简介面向自动驾驶、智能交通与道路养护场景的路面状况识别需求这套雨雪天气路面状况数据集提供了四类典型路面的原始图像可用于训练结冰、积雪、雨天湿滑和干燥路面的检测与分类模型。压缩包共651个文件包含646张原始JPG图片、3个COCO格式JSON标注文件和2个TXT辅助文件总大小26.92MB。JSON标注采用COCO标准结构便于直接接入MMDetection、Detectron2等常见目标检测框架。目前已有1010人浏览学习适合计算机视觉初学者作为入门数据集也适合有经验的开发者快速验证模型效果。图片均保留原始拍摄状态未做裁剪增强更接近真实监测场景四类路面标签覆盖常见危险路况可帮助算法模型提升在恶劣天气下的识别鲁棒性。数据量适中便于快速跑通训练流程和进行算法迭代。1. 雨雪天气路面状况数据集一行标注背后是自动驾驶感知最难啃的骨头拿到这套「雨雪天气路面状况数据集」的压缩包先别急着解压丢进训练脚本。它解决的是视觉感知里一个非常具体的问题让模型在结冰路面、雪地、下雨湿滑、干燥路面这四种路况下都能准确判断可行驶区域的路面状态。这四个类别看似简单真正做起来比想象中烦琐——结冰和雪地在某些光照下几乎无法区分雨天湿滑路面和刚洒过水的干燥路面在图像上差别极小。这套数据集的标注图片全部采用原始采集图片没有做过合成增强这对训练出的模型泛化能力至关重要。这篇笔记会从COCO标记格式的读取与校验开始一路讲到如何把它干净地接到目标检测训练流程里最后落到数据集验收的实用技巧上。无论你是要训练路况识别模型还是想把手头类似的路面数据整理成可复用的格式都可以照着一套流程走下来。标签是死的路况是活的。同一条柏油路凌晨结霜和中午干燥在图像上可能就是一层高光与暗面的差别。所以这个方向的数据集核心难点从来不是框得准不准而是类别边界有没有被严格定义清楚。2. COCO标记格式先把JSON读明白再谈训练2.1 从zip解压到能够直接使用的工程目录第一步永远是看目录结构。一个规范的COCO标记数据集压缩包解压出来后通常分为images目录和annotations目录这是最常见的组织方式。images里是原始图片annotations里是标注JSON文件。我习惯的做法是解压后不直接使用而是先建立一套固定工程目录把数据和代码分离避免后续训练时路径混乱。具体落地是这样的mkdir -p road_condition_dataset/{images,annotations,labels,output} unzip 雨雪天气路面状况数据集.zip -d road_condition_dataset/raw # 移动图片和标注到你想要的位置 mv road_condition_dataset/raw/images/* road_condition_dataset/images/ 2/dev/null mv road_condition_dataset/raw/annotations/* road_condition_dataset/annotations/ 2/dev/null为什么要多做这一步因为很多数据集压缩包内部的目录层级不一致有的把图片直接放在根目录有的按场景分子目录。如果直接把整个zip解压后的路径喂给训练脚本后续换机器、换环境时路径出错率极高。我在实际项目中遇到过不止一次标注文件里引用了images/xxx.jpg但解压后的实际目录是raw_images/xxx.jpg导致训练开始就报文件不存在的错误。所以解压后先确认目录结构把图片和标注统一归位是成本最低的一步。这里还有一个常见问题解压出来的zip里有时会残留__MACOSX之类的系统隐藏目录或者图片文件名含有空格、中文等特殊字符。这在COCO格式里不是大问题但后续转YOLO格式时txt文件名跟着图片名走特殊字符会引入隐患。稳妥做法就是解压后做一轮文件名清洗统一重命名为纯英文数字和下划线。清洗逻辑顺手写成一个python脚本避免手工改名的低级错误。2.2 COCO JSON的五个关键字段images、annotations、categoriesCOCO标记格式的核心是一个JSON文件这个文件里通常包含五个顶层字段info、licenses、images、annotations、categories。训练真正会用到的只有后三个info和licenses是元信息不影响训练。你可以参考coco2017数据集结构来理解这套规范的通用性它最早是微软COCO数据集的格式标准后来被大量目标检测框架原生支持成了业界事实标准。images字段是一个列表每项对应一张图片必填字段是id、file_name、width、height。这里的id是图片在数据集内部的唯一标识file_name是相对路径或文件名宽高是像素值。这套雨雪路面数据集里的图片是原始图片意味着宽高就是采集设备输出的原始尺寸一般不需要再缩放。特别注意file_name里写的路径要和实际解压后的文件位置一致这是最常见的出错点。annotations字段是标注的主体每项对应一个目标框。关键字段有id标注唯一ID、image_id关联到images字段里的id、category_id关联到categories里的id、bbox四元素列表[x, y, width, height]x和y是框左上角坐标、area面积矩形框就是宽乘高、iscrowd0或1表示目标是否为密集群体。