【免费数据集009期】Urban Issues Dataset：10类城市公共场景异常目标检测数据集

原创已于 2026-07-16 20:45:20 修改 · 172 阅读

5 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

于 2026-07-16 20:42:27 首次发布

Urban Issues Dataset：10类城市公共场景异常目标检测数据集

数据集简介

Urban Issues Dataset是一个面向城市公共管理领域的大规模目标检测数据集，专门针对城市环境中的各类异常问题进行标注，为智能城市管理、公共安全监测等场景提供数据支撑。

该数据集从城市道路、公共区域、基础设施等多场景收集了47140张图像，涵盖10类城市常见异常目标，总计标注框数量达141931个。数据集覆盖了从道路损坏、基础设施故障到公共卫生问题的全品类城市异常场景，其中640×640分辨率图像占比超过88%，同时包含多种非常规分辨率样本，具备较强的场景多样性。

该数据集主要用于城市异常目标检测、智能巡检系统开发、公共安全监测、基础设施维护预警、城市环境治理等任务，可支撑计算机视觉模型在城市管理领域的落地应用。

数据集采用标准的训练-验证-测试三划分模式：

训练集：包含38086张图像，占总数据量的80.8%，覆盖所有10类目标，适用于模型的基础训练与特征学习
验证集：包含4894张图像，占总数据量的10.4%，用于训练过程中的模型性能评估与超参数调优
测试集：包含4160张图像，占总数据量的8.8%，用于最终模型的泛化能力验证

该数据集以其大规模样本、全品类城市异常覆盖、真实场景多样性的特点，成为城市管理领域目标检测模型研究与性能评估的重要基准，为智能城市的自动化巡检系统提供了关键的数据支撑。

01 数据集概览

字段	详情
数据集名称	Urban Issues Dataset
类别数量	10
总图像数量	47140张
训练集规模	38086张（80.8%）
验证集规模	4894张（10.4%）
测试集支持	4160张（8.8%）
标注格式	YOLO格式（归一化边界框）
标注质量	总标注框141931个，空标签文件占比0.95%
采集场景	城市道路、公共区域、市政基础设施、户外公共场所
图像分辨率	最小120×168，最大4928×4608，平均646×647，640×640分辨率占比88.5%
数据增强建议	针对类别失衡建议采用过采样、MixUp，针对分辨率差异建议采用自适应缩放
类别均衡性	类别极度不均衡，失衡分数388.92
小目标占比	9.23%（归一化面积<0.005）

在这里插入图片描述

02 类别定义与特征

ID	英文名称	中文术语	视觉特征
0	Damaged Road issues	道路损坏	路面出现裂缝、坑槽、剥落等结构性损坏，多呈不规则形状，颜色与正常路面有明显差异
1	Pothole Issues	路面坑洞	路面出现的凹陷型损坏，形状多为圆形或椭圆形，边缘清晰，深度较明显
2	Illegal Parking Issues	违规停车	车辆停放在非指定区域，多为机动车，位置通常在人行道、非机动车道或禁停路段
3	Broken Road Sign Issues	道路标识损坏	交通标志牌出现破损、变形、缺失等情况，多为金属或塑料材质，颜色鲜艳（红、蓝、黄等）
4	Fallen trees	倒伏树木	树木倾斜或完全倒地，多为枝叶形态，占据道路或公共区域空间
5	Littering/Garbage on Public Places	公共场所垃圾	公共区域内的废弃物，包括塑料袋、纸箱、饮料瓶等，形状不规则，颜色多样
6	Vandalism Issues	公共设施破坏	公共设施（如座椅、墙面、护栏等）出现涂鸦、破损、缺失等人为损坏痕迹
7	Dead Animal Pollution	动物尸体污染	道路或公共区域内的动物尸体，形态完整或残缺，颜色多呈暗褐色或灰白色
8	Damaged concrete structures	混凝土结构损坏	桥梁、护栏、墙体等混凝土设施出现裂缝、剥落、露筋等损坏，颜色多为灰色，损坏区域不规则
9	Damaged Electric wires and poles	电力线杆损坏	电线杆倾斜、断裂，电线松弛、脱落或破损，多为金属或木质结构，带有线缆特征

