简介面向水域监测、遥感影像分析及智能城市应用的实例分割数据集涵盖河流、湖泊、海洋、湿地、池塘及其他水域六大类别总计1673张高分辨率图片适合用于训练YOLO等模型进行水域提取与动态监测。资源包内共2000个文件核心为1673个txt格式的YOLO分割标注文件含多边形掩码与类别标签配以325张JPEG原图、1个yaml模型配置文件及1份docx数据集说明文档整体约103.31MB结构清晰便于直接接入训练流程。目前已有179人学习下载适合计算机视觉初学者及遥感、水资源管理领域的开发者快速获取标准化数据用于构建污染监测、洪水预警等AI方案。通过该数据集可省去大量标注成本直接进行模型训练与验证同时边看边学YOLO分割格式的细节提升实际项目落地效率。1. 从水域实例分割数据集说起1673张图能解决什么做遥感水体提取或者水域监测的朋友应该都体会过那种无力感卫星影像里河流、湖泊、池塘的边界模糊到让人怀疑人生阴影和水体混在一起薄云遮挡下的水面颜色和陆地几乎分不开。市面上的公开数据集要么只有语义分割标签要么类别单一到只分“水”和“非水”想做精细化水域管理根本不够用。这份水域实例分割数据集一共1673张高质量图片覆盖河流、湖泊、海洋、湿地、池塘、其他水域六个类别标注格式是YOLO分割格式的多边形掩码。简单说它解决的是“区分哪片是水、这片水属于什么类型”的问题适合正在做遥感影像分析、水资源监测、洪水预警或智慧城市水系统管理的算法工程师和研究生。2. 先拆数据集YOLO分割格式的文件结构与标注逻辑2.1 数据集是怎么组织的从Roboflow命名到目录约定下载解压之后第一眼看到的是数据集介绍.docx和一堆.jpg图片。图片文件名带着明显的Roboflow导出痕迹比如img_0673_JPG_jpg.rf.3f22208bab79c26c233e6663df68011d.jpg这种命名规则值得先说清楚。rf.后面跟的一长串十六进制字符串是图片的唯一标识哈希Roboflow平台用它来管理多版本数据集。文件名里重复出现的JPG_jpg则是格式转换的轨迹——原图是JPG经过平台预处理后重新编码了一遍。这类文件名对训练没有影响但如果你后续要和别的数据集合并建议先写脚本统一改名否则后续做数据清洗时很痛苦。数据集内部有一个常见的目录约定Roboflow导出时通常分为train和valid两个文件夹。但这份数据集从文件名上看图片和标注文件没有明确标注所在目录需要自己动手整理。常见的做法是先按训练集1340张、验证集333张把图片分开再让每张图片对应的.txt标注文件和图片同名存放。文字表述不够直观直接用脚本看结构。# 查看数据集解压后的顶层结构 unzip -q 水域实例分割数据集.zip -d water_seg_dataset cd water_seg_dataset ls -la | head -20 # 看前10张图片有没有对应的txt标注文件 for img in $(ls *.jpg | head -10); do label${img%.jpg}.txt if [ -f $label ]; then echo $img - $label OK else echo $img - $label MISSING fi done这段脚本做的事情很简单先解压数据集到指定目录然后抽取前10张图片逐一检查是否存在同名.txt标注文件。判断数据完整性的逻辑就是——图片文件必须和标注文件一一对应缺失任何一个都要在训练前补齐或剔除。2.2 YOLO分割标注格式一行文本一个多边形YOLO分割格式的标注文件是纯文本每一行描述一个目标实例。格式是class_id x1 y1 x2 y2 x3 y3 ... xn yn第一个数字是类别ID从0开始计数对应的是data.yaml文件里定义的类别顺序。之后的每一对数字都是多边形一个顶点的归一化坐标。注意归一化的含义是坐标值除以图片的宽和高结果是一个0到1之间的小数而不是像素绝对值。这一点很多人第一次接触时容易搞混用像素坐标去解析标注画出来的mask全部错位。为了让这份数据集的六个类别之间有稳定的ID映射data.yaml通常这样写# data.yaml - 水域实例分割数据集类别配置 train: ./images/train val: ./images/val nc: 6 names: 0: river 1: lake 2: ocean 3: wetland 4: pond 5: other_water类别顺序按数据集文档排列河流、湖泊、海洋、湿地、池塘、其他水域。如果你想让模型只检测某几类比如只关心河流和湖泊可以在names里只保留对应的类别并把标注文件里的类别ID重新映射一遍但这会丢失其他类别信息慎用。真实验证一下标注文件的实际内容用Python读一个txt看看# inspect_yolo_seg_label.py import numpy as np label_path img_0673_JPG_jpg.rf.3f22208bab79c26c233e6663df68011d.txt with open(label_path, r) as f: lines f.readlines() for line in lines[:3]: # 只看前三个目标 parts line.strip().split() class_id int(float(parts[0])) coords [float(x) for x in parts[1:]] num_points len(coords) // 2 print(f类别ID: {class_id}, 顶点数: {num_points}) print(f坐标范围: min{min(coords):.4f}, max{max(coords):.4f})这段代码把标注文件的每一行按空格拆分第一个值作为类别ID后面所有值两两一组作为多边形顶点坐标。