YOLO滑坡数据集（山坡、边坡、护坡）6600+张图像，含训练结果与模型

### 适用于东南地区滑坡检测的YOLO数据集 在选择适用于东南地区滑坡检测的YOLO数据集时，需要考虑数据集是否包含东南地区的地理特征、气候条件以及地形特点。根据提供的引用内容，以下是几个可能适合的数据集及其特点： 1. **YOLO滑坡数据集** YOLO滑坡数据集包含山坡、边坡和护坡三类地形的滑坡缺陷图像，总计超过6600张[^2]。该数据集涵盖了不同天气和光照条件下的滑坡特征，并已进行高效标注，适用于深度学习算法的训练和测试。由于其广泛的地形覆盖范围和标注质量，此数据集可能是适用于东南地区滑坡检测的良好选择。 2. **公路落石滑坡坍塌倒树检测数据集** 公路落石滑坡坍塌倒树检测数据集提供了1485张图像，涵盖四个类别：落石（`daolutanta`）、倒树（`daoshu`）、滑坡（`huapo`）和石头（`shitou`）[^3]。虽然该数据集的规模较小，但其标注格式支持Pascal VOC和YOLO格式，便于直接用于YOLO模型的训练。此外，该数据集可能包含与东南地区相关的公路滑坡场景。 #### 数据集下载 目前没有明确的公开链接指向这些数据集的下载地址。如果需要获取这些数据集，可以尝试以下方法： - 访问相关研究机构或大学的官方网站，查找是否有开放的数据集资源。 - 在公开数据集平台（如Kaggle、CVAT、MMDetection等）搜索“landslide”或“slope detection”等相关关键词。 - 如果上述方法无法找到所需数据集，可以联系数据集的作者或维护者，询问是否提供下载权限。 #### 示例代码：加载YOLO格式数据集 以下是一个简单的Python代码示例，展示如何加载YOLO格式的数据集并进行可视化： ```python import cv2 import numpy as np def load_yolo_dataset(image_path, label_path): image = cv2.imread(image_path) with open(label_path, 'r') as f: labels = f.readlines() bboxes = [] for label in labels: class_id, x_center, y_center, width, height = map(float, label.strip().split()) x_min = int((x_center - width / 2) * image.shape[1]) y_min = int((y_center - height / 2) * image.shape[0]) x_max = int((x_center + width / 2) * image.shape[1]) y_max = int((y_center + height / 2) * image.shape[0]) bboxes.append([x_min, y_min, x_max, y_max, int(class_id)]) return image, bboxes def visualize_bboxes(image, bboxes): for bbox in bboxes: x_min, y_min, x_max, y_max, class_id = bbox cv2.rectangle(image, (x_min, y_min), (x_max, y_max), (0, 255, 0), 2) cv2.imshow("Image with Bounding Boxes", image) cv2.waitKey(0) # 示例路径 image_path = "example.jpg" label_path = "example.txt" image, bboxes = load_yolo_dataset(image_path, label_path) visualize_bboxes(image, bboxes) ```