割全流程

简介这份建筑物检测数据集面向从事目标检测与实例分割的算法工程师、高校研究者及AI学习者聚焦城市建筑场景下的单类别识别需求。数据覆盖训练集1076张、验证集103张、测试集51张共1230张JPEG图像均采用YOLO格式标注边界框与类别标签可直接接入主流深度学习框架训练。压缩包共2000个文件含1230个txt标注文件、768个jpg图像、1个yaml数据配置及1份docx说明文档整体约45.23MB目录结构清晰便于快速加载。数据集可服务于城市规划与建筑监测、房地产评估、自然灾害后建筑状态排查以及自动驾驶与无人机航拍中的建筑定位等场景。其优势在于标注精准、类别专注、场景多样有助于提升模型在不同环境下的泛化能力。目前已有95人学习关注适合需要快速验证建筑物检测方案或补充行业数据的中高级开发者参考使用。1. 建筑物检测数据集从压缩包到可训练模型的落地路径如果你正在做遥感影像或航拍图里的建筑物提取大概率绕不开两件事一是找不到带像素级标注的干净数据二是好不容易找到一份解压后发现格式对不上、类别对不齐、训练时 loss 直接炸成 NaN。这份建筑物检测数据集_20251116_120515.zip就是冲着第一个问题来的——它是一份面向 YOLO 目标检测与实例分割任务的行业数据集标注覆盖建筑物边界框与掩膜适合直接喂给 ultralytics 系的模型做训练或微调。它解决的不是有没有数据的问题而是数据能不能直接进训练管线的问题。适合两类人一类是想快速验证建筑物检测/分割方案可行性的算法工程师另一类是需要一份结构规整的标注数据来做课程设计或原型开发的学生和独立开发者。下面我按自己拆包、转格式、跑通训练的实际顺序把这份资源从里到外讲一遍。2. 拆开压缩包先看什么目录结构与标注格式的对应关系拿到一个数据集压缩包我一般不会急着写 dataloader而是先把目录树打出来确认三件事图像和标签是不是一一对应、标注是 YOLO txt 还是 COCO json、有没有实例分割需要的 polygon 或 mask 信息。这三件事决定了后面走检测路线还是分割路线也决定了要不要写转换脚本。2.1 用 tree 和文件计数快速摸清结构解压之后第一件事是看目录层级。常见做法是 images/ 和 labels/ 平行放置或者 train/val/test 各自带 images 和 labels 子目录。用下面这组命令可以在十秒内判断结构是否规整# 解压到独立目录避免污染当前工作区 unzip 建筑物检测数据集_20251116_120515.zip -d building_dataset # 看两层目录结构不展开到文件级别 find building_dataset -maxdepth 2 -type d | sort # 统计图像文件数量常见后缀 find building_dataset -type f \( -name *.jpg -o -name *.png -o -name *.jpeg \) | wc -l # 统计标签文件数量 find building_dataset -type f -name *.txt | wc -l find building_dataset -type f -name *.json | wc -l逻辑说明-maxdepth 2是为了不被深层文件刷屏先看骨架图像计数和标签计数如果对不上说明有图没标或者有标没图这种情况在行业数据集里并不少见尤其是从标注平台导出时漏了某几个批次。参数上如果你的数据是 tif 遥感影像把后缀换成*.tif再跑一遍。如果图像数和 txt 数一致基本可以判断是 YOLO 格式的检测标注如果同时存在 json 且体积不小那大概率是 COCO 格式里面可能带 segmentation 字段能直接做实例分割。这一步的判断直接决定第 3 章走哪条路。2.2 判断标注是检测框还是实例分割掩膜YOLO 检测的 txt 每行是class x_center y_center width height五个值归一化到 0~1。实例分割的 txt 每行是class x1 y1 x2 y2 ... xn yn后面跟一串多边形点点数不固定。用一行命令就能区分# 取一个标签文件看每行的字段数分布 awk {print NF} building_dataset/labels/xxx.txt | sort | uniq -c如果字段数集中在 5就是纯检测如果出现大量大于 5 且为偶数的行就是分割多边形。这里有个容易翻车的点有些数据集检测和分割混在一起同一个 txt 里既有 5 字段行也有多边形行dataloader 不处理会直接报维度错误。遇到这种要么按任务拆成两份标签要么在 dataset 类里做分支解析。提示先确认类别数。看有没有 classes.txt 或 data.yaml里面 names 列表的长度就是类别数。建筑物检测常见是单类building但也有细分residential、commercial、industrial的多类版本类别对不上会让训练结果完全不可用。2.3 图像与标签的配对校验脚本在正式转格式之前我习惯跑一个配对校验把孤儿图像和孤儿标签都揪出来。