输出坐标范围这一步很关键——正常情况下所有归一化坐标都应在0到1之间如果出现大于1或小于0的值说明标注有越界问题后面避坑章会详细讲。2.3 用Python脚本快速统计类别分布和数据质量拿到数据集的第一个动作我建议别急着开训练先统计类别分布。水域分割有个很典型的问题池塘和小型水体的实例数量可能远少于河流和海洋导致模型对小类别严重欠拟合。# count_class_distribution.py from collections import Counter import glob class_counter Counter() class_names {0: river, 1: lake, 2: ocean, 3: wetland, 4: pond, 5: other_water} for label_path in glob.glob(labels/train/*.txt): with open(label_path, r) as f: for line in f: class_id int(float(line.strip().split()[0])) class_counter[class_id] 1 total sum(class_counter.values()) print(f训练集标注实例总数: {total}) for cls_id in range(6): count class_counter[cls_id] print(f{class_names[cls_id]}: {count} 个实例, 占比 {count/total*100:.1f}%)统计逻辑很简单遍历所有训练标注文件每一行代表一个实例把类别ID计数。跑完脚本看分布如果池塘只占百分之几后面训练就要考虑对池塘类别做过采样或者用更大batch size去平滑类别不平衡带来的梯度噪声。3. 训练前的关键一步数据划分、标注校验与可视化检查3.1 重新划分训练/验证集7:2还是8:2原始数据集自带了训练集和验证集的划分比例大约80/20这个比例在实例分割任务里是合理的。但如果你要把这个数据集和自有数据合并或者要从头按自己的场景重新划分建议不要直接套用原始划分而是先合并再统一切分。原因在于水域场景里的相似图片很容易被一次性分到训练集或验证集。比如一段连续拍摄的河流航拍序列相机运动轻微变化画面内容高度相似如果不做随机打乱直接按文件名顺序切分训练集和验证集就会出现“信息泄漏”——验证集的图片内容和训练集几乎一样最后评出来的mAP虚高模型实际泛化能力一塌糊涂。# split_dataset.py - 重新划分训练验证集 import os import random import shutil random.seed(42) image_files [f for f in os.listdir(images_all) if f.endswith(.jpg)] random.shuffle(image_files) train_ratio 0.8 split_idx int(len(image_files) * train_ratio) train_files image_files[:split_idx] val_files image_files[split_idx:] print(f总图片数: {len(image_files)}, 训练集: {len(train_files)}, 验证集: {len(val_files)}) for split_name, file_list in [(train, train_files), (val, val_files)]: os.makedirs(fimages/{split_name}, exist_okTrue) os.makedirs(flabels/{split_name}, exist_okTrue) for fname in file_list: shutil.copy(fimages_all/{fname}, fimages/{split_name}/{fname}) label_name fname.rsplit(., 1)[0] .txt if os.path.exists(flabels_all/{label_name}): shutil.copy(flabels_all/{label_name}, flabels/{split_name}/{label_name})random.seed(42)保证了切分的可复现性这是训练实验里非常重要的细节。固定随机种子之后无论谁跑这段脚本得到的训练集和验证集划分完全一致排查问题和对比实验结果都方便。80/20的划分在这个数据集规模下比较合适如果图片总数更少可以考虑7:3。3.2 校验标注坐标越界、空多边形、类别缺失YOLO分割格式的标注文件看起来简单实际脏数据却不少。最常见的三类问题坐标越界、空多边形、标注文件为空但图片存在。这些问题如果在训练前不清理训练过程轻则loss异常重则直接中断。