03 数据集目录结构

Urban Issues Dataset/
├── train/
│   ├── images/     # 训练集图像（38086张）
│   └── labels/      # 训练集YOLO标注（.txt）
├── valid/
│   ├── images/      # 验证集图像（4894张）
│   └── labels/      # 验证集标注
├── test/
│   ├── images/      # 测试集图像（4160张）
│   └── labels/      # 测试集标注
└── data.yaml        # YOLO配置文件

04 应用场景

智能城市巡检系统：搭载在巡检机器人或无人机上，自动识别道路损坏、基础设施故障等问题，替代人工巡检，提升城市管理效率
公共安全监测：部署在城市监控摄像头中，实时检测违规停车、倒伏树木等影响公共安全的异常情况，及时发出预警
市政基础设施维护：通过分析巡检图像，自动统计道路坑洞、混凝土结构损坏等问题的位置和数量，辅助制定精准的维护计划
城市环境治理：识别公共场所垃圾、动物尸体污染等问题，优化清洁资源调度，提升城市环境质量
应急事件响应：在自然灾害或突发事件后，快速识别倒伏树木、电力线杆损坏等危险情况，辅助应急救援决策
交通管理优化：检测违规停车行为，自动生成罚单或通知，提升交通执法效率
智慧城市决策支持：基于大量异常数据的统计分析，为城市规划、基础设施建设提供数据支撑

05 模型训练与部署

YOLO26配置文件（data.yaml）

# Urban Issues Dataset 配置文件
train: ../train/images
val: ../valid/images
test: ../test/images

# 类别数量与名称
nc: 10
names:
  0: Damaged Road issues
  1: Pothole Issues
  2: Illegal Parking Issues
  3: Broken Road Sign Issues
  4: Fallen trees
  5: Littering/Garbage on Public Places
  6: Vandalism Issues
  7: Dead Animal Pollution
  8: Damaged concrete structures
  9: Damaged Electric wires and poles

训练命令

单GPU训练

yolo detect train data=data.yaml model=yolo26n.pt epochs=35 batch=8 imgsz=640 optimizer=AdamW amp=True cache=False workers=8 save_period=8 device=0

多GPU训练

yolo detect train data=data.yaml model=yolo26n.pt epochs=35 batch=16 imgsz=640 optimizer=AdamW amp=True cache=False workers=8 save_period=8 device=0,1

模型验证

yolo detect val data=data.yaml model=runs/detect/train/weights/best.pt imgsz=640 device=0

模型导出（用于部署）

yolo export model=runs/detect/train/weights/best.pt format=onnx imgsz=640

训练参数说明

epochs=35：数据集规模大，采用较少轮次实现快速收敛，避免过拟合
batch=8：针对类别失衡和小目标问题，采用小批次提升梯度稳定性
imgsz=640：适配数据集主流分辨率，平衡检测精度与计算效率
optimizer=AdamW：自适应学习率优化器，更适合类别失衡和小目标场景
amp=True：开启自动混合精度训练，节省显存并加速训练
cache=False：数据集规模较大，关闭内存缓存避免内存占用过高
save_period=8：定期保存模型权重，方便选择最优模型

06 数据集获取方式

关注本号，后台回复关键词 城市问题检测数据集，即可获取数据集下载链接及使用说明。

07 使用声明与引用规范

本数据集仅用于学术研究和非商业用途，禁止用于商业产品开发
使用数据集发表论文或研究成果时，需在参考文献中注明数据集来源
数据集标注由人工完成，存在一定误差，使用时需注意验证
请勿修改、分发或重新发布数据集的原始内容

08 相关数据集推荐

Cityscapes：大规模城市街景语义分割数据集，包含50个城市的街道场景
BDD100K：包含10万张图像的自动驾驶数据集，涵盖多种城市交通场景
COCO：通用目标检测数据集，包含部分城市场景目标
StreetHazards：专注于道路危险目标检测的数据集
UA-DETRAC：交通场景目标检测与跟踪数据集

标签

#目标跟踪 #人工智能 #计算机视觉