铁路智能巡检、异物入侵告警、无人机自动巡线 构建基于 YOLOv8 的无人机航拍铁道异物检测系统

无人机航拍铁轨铁铁路道异物检测数据集，

1285张，yolo和voc标注
图像尺寸:1080*1920
4类，训练集图像数量:901; 验证集图像数量:256； 测试集图像数量:128
类别名称: 每一类图像数 ，每一类标注数
poset 塑料袋: 282,341
bitki 植物: 375,1039
cubuk 长棍: 28,31
insan 人: 682,843
image num: 1285

1

1

1

1

无人机航拍图像铁道异物检测数据集

📊 一、数据集详细表格描述

✅ 总体信息

🗂️ 类别分布统计表

🔍 注：

• 单张图像可包含多个类别（如“人+植物”），因此各类图像数之和 > 1,285。
• “植物”类标注密集（常为灌木、杂草覆盖轨道），“长棍”样本极少（需重点处理类别不平衡）。
• 图像为竖屏 1080×1920，适合铁路沿线纵向巡检场景。

🛠️ 二、构建基于 YOLOv8 的铁道异物检测系统（完整流程）

📁 1. 推荐项目结构

railway_obstacle_detection/ ├── data/ │ ├── images/ │ │ ├── train/# 901│ │ ├── val/# 256│ │ └── test/# 128│ ├── labels/# YOLO格式 .txt│ │ ├── train/ │ │ ├── val/ │ │ └── test/ │ └── dataset.yaml# YOLOv8 数据配置├── weights/ │ └── yolov8s.pt# 官方预训练模型（自动下载）├── models/# 训练输出├── outputs/# 推理结果├── train.py# 训练脚本├── detect.py# 推理模块├── utils/ │ ├── balance_analysis.py# 分析类别不平衡│ └── visualize_labels.py# 可视化标注└── requirements.txt

📦 2. 环境依赖（requirements.txt）

ultralytics==8.2.0 opencv-python==4.8.0 numpy==1.24.3 matplotlib tqdm scikit-learn # 如需分析

安装：

pipinstall-r requirements.txt

📄 3. 数据配置文件dataset.yaml

# data/dataset.yamltrain:../data/images/trainval:../data/images/valtest:../data/images/testnc:4names:['poset','bitki','cubuk','insan']

⚠️ 注意：类别顺序必须与标注.txt中 class_id 严格对应（0~3）

🚀 4. 模型训练（train.py）

# train.pyfromultralyticsimportYOLOdeftrain_railway_detector():# 使用 yolov8s（兼顾精度与速度，适合小目标）model=YOLO("yolov8s.pt")results=model.train(data="data/dataset.yaml",imgsz=640,# 自动缩放 1080x1920 → 640（保持比例）epochs=150,# 增加 epoch 应对小样本batch=16,# 根据 GPU 调整device=0,name="railway_yolov8s",project="models",patience=50,save=True,augment=True,# 针对小目标 & 稀有类增强hsv_h=0.015,hsv_s=0.7,hsv_v=0.4,degrees=15.0,# 更大旋转（航拍角度多变）translate=0.2,scale=0.5,fliplr=0.5,mosaic=1.0,# Mosaic 增强提升“cubuk”检测mixup=0.2,copy_paste=0.3,# Copy-Paste 增强稀有类（如 cubuk）)print(f"✅ 训练完成！最佳模型:{results.save_dir}/weights/best.pt")if__name__=="__main__":train_railway_detector()

💡关键优化点：

• 启用copy_paste增强：解决“长棍”（cubuk）样本极少问题
• 使用mosaic+mixup：提升小目标（塑料袋、长棍）召回率
• imgsz=640：YOLOv8 自动保持宽高比，避免形变

🔍 5. 推理检测（detect.py）

# detect.pyimportcv2importosfromultralyticsimportYOLOclassRailwayObstacleDetector:def__init__(self,model_path="models/railway_yolov8s/weights/best.pt"):self.model=YOLO(model_path)self.class_names=["Plastic Bag","Vegetation","Long Rod","Person"]defdetect_image(self,image_path,conf=0.25,save_dir="outputs"):results=self.model(image_path,conf=conf)annotated=results[0].plot()os.makedirs(save_dir,exist_ok=True)out_path=os.path.join(save_dir,os.path.basename(image_path))cv2.imwrite(out_path,annotated)print(f"✅ 检测完成 →{out_path}")returnannotateddefdetect_video(self,video_path,conf=0.25):cap=cv2.VideoCapture(video_path)fps=int(cap.get(cv2.CAP_PROP_FPS))w,h=int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)),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))whilecap.isOpened():ret,frame=cap.read()ifnotret:breakresult=self.model(frame,conf=conf)[0]out.write(result.plot())cap.release()out.release()print(f"✅ 视频检测完成 →{out_path}")defdetect_drone_stream(self,rtsp_url):"""支持 RTSP 流（如大疆无人机直播流）"""cap=cv2.VideoCapture(rtsp_url)whileTrue:ret,frame=cap.read()ifnotret:breakannotated=self.model(frame,conf=0.25)[0].plot()cv2.imshow("Railway Inspection",annotated)ifcv2.waitKey(1)==ord('q'):breakcap.release()cv2.destroyAllWindows()

▶️ 6. 使用示例

# 快速测试fromdetectimportRailwayObstacleDetector detector=RailwayObstacleDetector()# 检测单图detector.detect_image("test_images/rail1.jpg")# 检测视频detector.detect_video("railway_drone.mp4")# 实时 RTSP 流（需替换 URL）# detector.detect_drone_stream("rtsp://192.168.1.10:8554/main")

🛠️ 7. 部署与工程建议

铁路智能巡检、异物入侵告警、无人机自动巡线等关键任务。