路面状况识别里几乎不会用到iscrowd但字段本身在标准COCO格式里必须存在否则某些框架解析会报错。categories字段是类别定义每项包含id、name、supercategory。在这套数据集中就是四类路面状况的id和名称对应关系。这里有一个值得注意的细节标准COCO格式里的category id通常从1开始编号这和YOLO系列训练时class id从0开始的习惯不同转换时要做减一处理。很多人在这里翻过车后续章节会专门展开。2.3 用Python做标注合法性体检bbox边界、面积与类别id拿到COCO格式的标注文件不要直接开始训练先跑一遍体检脚本。这个脚本能帮你提前发现大量脏数据问题比训练到一半再排查效率高得多。下面这个脚本是几行代码能跑完的最小校验它检查三件事bbox是否越出图片边界、框尺寸是否为0或负数、category_id是否有对应定义。import json from collections import Counter # 修改为你的实际路径 json_path annotations/instances.json with open(json_path, r, encodingutf-8) as f: coco json.load(f) # 建立 image_id - (文件名, 宽, 高) 的映射 img_info {img[id]: (img[file_name], img[width], img[height]) for img in coco[images]} # 建立 category_id - 类别名 的映射 cat_info {cat[id]: cat[name] for cat in coco[categories]} issues [] for ann in coco[annotations]: img_id ann[image_id] if img_id not in img_info: issues.append(fannotation {ann[id]} 引用了不存在的 image_id: {img_id}) continue fname, w, h img_info[img_id] x, y, bw, bh ann[bbox] if bw 0 or bh 0: issues.append(fann {ann[id]} 框尺寸非正: {ann[bbox]} in {fname}) if x 0 or y 0 or x bw w or y bh h: issues.append(fann {ann[id]} bbox越界: {ann[bbox]} vs img {w}x{h} in {fname}) if ann[category_id] not in cat_info: issues.append(fann {ann[id]} category_id 不存在: {ann[category_id]}) dist Counter(ann[category_id] for ann in coco[annotations]) print(类别分布:, {cat_info[cid]: cnt for cid, cnt in dist.items()}) print(发现问题数量:, len(issues)) for i in issues[:20]: print(i)这个脚本的逻辑分三步先把images列表转成字典方便按id查找再把categories列表转成语义化名称最后逐条annotation做三个合法性校验。参数上唯一要改的只有json_path换成你的实际路径即可。如果输出里类别分布四类都有且数量合理问题数量为0这个数据集才算通过初检。这里要特别说明bbox越界的判断逻辑COCO的bbox格式是[x, y, width, height]所以判断右边界用的是x width下边界用的是y height不是x width - 1这种像素索引习惯。不要小看这一个像素的差别个别标注工具导出的框正好压在边界上差一像素在某些框架的预处理阶段会直接报错或者干脆删掉这个标注。如果你拿到的是标注工具自动生成的框看到越界报告先确认是工具的问题还是标注人员手误。3. 四类路面怎么标才算数语义边界与标注规范3.1 结冰路面与雪地的边界透明反光和白色堆积怎么区分这套数据集最核心的标注难点是结冰路面和雪地的区分。在缩略图里两者经常都是白色区域但放大看有本质区别。结冰路面通常是透明或半透明的冰层覆盖在柏油路面或水泥路面上能隐约看到路面原本的纹理表面有镜面反光阳光或路灯照射下会形成明显高光。雪地则是白色颗粒状堆积体覆盖路面后完全遮挡了下方纹理表面质感更接近漫反射反光不强烈。标注规范里我建议把结冰路面定义为“冰层覆盖且路面轮廓仍然可辨”的情况雪地定义为“积雪完全覆盖路面、看不到下层纹理”的情况。这个标准在常温图片上很好用但在夜晚或逆光场景下会失效。夜间的结冰路面在车灯照射下反光极强甚至呈亮白色和雪地非常接近。实际标注时这种情况主要靠上下文判断比如路边积雪堆积但路中央呈镜面反光那路中央就是结冰而非雪地。