航拍无人机灾后洪水房屋检测数据集 如何构建基于深度学习灾后无人机YOLOV8房屋检测系统 自然灾害

无人机图像航拍灾后洪水房屋检测数据集

训练集6462张，验证集318张，测试集325张～

train: …/train/images
val: …/valid/images
test: …/test/images

nc: 3
names: [‘Flooded’, ‘Not-Flooded’, ‘Partially-Flooded’]

无人机航拍灾后洪水房屋检测数据集

📊 数据集总体概览

🗂️ 数据划分详情

✅ 对应的标签路径通常为：

• ../train/labels
• ../valid/labels
• ../test/labels

🏠 类别定义与语义说明

📄 YOLO 配置文件（dataset.yaml示例）

# dataset.yamltrain:../train/imagesval:../valid/imagestest:../test/imagesnc:3names:['Flooded','Not-Flooded','Partially-Flooded']

✅ 典型应用场景

• 灾情快速评估：通过无人机自动识别受灾房屋比例
• 应急资源调度：优先救援“完全淹没”区域居民
• 保险理赔支持：提供客观房屋损毁状态证据
• 重建规划辅助：统计不同淹没程度房屋分布

基于 YOLOv8 的无人机航拍灾后洪水房屋检测智能灾害响应系统的完整代码方案，涵盖：

✅ 数据配置
✅ 模型训练（含类别不平衡优化）
✅ 图像/视频/实时流推理
✅ 可视化与灾情统计
✅ 部署建议

📁 一、项目结构

flood_house_detection/ ├── data/ │ ├── train/ │ │ ├── images/# 6462 张│ │ └── labels/# YOLO .txt│ ├── valid/ │ │ ├── images/ │ │ └── labels/ │ ├── test/ │ │ ├── images/ │ │ └── labels/ │ └── dataset.yaml ├── models/# 训练输出├── outputs/# 推理结果├── weights/# 预训练模型（可选）├── train.py# 训练脚本├── detect.py# 推理核心├── report.py# 灾情统计报告├── utils/ │ └── visualize.py# 标注可视化└── requirements.txt

📦 二、环境依赖（requirements.txt）

ultralytics==8.2.0 opencv-python==4.8.0 numpy==1.24.3 matplotlib pandas tqdm scikit-learn

安装：

pipinstall-r requirements.txt

📄 三、数据配置文件dataset.yaml

# data/dataset.yamltrain:../train/imagesval:../valid/imagestest:../test/imagesnc:3names:['Flooded','Not-Flooded','Partially-Flooded']

✅ 确保labels/文件夹与images/同级，且.txt文件名一致。

🚀 四、模型训练（train.py）— 针对类别不平衡优化

# train.pyfromultralyticsimportYOLOdeftrain_flood_detector():# 使用 yolov8s（平衡精度与速度）model=YOLO("yolov8s.pt")results=model.train(data="data/dataset.yaml",imgsz=640,epochs=100,batch=32,device=0,# GPU ID；无 GPU 改为 "cpu"name="flood_house_yolov8s",project="models",patience=30,save=True,augment=True,# 增强策略：提升小目标 & 鲁棒性hsv_h=0.015,hsv_s=0.7,hsv_v=0.4,degrees=10.0,translate=0.1,scale=0.5,fliplr=0.5,mosaic=1.0,mixup=0.1,# 关键：启用类别平衡（Ultralytics 内部自动处理样本权重）# 注：YOLOv8 默认在损失函数中使用 class weights（基于标签频率）)print(f"✅ 训练完成！最佳模型路径:{results.save_dir}/weights/best.pt")if__name__=="__main__":train_flood_detector()

💡说明：YOLOv8 在训练时会自动根据各类标注数量计算类别权重（class weights），缓解“Flooded”样本少的问题。

🔍 五、推理检测（detect.py）

# detect.pyimportcv2importosfromultralyticsimportYOLOimportnumpyasnpclassFloodHouseDetector:def__init__(self,model_path="models/flood_house_yolov8s/weights/best.pt"):self.model=YOLO(model_path)self.class_names=["Flooded","Not-Flooded","Partially-Flooded"]self.colors=[(0,0,255),(0,255,0),(255,165,0)]# BGR: Red, Green, Orangedefdetect_image(self,image_path,conf=0.3,save_dir="outputs"):image=cv2.imread(image_path)results=self.model(image,conf=conf)annotated=results[0].plot()# 自动使用内置颜色os.makedirs(save_dir,exist_ok=True)out_path=os.path.join(save_dir,os.path.basename(image_path))cv2.imwrite(out_path,annotated)# 统计结果boxes=results[0].boxes counts={name:0fornameinself.class_names}forclsinboxes.cls:counts[self.class_names[int(cls)]]+=1print(f"📊 检测结果:{counts}")returnannotated,countsdefdetect_video(self,video_path,conf=0.3):cap=cv2.VideoCapture(video_path)fps=int(cap.get(cv2.CAP_PROP_FPS))w=int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))h=int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))out_path="outputs/detected_"+os.path.basename(video_path)out=cv2.VideoWriter(out_path,cv2.VideoWriter_fourcc(*'mp4v'),fps,(w,h))total_counts={name:0fornameinself.class_names}frame_id=0whilecap.isOpened():ret,frame=cap.read()ifnotret:breakresults=self.model(frame,conf=conf)[0]out.write(results.plot())# 累计每帧检测数（可选：仅关键帧统计）ifframe_id%30==0:# 每秒统计一次（假设30fps）forclsinresults.boxes.cls:total_counts[self.class_names[int(cls)]]+=1frame_id+=1cap.release()out.release()print(f"✅ 视频检测完成 →{out_path}")print(f"📈 累计检测:{total_counts}")returntotal_counts

📊 六、灾情统计报告（report.py）

# report.pyimportosfromdetectimportFloodHouseDetectorimportpandasaspddefgenerate_disaster_report(test_dir="data/test/images",output_csv="outputs/disaster_report.csv"):detector=FloodHouseDetector()report_data=[]forimg_nameinos.listdir(test_dir):ifimg_name.lower().endswith(('.jpg','.png','.jpeg')):img_path=os.path.join(test_dir,img_name)_,counts=detector.detect_image(img_path,conf=0.3,save_dir="outputs/test_results")row={"image":img_name,**counts}report_data.append(row)df=pd.DataFrame(report_data)df.to_csv(output_csv,index=False)print(f"✅ 灾情报告已保存至:{output_csv}")# 打印汇总total=df.sum(numeric_only=True)print("\n🌍 灾情总览:")forcls,numintotal.items():print(f" -{cls}:{int(num)}栋")if__name__=="__main__":generate_disaster_report()

▶️ 七、使用示例

1. 训练模型

python train.py

2. 检测单张图像

fromdetectimportFloodHouseDetector detector=FloodHouseDetector()img,stats=detector.detect_image("test_images/flood_area.jpg")

3. 生成灾情报告

python report.py

4. 检测视频（用于无人机回传视频流）

detector=FloodHouseDetector()detector.detect_video("drone_footage.mp4")

🛠️ 八、部署与工程化建议

防汛抗旱指挥部、应急管理局、保险公司、测绘单位等场景，实现“空天地一体化”智能灾评。