YOLOv11坑洼目标检测数据集

先对账：9240 张图，划分现成（训练集 6091 张，验证集 2094 张，测试集 1055 张）。1 个类别（坑洼）。标签是 YOLO 格式，yaml 三个相对路径解压即用，不用手工改。中间几节把配置原文贴出、标注样例直接上图，适不适合你的场景，翻完这一篇就能下判断。

一、类别与张数一览

• 目标类别： [‘Pothole’]
• 中文类别：[‘坑洼’]
• 训练集：6091 张
• 验证集：2094 张
• 测试集：1055 张
• 总计：9240 张

二、data.yaml 核对要点

该数据集提供了data.yaml文件，内容如下：

train: ../train/images
val: ../valid/images
test: ../test/images

nc: 1
names: ['Pothole']

三、标注可视化

数据包入口

• 整包内容：图片 + YOLO 标签 + data.yaml，解压即可训练
• 下载地址：数据压缩包传送门

四、开训前的三处核对

• 数量：底账共 9240 张（训练集 6091 张，验证集 2094 张，测试集 1055 张），解压后清点图片与标签文件数，两边一致再往下走；
• 类别：data.yaml 里 nc 与 names 长度必须一致（本文共 1 类）；
• 样例：对照正文标注图确认框的密度与你的检测目标相当，太稀或太密都先在心里有个数。

五、数据内容与来源

YOLOv11道路路面坑洼目标检测数据集

整套数据的主线是道路路面坑洼的目标检测，通过多场景、多角度的图像采集，全面覆盖了不同环境下的坑洼特征。其定位为高精度的道路病害检测工具，能够有效辅助道路维护与安全评估工作，具有重要的实际应用价值。

数据集包含总计9240张图像，其中训练集6091张、验证集2094张、测试集1055张。比例划分得中规中矩，训练、调参、评估都够用，确保模型在不同场景下的泛化能力。

所有图像均经过专业标注，每个坑洼目标都由精确的矩形框标定，且标注名称统一规范为“Pothole”。标注过程严格遵循标准流程，确保了数据的高质量和一致性，为模型的高效训练打下了不错的底子。

实际能用上的场景包括交通基础设施管理、智能驾驶辅助系统以及道路养护机器人等领域，特别是在需要实时识别路面病害的场景中，能够显著提升道路安全性和维护效率。

数据使用备忘

• 底账：9240 张图，1 个类别（坑洼）
• 划分：训练集 6091 张，验证集 2094 张，测试集 1055 张
• 标签：YOLO 格式，data.yaml 里三个路径都是相对路径，解压后不用改

三件事确认完再开训：

• 数量：图片与标签文件逐一对上，缺一张都要先补齐；
• 配置：data.yaml 的路径、nc、names 三处与实际目录保持一致；
• 基线：yolo detect train data=../data.yaml model=yolo11n.pt imgsz=416 epochs=80 跑通之后再谈优化。

基线数字出来之前不做任何加法（换大模型、提分辨率、加增强都算加法）；数字出来之后哪里差补哪里。下载入口在「数据包入口」小节。