一个可行的办法是在标注规范里明确写出判定优先级结冰路面优先于雪地。当图像信息不足以可靠区分两者时按结冰路面标。为什么因为从交通安全角度看结冰路面的危险性远大于雪地模型宁可把雪地误判为结冰也不能把结冰漏掉。这是典型的场景驱动标注决策比单纯追求标注一致性更重要。3.2 湿滑与干燥的视觉差异同一条路的两种状态雨天湿滑路面和干燥路面的区别核心在于水膜带来的光和色的变化。湿滑路面的整体亮度比干燥时更低因为水层吸收了部分入射光同时路面纹理细节被水膜覆盖视觉上更平滑。最直观的特征是反光潮湿路面上车灯、路灯的倒影清晰可见干燥路面则呈漫反射状态。颜色上也有细微差别沥青路面湿水后颜色变深接近深灰色或黑色混凝土路面湿水后变深变暗但与沥青的色差仍然可辨。这套数据集既然包含“下雨湿滑”和“干燥路面”两类就要求标注人员对同一路段在不同天气下的画面都有敏锐感知。这里有个常见翻车情况阴雨天没有明显水洼只是路面颜色略深标注员容易直接标成干燥。我一般会在标注指导里要求凡是路面颜色明显深于该路段常见状态、或者出现过往车辆胎纹反光都应标为湿滑。胎纹反光是最可靠的湿滑特征之一因为水膜让轮胎与路面接触区变得更光滑形成了区别于干燥路面的高亮区域。注意这里说的是“标注该路面”而不是“标注整张图”。COCO格式里的bbox应该框住地面上的目标区域通常会框住画面中能明确判断路况的连续路面区域而不是把整张图框进去。区域大小不一是正常的只要框住的区域内部路况均匀即可。3.3 为什么要用原始图片不增强的反直觉收益这套数据集用了原始图片这个选择很值得说。很多人在整理数据时习惯加随机亮度扰动、色彩抖动等在线增强认为这样能提升泛化能力。但路面状况识别这个任务恰恰相反增强引入的可能是错误信号。如果把一张干燥路面的图片做亮度增强视觉上很可能接近湿滑路面把结冰路面做色彩抖动后可能看起来像雪地。这样的增强数据不会教会模型更鲁棒反而把本来清晰的类别边界掩盖了。用原始图片意味着训练时依赖的是一手分类条件比如颜色深度、反光强度、纹理细节。真实场景下路面状况的判断本来就是基于这些细微信号的增强后的图片破坏了这些信号。这也是这套数据集在工程意义上更值钱的原因。在线增强不是不能用而是要克制。我建议只使用不改变色彩和亮度物理含义的增强比如随机裁剪、水平翻转、轻微缩放。像素级色彩处理一律不做。4. 把COCO标记接入YOLOv8训练转换、组织与三个必调参数4.1 COCO转YOLO格式像素坐标到归一化中心点的换算这套数据集是COCO标记格式如果你计划用YOLOv8训练自己的数据集就需要把COCO标注转成YOLO格式。YOLO系列使用的是每个图片对应一个txt文件的格式每行代表一个目标框内容是class_id x_center y_center width height全部是相对图片尺寸的归一化浮点数。关键换算逻辑是从COCO的[x, y, width, height]左上角坐标系转到以框中心为原点的归一化坐标。注意类别id必须从0开始连续编号而COCO的category id从1开始这里要做映射。import json import os json_path annotations/instances.json out_dir labels os.makedirs(out_dir, exist_okTrue) with open(json_path, r, encodingutf-8) as f: coco json.load(f) # 显式定义category id映射避免依赖字典顺序 id_map {} for cat in coco[categories]: if cat[name] 结冰路面: id_map[cat[id]] 0 elif cat[name] 雪地: id_map[cat[id]] 1 elif cat[name] 下雨湿滑: id_map[cat[id]] 2 elif cat[name] 干燥路面: id_map[cat[id]] 3 print(COCO id 到 YOLO class id 的映射:, id_map) for img in coco[images]: img_id, fname, w, h img[id], img[file_name], img[width], img[height] lines [] for ann in coco[annotations]: if ann[image_id] ! img_id: continue x, y, bw, bh ann[bbox] x_center (x bw / 2) / w y_center (y bh / 2) / h norm_w bw / w norm_h bh / h class_id id_map[ann[category_id]] lines.append(f{class_id} {x_center:.6f} {y_center:.6f} {norm_w:.6f} {norm_h:.6f}) if lines: txt_name os.path.splitext(fname)[0] .txt with open(os.path.join(out_dir, txt_name), w, encodingutf-8) as fo: fo.write(\n.join(lines)) print(转换完成文件输出到:, out_dir, 共处理图片:, len(coco[images]))代码的核心在于x_center (x bw / 2) / w这一步先把左上角坐标加上半宽得到中心像素坐标再除以图片宽度做归一化。