GeoHazardDet - 泥石流/滑坡地质灾害识别项目

基于 YOLOv8 的地质灾害目标检测项目，用于识别航拍图像中的泥石流和滑坡区域。

项目特色：高精度地质灾害识别

---

项目简介

项目	说明
任务类型	目标检测 (Object Detection)
模型框架	YOLOv8
目标类别	2类 (泥石流、滑坡)
数据集规模	1,635 张图片
图片尺寸	512 × 512 像素
应用场景	航拍图像地质灾害识别

类别信息

ID	名称	说明
0	debris_flow	泥石流
1	landslide	滑坡

---

运行效果 / Demo Results

以下是模型在验证集上的部分检测结果示例：

场景 1	场景 2
检测到滑坡/泥石流区域	复杂地形下的识别效果

场景 3	场景 4
不同尺度的目标检测	航拍视角下的灾害识别

---

致谢与声明

本项目基于 Ultralytics YOLOv8 框架开发。

• 本项目遵循原始框架的许可证协议 (AGPL-3.0)
• 感谢 Ultralytics 团队在计算机视觉领域的贡献
• 本项目在此基础上进行了地质灾害检测的特定优化和扩展

---

环境配置

1. 创建虚拟环境

# 使用 conda 创建虚拟环境
conda create -n geohazard python=3.10

# 激活虚拟环境
conda activate geohazard

2. 安装依赖

# 安装 ultralytics (包含 YOLOv8)
pip install ultralytics>=8.1.0

# 或使用 requirements.txt
pip install -r requirements.txt

3. requirements.txt 内容

ultralytics>=8.1.0,<8.3.0
torch>=2.0.0
torchvision>=0.15.0
numpy>=1.24.0
pandas>=2.0.0
Pillow>=10.0.0
opencv-python>=4.8.0
matplotlib>=3.7.0
seaborn>=0.12.0
tqdm>=4.65.0
PyYAML>=6.0

4. 验证 GPU 环境

# 检查 PyTorch 是否支持 GPU
python -c "import torch; print(f'CUDA available: {torch.cuda.is_available()}'); print(f'GPU count: {torch.cuda.device_count() if torch.cuda.is_available() else 0}')"

输出示例:

CUDA available: True
GPU count: 1

---

数据集说明

数据集目录结构

datasets/
├── images/
│   ├── train/ (1,144 张训练图片)
│   ├── val/ (327 张验证图片)
│   └── test/ (164 张测试图片)
└── labels/
    ├── train/ (1,144 个标签文件)
    ├── val/ (327 个标签文件)
    └── test/ (164 个标签文件)

YOLO 标签格式

每个标签文件 (.txt) 包含一个或多个目标，格式如下：

<class_id> <x_center> <y_center> <width> <height>

示例:

0 0.635742 0.777344 0.724609 0.441406

字段说明:

字段	含义	范围
class_id	类别ID (0=泥石流, 1=滑坡)	整数
x_center	目标中心X坐标 (归一化)	0-1
y_center	目标中心Y坐标 (归一化)	0-1
width	目标宽度 (归一化)	0-1
height	目标高度 (归一化)	0-1

数据集配置

配置文件: configs/disaster.yaml

path: ./datasets
train: images/train
val: images/val
test: images/test
nc: 2
names:
  0: debris_flow
  1: landslide

---

快速开始

方式一：命令行训练

# 默认配置训练 (100轮, GPU 0)
python src/train.py

# 自定义参数
python src/train.py --epochs 200 --batch 8 --model yolov8s.pt

方式二：PyCharm 训练

详见 PyCharm配置

---

PyCharm 配置

1. 打开项目

1. 打开 PyCharm
2. 选择 File → Open
3. 选择项目目录: C:\...\GeoHazardDet

2. 配置 Python 解释器

1. File → Settings → Project: GeoHazardDet → Python Interpreter
2. 点击齿轮图标 → Add...
3. 选择 Existing environment
4. 选择 conda 环境: ...\anaconda3\envs\geohazard\python.exe (或你创建的其他虚拟环境)

3. 配置运行参数

1. 点击右上角 Add Configuration...
2. 点击 + → Python
3. 配置如下:

Name: Train Model
Script path: ...\GeoHazardDet\src\train.py
Parameters: (留空，使用默认参数)
Working directory: ...\GeoHazardDet

4. 点击 OK 保存

4. 默认训练参数

当参数留空时，使用以下默认值:

参数	默认值	说明
--epochs	100	训练轮次
--batch	16	批次大小
--device	0	GPU 编号 (0/1/... 或 cpu)
--model	yolov8n.pt	预训练模型
--data	configs/disaster.yaml	数据集配置

5. 开始训练

1. 确保右上角选择了 Train Model 配置
2. 点击 ▶️ 按钮开始训练

6. 自定义 PyCharm 运行配置

如需自定义参数，编辑 Parameters 字段:

--epochs 200 --batch 8 --device 0 --model yolov8s.pt

---

模型训练

基本用法

# 默认配置 (100轮, GPU 0, batch=16)
python src/train.py

# 自定义训练
python src/train.py \
    --epochs 200 \
    --batch 8 \
    --device 0 \
    --model yolov8n.pt

常用参数

参数	默认值	说明
--epochs	100	训练轮次
--batch	16	批次大小 (根据GPU显存调整)
--device	0	GPU 编号 (0/1/2... 或 cpu)
--model	yolov8n.pt	模型大小 (n/s/m/l/x)
--data	configs/disaster.yaml	数据集配置

模型选择

模型	参数数量	推荐显存	速度	精度
yolov8n.pt	3.2M	2GB	最快	较低
yolov8s.pt	11.2M	4GB	快速	中等
yolov8m.pt	25.9M	8GB	中等	较高
yolov8l.pt	43.7M	12GB	较慢	高
yolov8x.pt	68.2M	16GB	最慢	最高

批量大小参考

GPU 显存	推荐 batch size
4GB	8-16
8GB	16-32
12GB	32-64
16GB+	64-128

---

模型推理

基本用法

python src/predict.py \
    --model runs/train/exp/weights/best.pt \
    --source datasets/images/val \
    --save

参数说明

参数	说明
--model	模型路径
--source	输入源 (图片/文件夹/视频)
--save	保存推理结果
--conf	置信度阈值 (默认0.25)

---

模型评估

基本用法

python src/evaluate.py \
    --model runs/train/exp/weights/best.pt \
    --data configs/disaster.yaml

评估指标

指标	说明
mAP@0.5	IoU=0.5 时的平均精度
mAP@0.5:0.95	IoU=0.5~0.95 的平均精度
Precision	精确率
Recall	召回率
F1-Score	F1 分数

---

模型保存位置

训练输出目录

runs/train/exp/
├── weights/
│   ├── best.pt   # 最佳模型权重
│   └── last.pt   # 最后模型权重
├── args.yaml     # 训练参数
├── results.csv   # 训练结果
└── confusion_matrix.png  # 混淆矩阵

模型文件说明

文件	说明	使用场景
best.pt	验证集上mAP最高的模型	部署/推理
last.pt	最后一轮的模型	继续训练

使用训练好的模型

from ultralytics import YOLO

# 加载最佳模型
model = YOLO('runs/train/exp/weights/best.pt')

# 推理
results = model('test_image.jpg')

# 保存结果
results[0].save()

---

项目结构

GeoHazardDet/
├── src/
│   ├── __init__.py
│   ├── train.py         # 训练脚本
│   ├── predict.py       # 推理脚本
│   ├── evaluate.py      # 评估脚本
│   ├── data/
│   │   ├── __init__.py
│   │   ├── dataset.py   # 数据集加载
│   │   └── prepare_full_dataset.py  # 数据集准备
│   └── utils/
│       ├── __init__.py
│       ├── logger.py    # 日志工具
│       └── visualizer.py # 可视化工具
├── configs/
│   └── disaster.yaml    # 数据集配置
├── datasets/            # 处理后的数据集
├── runs/
│   ├── train/          # 训练输出
│   ├── verify_labels/  # 标签验证
│   └── visualize/      # 可视化输出
├── requirements.txt    # 依赖列表
└── README.md          # 项目说明

---

常见问题

Q1: GPU 无法使用

# 检查 CUDA
python -c "import torch; print(torch.cuda.is_available())"

# 如果返回 False，尝试重新安装 GPU 驱动
# 或检查 PyTorch 版本是否支持你的 CUDA 版本

Q2: CUDA out of memory

减小 batch size:

python src/train.py --batch 8

Q3: 训练太慢

1. 使用更小的模型: --model yolov8n.pt
2. 减小图片尺寸: --imgsz 416
3. 使用更快的设备

Q4: 如何继续训练

python src/train.py --resume runs/train/exp/weights/last.pt

Q5: 验证集上效果差

1. 增加训练轮次
2. 使用更大的模型
3. 调整数据增强参数

---

参考资料

• YOLOv8 官方文档
• Ultralytics GitHub
• YOLO 格式说明

---

作者

Freak_64

协作开发说明

本项目采用协作开发模式，欢迎社区贡献。

创建日期

2026-02-13

项目特点

本项目具有高精度地质灾害检测能力。

---

获取模型与数据集 / Model & Dataset Access

本项目训练好的权重文件（best.pt）及完整数据集（包含原始 SHP 文件）未直接包含在仓库中。

如需获取完整工程文件（包含训练好的模型权重、完整数据集），请联系作者有偿获取。

联系方式 / Contact

• 作者 (Author): Freak_64
• 作者 QQ: 1640946640
• 说明: 添加好友时请注明 "GeoHazardDet" 或 "地质灾害检测项目"