# validate_labels.py - 校验标注合法性 import glob import numpy as np def validate_single_label(label_path): problems [] with open(label_path, r) as f: lines f.readlines() if len(lines) 0: problems.append(空标注文件) return problems for line_idx, line in enumerate(lines): parts line.strip().split() if len(parts) 5: # 至少需要1个类别ID 2个坐标点 problems.append(f第{line_idx}行: 顶点数不足) continue coords np.array([float(x) for x in parts[1:]]) if (coords 0).any() or (coords 1).any(): problems.append(f第{line_idx}行: 坐标越界 min{coords.min():.3f} max{coords.max():.3f}) return problems all_label_files glob.glob(labels/train/*.txt) glob.glob(labels/val/*.txt) for label_path in all_label_files: problems validate_single_label(label_path) if problems: print(f{label_path}: {problems})这段脚本的核心检查逻辑是空文件直接标记顶点数少于2的剔除坐标值超出0-1范围的报错。运行完如果某个文件有多个问题先修复再进入下一步。坐标越界往往是因为标注工具导出时没有按最新的图片尺寸重新计算坐标。提示坐标越界这类标注问题最好不要手工去改txt。重新从标注工具导出或者写脚本统一裁剪比手动改靠谱得多。3.3 可视化检查画mask看标注是否贴合水体边界统计和格式校验只能发现机器能识别的问题标注质量本身还得靠人眼看。把标注文件画回图片上检查多边形是否贴合水体的实际边界这一步不能省。# visualize_mask.py - 将YOLO分割标注画回图片 import cv2 import numpy as np image_path images/train/img_0673.jpg label_path labels/train/img_0673.txt image cv2.imread(image_path) h, w image.shape[:2] colors [(0, 255, 0), (255, 0, 0), (0, 0, 255), (255, 255, 0), (255, 0, 255), (0, 255, 255)] class_names [river, lake, ocean, wetland, pond, other_water] with open(label_path, r) as f: for line in f: parts line.strip().split() cls_id int(float(parts[0])) coords np.array([float(x) for x in parts[1:]], dtypenp.float32) points coords.reshape(-1, 2) points[:, 0] * w points[:, 1] * h points points.astype(np.int32) cv2.polylines(image, [points], isClosedTrue, colorcolors[cls_id], thickness2) cv2.putText(image, class_names[cls_id], (points[0][0], points[0][1] - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, colors[cls_id], 2) cv2.imwrite(visual_check.jpg, image) print(可视化结果已保存到 visual_check.jpg)这段脚本把归一化坐标乘回图片宽高恢复成像素坐标然后用cv2.polylines把多边形轮廓画出来类别名直接标在第一个顶点旁边。检查时重点看三个地方多边形是否完全覆盖水体区域、轮廓是否贴着水陆交界线、类别标签是否和水体实际类型一致。4. 开始训练YOLOv8n-seg的配置、命令与参数调优4.1 安装ultralytics和准备数据YAMLYOLO格式的分割标注可以直接喂给ultralytics框架训练。安装很简单pip一键完成。但环境坑不少后面避坑章节会展开这里先给安装命令。# 建议在独立的conda环境里安装避免和现有项目冲突 conda create -n water_seg python3.10 -y conda activate water_seg pip install ultralytics安装完成后需要把数据YAML文件放到显眼的位置。上一章写了一个data.yaml样例这里给出完整版# water_seg.yaml - 水域实例分割数据集训练配置 path: /home/user/water_seg_dataset train: images/train val: images/val nc: 6 names: 0: river 1: lake 2: ocean 3: wetland 4: pond 5: other_waterpath字段是数据集根目录的绝对路径train和val是相对path的图片目录。