除法得到的是0到1之间的浮点数正常情况下不会越界。转换脚本里值得注意的参数是:.6f的格式化保留六位小数在目标检测场景足够用如果保留位数太少框边界会出现像素级偏移在极小目标上影响明显。如果你已经确认数据集的category id排序是固定的也可以直接用id_map {cat[id]: i for i, cat in enumerate(coco[categories])}但我更推荐显式写映射因为四个路面类别的顺序在数据集中可能不是按中文名排的显式映射最稳妥。4.2 按场景划分train/val时序去重与目录摆放转换完成后接下来要划分训练集和验证集。这个步骤看似简单但路面数据有特殊性同一路段的连续帧高度相似如果随机划分验证集里可能出现和训练集几乎相同的画面训练指标虚高一到真实场景就露馅。我建议按采集路段或时间段划分而不是按单张图片随机划分。比如前大半段时间的图片进train最后一小段时间的图片进val这样验证集反映的是模型在陌生路段上的真实表现。如果你能看到原始采集的时间和地点信息优先按“场景”分组同一个时间段、同一条路段的图片全部归到同一边。目录摆放按YOLOv8的惯例做dataset/ ├── images/ │ ├── train/ │ ├── val/ ├── labels/ │ ├── train/ │ ├── val/图片和对应的txt文件名必须一致包括后缀名。这一步做完后可以写一个快速检查脚本统计train和val中每个类别的图片数、框数确认类别分布大致一致避免出现val中完全没有结冰样本的尴尬。4.3 跑通第一轮训练data.yaml与三个必调参数目录结构就绪后写data.yaml文件是训练前的最后一件事。yaml内容要指定路径和类别名称。path: ./dataset train: images/train val: images/val names: 0: icy 1: snow 2: wet 3: drypath字段指向数据集根目录的相对路径或绝对路径train和val是相对于path的子路径。names列表的顺序必须和你转换脚本中id_map的顺序完全一致否则模型学到的类别名和实际对应关系会错位评估时根本看不出模型学到了什么。第一轮训练建议直接用YOLOv8n作为起步模型不要一上来就选最大的模型。命令行参数上epochs至少设到100imgsz用640batch根据显存选择。这三个参数是必调的。yolo detect train datadata.yaml modelyolov8n.pt epochs100 imgsz640 batch16epochs为什么至少100路面状况识别的类别差异很微妙特征不如行人、车辆那样显著模型需要更多轮次才能稳定收敛。imgsz用640是因为COCO预训练模型默认的就是这个分辨率改小了丢失细节改大了对反光、纹理这些细微特征的提取不一定有收益。batch的大小取决于显存显存不够就把batch减半一般16或8起步。一个很务实的建议第一轮训练跑完后先别急着调参去看val集的混淆矩阵。路面状况识别最怕的形态是结冰和雪地互相混淆、湿滑和干燥互相混淆。如果混淆矩阵里这两个对角方向上的错误明显偏高说明标注规范还有问题不是调参能解决的。5. 避坑指南COCO数据集里最常遇到的6个脏数据问题5.1 bbox越界与零尺寸框训练静默丢弃的元凶现象是训练正常启动loss也正常下降但验证时mAP奇低可视化检查发现有些图上的目标没被检测出来。原因往往是标注框越界或尺寸异常某些框架在预处理阶段会直接丢弃这些非法框而且默认不做任何提示。解决方式就是前面写过的体检脚本训练前务必跑一遍。特别要检查x width image_width和y height image_height这两条越界框如果侥幸没被丢弃模型也会学到错误的位置信号拉了整体精度。零尺寸框更隐蔽面积不为零但宽或高为0的框在某些数据加载器里才能通过校验最终表现为loss出现NaN或训练直接中断。5.2 category_id从0开始还是从1开始转换错位现象是转换后训练能跑但预测结果里标签和内容对不上比如明明框住的是结冰路面输出类别却是雪地。原因大概率是转换脚本里直接把COCO的category_id拿来做YOLO的class_id没有做减一或映射。解决方式就是显式定义映射表不要把COCO的id直接传给YOLO。更重要的是映射表要打印出来人工核验一遍确认0-icy, 1-snow, 2-wet, 3-dry这个顺序和data.yaml里names的顺序完全一致。这个核对动作成本很低但能避免整个训练白跑。5.3 图片文件名与JSON引用不一致解压后路径失效现象是运行数据检查时报错大量图片不存在。原因一般是zip解压后目录层级和标注文件里写的相对路径不一致或者文件名里含有编码问题中文文件名在不同操作系统下解码不一致。