这个脚本不长但能省掉后面训练时报找不到标签的反复排查import os from pathlib import Path img_dir Path(building_dataset/images) lbl_dir Path(building_dataset/labels) # 收集 stem不含后缀的文件名 img_stems {p.stem for p in img_dir.glob(*) if p.suffix.lower() in {.jpg, .png, .jpeg}} lbl_stems {p.stem for p in lbl_dir.glob(*.txt)} only_img img_stems - lbl_stems only_lbl lbl_stems - img_stems print(f图像总数: {len(img_stems)}, 标签总数: {len(lbl_stems)}) print(f有图无标: {len(only_img)} - {list(only_img)[:5]}) print(f有标无图: {len(only_lbl)} - {list(only_lbl)[:5]})逻辑说明用 set 做差集是最快的配对检查方式比双重循环快几个数量级。参数上如果你的图像和标签不在平行目录改img_dir和lbl_dir即可。输出里有图无标的数量如果超过总数的 5%建议直接剔除这些图否则训练时要么报错要么被静默跳过影响 epoch 统计。3. 转成 YOLO 训练格式data.yaml 配置与目录重组确认了标注格式之后下一步是把它整理成 ultralytics YOLO 能直接吃的结构。YOLO 系对目录结构有约定images/train、images/val、labels/train、labels/val再加一个data.yaml指向这些路径和类别名。这一步做对了后面model.train()基本就是一行的事。3.1 划分 train/val 并重组目录如果原始数据没有划分我一般按 8:2 随机切分并且固定随机种子保证每次复现一致。下面这个脚本做三件事切分、复制文件、生成 data.yaml。import random import shutil from pathlib import Path random.seed(42) # 固定种子保证可复现 src_img Path(building_dataset/images) src_lbl Path(building_dataset/labels) dst Path(yolo_dataset) # 收集所有 stem 并打乱 stems sorted({p.stem for p in src_img.glob(*) if p.suffix.lower() in {.jpg, .png, .jpeg}}) random.shuffle(stems) split int(len(stems) * 0.8) train_stems, val_stems stems[:split], stems[split:] for subset, subset_stems in [(train, train_stems), (val, val_stems)]: (dst / images / subset).mkdir(parentsTrue, exist_okTrue) (dst / labels / subset).mkdir(parentsTrue, exist_okTrue) for stem in subset_stems: # 找原图后缀可能不统一 for ext in [.jpg, .png, .jpeg]: img_path src_img / f{stem}{ext} if img_path.exists(): shutil.copy(img_path, dst / images / subset / img_path.name) break lbl_path src_lbl / f{stem}.txt if lbl_path.exists(): shutil.copy(lbl_path, dst / labels / subset / lbl_path.name) print(ftrain: {len(train_stems)}, val: {len(val_stems)})逻辑说明random.seed(42)是血泪经验不固定种子的话每次跑出来的验证集不一样指标波动你根本分不清是模型问题还是数据划分问题。参数上0.8 这个比例对小数据集可以调到 0.9但验证集少于 50 张时指标会很不稳定建议至少留 100 张做验证。3.2 data.yaml 的字段含义与常见写错重组完目录写 data.yaml。这个文件看着简单但写错一个字段训练就起不来path: /abs/path/to/yolo_dataset # 数据集根目录建议写绝对路径 train: images/train # 相对 path 的路径 val: images/val nc: 1 # 类别数 names: [building] # 类别名顺序必须和标注里的 class id 对应逻辑说明path用绝对路径能避免在哪个目录下运行脚本导致的路径歧义这是最常见的翻车点之一。