注意ultralytics会自动去相同路径下找labels/目录作为标注文件位置所以图片目录叫images/train时标注目录必须是labels/train。4.2 用YOLOv8n-seg快速验证再用s/m提精度第一次训练不要直接上大模型。水域分割的标注多边形通常比较精细但训练资源的消耗差异巨大。先用最小的YOLOv8n-seg跑20个epoch确认数据加载没问题、loss在下降再决定是否升级模型。# 先跑nano模型验证全流程 yolo segment train \ modelyolov8n-seg.pt \ datawater_seg.yaml \ epochs20 \ imgsz640 \ batch16 \ patience5 \ projectwater_seg_runs \ nameexp_nano命令逻辑不复杂加载YOLOv8n的预训练分割权重用我们自己的数据集微调。imgsz640是输入分辨率水域分割目标通常是大面积连续区域也可以试试imgsz1024看效果batch16取决于GPU显存如果训练时报OOM降到8或4patience5的含义是连续5个epoch验证集指标不提升就提前停止。nano模型跑通之后换成一个平衡点# 用s模型正式训练加大epoch数 yolo segment train \ modelyolov8s-seg.pt \ datawater_seg.yaml \ epochs100 \ imgsz1024 \ batch8 \ patience15 \ projectwater_seg_runs \ nameexp_s_1024从nano换到s模型参数量大约从3.4M增加到11.8M显存占用和单epoch训练时间都会翻倍。输入分辨率从640升到1024对水域这种边界精细的目标有帮助但如果显卡显存只有8Gbatch8在1024分辨率下很可能爆显存退回到640更稳妥。4.3 训练参数imgsz、epochs、batch、patience怎么设这几个参数的设置逻辑直接决定训练是“能跑”还是“跑得好”。imgsz水域目标面积大小分辨率下也能检测到但边界精细度会打折扣。实地验证时如果发现mask边缘锯齿感明显优先把imgsz调到1024。反过来如果目标是嵌入式部署且时效敏感640就够了。epochs目标检测和分割领域yolov8不到100个epoch一般都能收敛到可用状态。但水域场景的难点在于小水体类别容易欠拟合如果发现池塘类别的mAP明显低于其他类别可以考虑加大epochs到150配合数据增强让模型更多看到小目标样本。batch显存够的前提下尽量大。batch越大、BN统计量越稳定分割头输出的mask质量也越稳定。但batch过大会导致每个epoch迭代次数太少模型拟合不充分。8G显存跑yolov8s-seg用imgsz1024时batch4比较稳imgsz640时batch可以开到16。patience早停机制的耐心值我习惯设15。设太大训练时间拉长设太小可能模型还没到最优就被砍掉。配合lr00.01和lrf0.001这两个默认学习率参数先跑不要一上来就动学习率。训练完成后模型权重保存在water_seg_runs/exp_s_1024/weights/best.pt。接下来做推理验证用测试图直接跑一遍# inference_test.py - 用训练好的权重做推理 from ultralytics import YOLO model YOLO(water_seg_runs/exp_s_1024/weights/best.pt) results model.predict( sourcetest_images/, conf0.25, saveTrue, save_txtTrue, projectinference_results, namewater_test ) for r in results: if r.masks is not None: print(f检测到 {len(r.masks)} 个水域实例) print(f类别: {r.boxes.cls.tolist()}) print(f置信度: {r.boxes.conf.tolist()})推理脚本的输出能看到每个图片检测到的实例数量、类别ID和置信度。如果水面上有很多小目标漏检把conf从0.25降到0.1试试代价是会增加误检数量。5. 避坑记录水域分割里最常见的五个翻车现场5.1 现象mask覆盖了整条河但漏掉了小水塘训练完评估结果河流和湖泊这类大面积水体的mAP挺漂亮但池塘和湿地类别几乎全漏。训练日志里这两个类别的loss下降缓慢验证集上的AP值在0.1以下徘徊。原因类别严重不平衡。河流和湖泊的实例数占绝对多数池塘在每个batch里出现的次数太少模型几乎没有机会学到池塘的判别特征。解决最简单的做法是给数据集做类别重采样。把池塘类的训练图片复制几份放进训练集让它出现的频率和其他类别接近。更规范的做法是用augmentTrue配合mosaic1.0马赛克增强会把四个图片拼在一起训练小目标出现频率自然上升。5.2 现象训练loss不降数据检查发现PNG转JPG后背景变黑训练第一个epoch时loss异常高跑了几轮也不降。把训练中间输出的样本图调出来看发现原本应该是透明背景的PNG遥感影像变成JPG后背景全黑水体区域和背景几乎融为一体没有任何标注的多边形能对上。原因原始数据集图片是带透明通道的PNGRoboflow导出时统一转成了JPG。PNG的透明区域在JPG编码后变成黑色或白色填充块水体边界语义被破坏。解决遇到PNG转JPG导致背景异常的图片直接剔除不要强行保留。