解决方式是在解压后统一清洗文件名改成纯英文和下划线命名同时修改JSON里对应的file_name字段。步骤是先用脚本读取JSON里的所有file_name生成一份映射字典然后重命名实际图片文件再回写JSON。不要手工改量大了必然出错。这个清洗脚本很简短核心就是os.rename加dict更新。5.4 iscrowd字段与大量重叠框loss降不下去的隐藏原因现象是训练时loss下降缓慢或者验证时模型对同一目标输出多个重复框。原因之一是标注里出现了大量高度重叠的框在模型后处理NMS阶段难以合并。路面状况标注里一般不会有成群目标如果出现大量重叠框大概率是标注人员标了多个相似矩形覆盖同一片区域。解决方式是体检脚本里加一条重叠度检查逻辑。计算同一张图中所有标注框两两之间的IoU超过0.5并且类别相同的手动复查。标准做法是每张图只保留一个覆盖主要区域的最大框或者把重叠框清理到保留一个即可。同时确认ISCROWD字段是否符合标注实际情况COCO格式要求每一行annotation都必须带这个字段缺失时部分脚本会失败。5.5 类别样本量严重不均衡干燥路面一家独大现象是模型对干燥路面识别很准对结冰和雪地基本失灵。原因大概率是数据集中四类样本数量差异过大干燥路面采集容易、画面占比高结冰路面依赖特定天气条件样本天然少。解决方式不要急着做重采样先看差距有多大。如果少数类样本量只有多数类的十分之一以下优先补充数据而非算法层面解决。如果差距在两到三倍之间可以在训练时给少数类提高loss权重。数据层面还有一个实用技巧结冰和雪地样本往往集中在少数几天采集需要确保这部分样本进train而不是全被切到val否则验证集过难指标失真。6. 验收雨雪路面数据集的三个快速验证技巧验收数据集不能只看标注数量要真正验证这套标注能训练出什么水平的模型。技巧一侧重于可视化抽检技巧二偏重数据分布分析技巧三是把已训练模型拉回真实图片上回测。可视化抽检最直接随机抽10张图片把bbox画回原图上人工看框的位置和类别是否正确。import json import os import random from PIL import Image, ImageDraw json_path annotations/instances.json img_root images out_dir vis_check os.makedirs(out_dir, exist_okTrue) with open(json_path, r, encodingutf-8) as f: coco json.load(f) palette {icy: #ff0000, snow: #00aaff, wet: #ffff00, dry: #00aa00} for img in random.sample(coco[images], min(10, len(coco[images]))): fname img[file_name] path os.path.join(img_root, fname) if not os.path.exists(path): print(missing:, path) continue im Image.open(path).convert(RGB) draw ImageDraw.Draw(im) for ann in coco[annotations]: if ann[image_id] ! img[id]: continue x, y, w, h ann[bbox] color palette[dry] # 实际改为从categories取色 draw.rectangle([x, y, x w, y h], outlinecolor, width3) draw.text((x, y - 10), str(ann[category_id]), fillcolor) im.save(os.path.join(out_dir, fname)) print(可视化结果输出到:, out_dir)抽检时重点看框的边界是否贴合路面区域的边缘以及有没有框把不同路况的区域混在一起。如果框跨越了干燥和湿滑两个区域这个标注需要修正。第二个技巧是统计类别分布和框尺寸分布。框尺寸很大时通常说明标注的是大块连续路面框尺寸很小时可能是路面被障碍物遮挡得只剩一小条可见区域。如果小框占比过高训练会偏向学习近距离大块路况对远距离小区域路况的感知能力弱。通过这个统计能提前预判模型在真实自动驾驶感知中的短板。第三个技巧是用已经训练好的模型在同一批原始图片上回测比较模型输出和人工标注。重点看那些模型与标注不一致的图片是标注错了还是模型错了。这两个方向分别指出了不同的修正路径标注错就改标注模型错就调训练。经过三轮这样的回测迭代数据质量会有肉眼可见的提升。我自己的习惯是最终验收时拿一组完全没参与过训练的独立采集图片做盲测。前端各层参数、所有数据组织、标注规范在盲测结果出来之前都只能算候选方案。如果盲测中结冰与雪地的混淆率仍然偏高回头去检查标注规范和采集时段分布而不是急着调模型宽度或训练轮次。这一套流程走下来这套雨雪路面状况数据集到底能不能支撑业务上线你心里会比任何指标都清楚。希望帮到你。本文还有配套的精品资源点击获取