nc和names长度必须一致且names的顺序要和标注文件里 class id 的映射一致——如果标注里 0 代表 building你 names 第一个写了别的模型学出来的东西就是错的。参数上多类数据集把nc改成实际类别数names按 id 顺序列全。3.3 用一行命令验证格式是否被正确解析在正式训练前我习惯先用 YOLO 自带的校验跑一遍确认没有格式错误yolo detect train datayolo_dataset/data.yaml modelyolov8n.pt epochs1 imgsz640 batch4逻辑说明跑 1 个 epoch、小 batch目的不是训练而是让 ultralytics 把数据集扫描一遍。如果标注有越界坐标、类别 id 超范围、图像损坏这一步就会报出来比训练到一半崩掉强。参数上imgsz要和你的图像实际分辨率匹配遥感图常见 512 或 640航拍图可能到 1024先用小尺寸验证流程通不通再放大。注意如果这一步报 Label class X exceeds nc说明标注里的 class id 大于等于 nc要么改 nc要么检查标注是不是从别的数据集混进来的。这个错误在合并多个来源的数据时特别常见。4. 实例分割任务的额外处理从多边形到掩膜如果第 2 章判断出标注带多边形点那这份数据还能直接做实例分割价值比纯检测高一档。但分割对标注质量更敏感多边形自交、点序错乱、点数过少都会让掩膜生成失败。这一章讲怎么把多边形标注安全地喂给 YOLO 分割模型。4.1 多边形标注的合法性检查YOLO 分割要求每个多边形至少 3 个点且不能自交。下面这个脚本用 shapely 做合法性过滤把有问题的标注挑出来from shapely.geometry import Polygon from pathlib import Path lbl_dir Path(yolo_dataset/labels/train) bad_files [] for txt in lbl_dir.glob(*.txt): for line in txt.read_text().strip().splitlines(): parts line.split() cls_id parts[0] coords list(map(float, parts[1:])) # 转成 (x, y) 点对 points [(coords[i], coords[i1]) for i in range(0, len(coords), 2)] if len(points) 3: bad_files.append((txt.name, 点数不足3)) continue poly Polygon(points) if not poly.is_valid: bad_files.append((txt.name, 多边形自交或退化)) print(f问题标注数: {len(bad_files)}) for name, reason in bad_files[:10]: print(name, reason)逻辑说明shapely 的is_valid能同时抓出自交和退化面积为零的多边形。参数上如果问题标注占比很小比如低于 2%直接删掉这些标注行即可如果占比高说明标注平台导出有问题得回去重新导出硬修的成本比重标还高。4.2 分割训练配置与检测配置的差异分割任务的 data.yaml 和检测几乎一样区别在模型选择和训练参数。检测用yolov8n.pt分割要用yolov8n-seg.ptyolo segment train datayolo_dataset/data.yaml modelyolov8n-seg.pt epochs50 imgsz640 batch8逻辑说明-seg后缀的模型头输出掩膜系数和检测头不通用拿检测权重去初始化分割模型会报维度不匹配。参数上分割任务显存占用比检测高约 30%~50%同样 batch 下如果 OOM先把 batch 降到 4 再试。imgsz对分割尤其关键小目标建筑物的掩膜在 640 下可能只剩几个像素建议至少 640有条件的上 1024。4.3 掩膜质量的可视化验证训练前用几行代码把标注掩膜画出来比看指标直观得多import cv2 import numpy as np from pathlib import Path img cv2.imread(yolo_dataset/images/train/xxx.jpg) h, w img.shape[:2] overlay img.copy() for line in Path(yolo_dataset/labels/train/xxx.txt).read_text().strip().splitlines(): parts line.split() coords list(map(float, parts[1:])) pts np.array([(coords[i]*w, coords[i1]*h) for i in range(0, len(coords), 2)], np.int32) cv2.fillPoly(overlay, [pts], (0, 255, 0)) cv2.addWeighted(overlay, 0.4, img, 0.6, 0, img) cv2.imwrite(check_mask.jpg, img)逻辑说明把归一化坐标乘回宽高再fillPoly能直接看出标注是否贴合建筑物轮廓。