此数据集涵盖了带有和不带有掩膜的无人机拍摄城市建筑物图像，包含众多清晰标注的城市建筑屋顶照片，非常适合用于训练目标检测模型。数据集已经过标注，可以直接投入使用，支持多种格式输出，属于单一类别。

1

1

1

所提供的数据集包括高分辨率的城市建筑屋顶航空影像，具有边界框和掩膜标注，适用于目标检测与实例分割任务。

一、数据集核心特点

.txt

二、主要应用场景

1. 智慧城市与城市规划
   自动绘制城市建筑布局图
   分析建筑密度、监控城市扩展
   土地用途分类（居住/商业/工业）
   政府机构用于人口统计、房地产登记
   示例：利用AI技术快速生成“城市三维模型”的基础数据
2. 地理信息系统（GIS）与遥感
   更新高精度地图（例如Google Earth、百度地图）
   建设数字孪生城市
   地形建模与空间分析
   结合LiDAR数据进行三维重建
   示例：自动识别新建筑，帮助测绘公司更新数据库
3. 灾害评估与应急管理
   地震、洪水后迅速评估建筑物受损状况
   识别坍塌、倾斜、开裂的建筑物
   规划紧急救援路线
   估计损失（根据建筑物数量与面积）
   示例：灾后1小时内完成全市建筑状态评估
4. 自动驾驶与机器人导航
   构建高精度地图（建筑边界作为道路网络参考）
   室外环境理解（建筑作为静态障碍物）
   无人机自主飞行路径规划（避开建筑物群体）
   示例：自动驾驶汽车在复杂城市环境中识别建筑边缘以避免碰撞
5. 生态环境与可持续发展
   监测建筑屋顶绿化（光伏板与植物）
   分析城市热岛效应（建筑密度对温度的影响）
   评估太阳能潜力（屋顶面积+方向）
   示例：政府推行“绿色屋顶”政策，AI监测实施情况

提供带有掩膜和无掩膜的城市建筑屋顶数据集的完整训练代码，支持目标检测（边界框）和实例分割（实例分割）两种任务。使用Ultralytics YOLOv8框架（截至2025年最稳定、功能最全面的官方YOLO实现），并提供从数据准备到模型导出的全过程。

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

支持两种操作模式：
- 仅检测：

labels/*.txt

class_id x y w h

labels/*.txt

class_id x1 y1 x2 y2 ... xn yn

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 文件夹中的多点坐标作为 mask

四、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）

五、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"当前使用设备: {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，建议设置为 ≥640
  batch=16, # 根据 GPU 调整（例如32G显存可以设置为32）
  name=project_name,
  device=device,
  patience=25, # 早期停止
  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, # 开启 Mosaic、HSV、旋转等增强
  degrees=10.0, # ±10° 旋转（适用于航拍）
  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

六、模型导出（用于部署）
# export_model.py
from ultralytics import YOLO

首先，我们加载了预训练的YOLO模型，该模型专用于建筑分割任务：

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

接下来，我们将模型导出为不同的格式，以便在不同类型的硬件上高效运行。

• 对于通用用途，我们将模型导出为ONNX格式：

model.export(format='onnx', imgsz=640, simplify=True)

• 为了在Jetson或NVIDIA GPU上使用，我们将模型导出为TensorRT格式：

model.export(format='engine', imgsz=640, half=True, device=0)

• 最后，为了在Intel CPU上运行，我们将模型导出为OpenVINO格式：

model.export(format='openvino', imgsz=640)

七、预期性能（基于类似数据集的经验）

根据我们在类似数据集上的经验，以下是预期的性能指标：

当建筑物轮廓清晰且背景简单时，实现 mAP > 0.9 是完全可行的。