检查图片清单把所有疑似透明背景的PNG转成的JPG单独抽出来看一眼。实际操作中我一般写脚本检测图片四个角的像素值如果大面积接近纯色黑色0或白色255基本可以断定是透明通道丢失。5.3 现象验证集mAP很高但现场单张图预测全是空模型在验证集上的mAP50到了0.85看起来很棒。但实际拍回来的地面照片丢进去一张图一个目标都检测不出来。原因数据分布不匹配。验证集的图片来自和训练集同源的卫星或航拍影像而现场采集的地面照片拍摄角度、光线条件、图像清晰度和训练数据差别太大。模型学到的是“从高空视角看水体的纹理”模式换个视角就失效。解决如果是做遥感项目训练数据应该全部是遥感影像地面照片本来就是无效数据如果是做地面摄像头水域监测比如河道监控那就需要补充地面拍摄的标注图片重新微调。用带预训练权重的模型在自有场景数据上做微调通常只需要100张左右的标注图就能把场景语义拉回来。5.4 现象多边形坐标越界导致训练直接中断训练过程中报错AssertionError: coordinates out of bounds进程直接崩溃。排查发现某些标注文件的坐标值出现负数——原因是标注导出时图片经过了裁剪但标注坐标没有同步更新。原因标注工具里的原始图片被人工裁剪过标注点坐标仍基于原图尺寸计算新图片里已经没有对应区域了。解决把越界的标注文件全部过滤掉或者重新从标注工具导出修正版。过滤代码第3章已经写过直接跑一遍校验脚本把所有有坐标越界问题的文件名列入黑名单。特别注意越界的不只是大于1小于0的同样需要处理。5.5 现象六个类别混在一起模型分不清池塘和湿地模型预测结果里湿地和池塘两个类别互相混淆严重。A图片里的湿地被标成池塘B图片里的池塘被标成湿地。单看两个类别各自的mAP还可以但混淆矩阵里两个类别的相互错分率明显偏高。原因类别定义本身有模糊地带。湿地经常包含小面积积水形态上和水塘非常相似池塘如果长满浮萍视觉上湿地的草本植物特征也很接近。标注人员在标记时也容易摇摆不定。解决两条路。一是合并类别把池塘并入其他水域减少模型要区分的高相似度类别二是从标注侧统一规则约定“静止水体且边界清晰且有明显蓄水功能”归池塘“低洼积水且植物覆盖率高”归湿地然后把标注文件统一检查修正一遍。我倾向于第一种因为这类误判在应用场景里代价不大用户很少真的在意池塘还是湿地水体的准确位置才是关键。6. 从训练到落地导出模型、批量推理与mAP分析训练完不代表事情结束模型最终要部署到实际业务里。第一步是把训练好的PyTorch权重导出成部署格式。如果目标设备是GPU服务器导出成ONNX或TensorRT如果要用NVIDIA Jetson这类边缘设备TensorRT是更优选择。# 导出ONNX格式适用于跨平台部署 yolo export modelwater_seg_runs/exp_s_1024/weights/best.pt formatonnx opset12 # 导出TensorRT格式适用于NVIDIA GPU推理加速 yolo export modelwater_seg_runs/exp_s_1024/weights/best.pt formatengine device0导出完成后用onnxruntime验证一遍ONNX推理输出是否和PyTorch版本一致# onnx_check.py - 验证导出模型推理结果 import onnxruntime as ort import cv2 import numpy as np from ultralytics.utils import ops session ort.InferenceSession(best.onnx) input_name session.get_inputs()[0].name img cv2.imread(test_images/river_001.jpg) img cv2.resize(img, (640, 640)) input_tensor img[:, :, ::-1].transpose(2, 0, 1).astype(np.float32) / 255.0 input_tensor np.expand_dims(input_tensor, axis0) outputs session.run(None, {input_name: input_tensor})导出验证的意义是提前发现部署链路上的问题比如算子不支持ONNX、某些层的输出和原模型有细微差异等。这一步翻车最常见的是opset版本不符设opset12兼容性最好不用刻意追新版本。验证完导出再看训练时的评估指标。best.pt训练过程中会输出一张results.png里面有mAP50(B)和mAP50-95(B)两条曲线。mAP50算的是预测框和标注框IoU超过0.5就算正确而mAP50-95把IoU阈值从0.5逐步升到0.95更严格。水域分割场景里mAP50够用因为水体边界本身存在软边界人工标注也不完全一致如果做水利工程这种对边界精度要求极高的项目再重点看mAP50-95。最后把水域mask从像素mask转回地理坐标时需要用cv2.findContours提取多边形轮廓再配合栅格的地理仿射变换参数把像素坐标映射到经纬度。这一步我在项目中吃过亏——直接对mask做轮廓提取得到的多边形顶点数量巨大入了GIS后数据量爆炸。常规做法是先用cv2.approxPolyDP做轮廓简化把不必要的顶点删掉。从那以后我每次拿到一份新的数据集第一件事永远是先跑校验脚本和可视化脚本看标注质量、看类别分布、看格式问题而不是急着开训练。这个习惯帮我避开了很多次“训练三天发现数据是脏的”的绝境希望帮到你。本文还有配套的精品资源点击获取