参数上addWeighted的 0.4 是掩膜透明度觉得太淡可以调到 0.6。这一步能抓出标注框对了但多边形飘了的情况这种问题在指标上不一定明显但分割边缘会很脏。5. 避坑与排查训练前后最容易翻车的五个点这一章是我自己在这类数据集上踩过的坑按现象 → 原因 → 解决写每条都是真实会遇到的。现象一训练 loss 正常下降但验证 mAP 一直是 0。原因通常是验证集标签路径没配对或者 data.yaml 里 val 指向的目录是空的。解决用第 2.3 节的配对脚本对 val 目录再跑一遍确认 images/val 和 labels/val 的 stem 完全一致。现象二报 No labels found 但目录里明明有 txt。原因是 ultralytics 默认按图像路径把images替换成labels来找标签如果你的目录名不是这个约定比如叫imgs和anns它就找不到。解决要么改成约定目录名要么在 data.yaml 里显式指定 labels 路径。现象三训练几个 epoch 后 loss 变 NaN。常见原因是标注里有坐标超出 0~1 范围或者多边形点数异常导致掩膜计算溢出。解决跑第 4.1 节的合法性检查把越界坐标 clamp 到 [0,1]把异常标注剔除。现象四显存够但训练极慢。原因是图像分辨率远大于 imgszdataloader 每步都在做大幅缩放。解决提前把图像 resize 到接近 imgsz 的尺寸存一份训练时直接读速度能快一倍以上。现象五分割结果边缘锯齿严重。原因是多边形点数太少掩膜分辨率不够。解决如果原始标注点数就少可以在转格式时对多边形做插值加密但这只是缓解根治还得靠重新标注。注意这五条里前三条是配置问题后两条是数据质量问题。配置问题改一行就好数据质量问题往往要回到标注环节所以拆包后的第一轮检查越细后面返工越少。6. 进阶技巧用预训练权重冷启动与指标解读数据跑通之后真正决定效果的是两件事怎么用预训练权重冷启动以及怎么看指标判断模型到底行不行。这一章讲两个我常用的技巧。6.1 冻结 backbone 做小数据集的冷启动建筑物数据集如果只有几百张从头训练很容易过拟合。常见做法是先冻结 backbone 训练几轮让检测头/分割头先适配你的类别再解冻全量微调# 第一阶段冻结 backbone只训练头 yolo detect train datayolo_dataset/data.yaml modelyolov8n.pt epochs20 freeze10 imgsz640 batch8 # 第二阶段解冻全量微调学习率调小 yolo detect train datayolo_dataset/data.yaml modelruns/detect/train/weights/best.pt epochs50 lr00.001 imgsz640 batch8逻辑说明freeze10表示冻结前 10 层YOLOv8n 的 backbone 大约就在这个范围。第一阶段用默认学习率快速让头收敛第二阶段用lr00.001的小学习率精调避免把预训练特征冲掉。参数上数据量少于 500 张时 freeze 阶段可以拉到 30 轮数据量上千则 10 轮就够。6.2 看懂 mAP50 和 mAP50-95 的差距训练完看结果两个指标最关键mAP50 和 mAP50-95。前者是 IoU 阈值 0.5 下的平均精度后者是 0.5 到 0.95 每隔 0.05 取一次再平均。建筑物检测里如果 mAP50 很高但 mAP50-95 很低说明框的位置大致对但不够精准常见于标注框偏大或偏小。分割任务还要看 mask mAP它比 box mAP 低 5~10 个点是正常的低太多说明掩膜质量有问题。指标含义建筑物场景参考值mAP50IoU0.5 的平均精度单类通常 0.85mAP50-95多 IoU 阈值平均比 mAP50 低 0.1~0.2mask mAP50掩膜 IoU0.5比 box mAP50 低 5~10 点precision查准率误检多时偏低recall查全率漏检多时偏低逻辑说明这张表不是让你背而是训练完对着看。如果 mAP50 到 0.9 但 recall 只有 0.6说明模型很保守很多建筑物没检出来这时候要检查是不是小目标太多、imgsz 太小。如果 precision 低多半是背景被误判成建筑物看看负样本够不够。从那以后我每次拿到新数据集都强制走一遍配对校验 → 格式确认 → 单 epoch 验证 → 掩膜可视化这四步哪怕数据看起来再规整也不跳过。这套流程帮我省下的返工时间远比多跑几个 epoch 值钱。希望帮到你。本文还有配套的精品资源点击获取