集装箱损伤检测数据集 | 7700张YOLO智慧港口数据集
适用于港口验损、物流定责与目标检测研究
一、数据集概述
本数据集针对集装箱箱体损伤区域进行标注，共包含约7700张高质量标注图像，专为集装箱箱体损伤检测模型训练、验证与测试设计。集装箱在装卸、堆存与长途运输过程中频繁承受机械外力与环境侵蚀，容易出现凹陷、破孔、锈蚀、变形等损伤，直接影响货物安全并涉及责任划分与维修成本。港口传统查验依靠人工逐箱目检，作业量巨大且在夜间与恶劣天气下准确率下降。本数据集可用于训练自动化检测模型，配合闸口摄像头或轨道式扫描设备实现进出场自动验损，提升通关效率并为货损定责提供客观依据。该数据集为公开领域授权，可自由用于商业与科研用途，适用于YOLOv5/v7/v8/v10/v11/v12等主流检测框架。
随着智慧港口建设和物流数字化转型的快速发展，利用 计算机视觉 技术实现集装箱损伤的自动检测已成为提升港口作业效率、降低人工查验成本的重要手段。本数据集针对集装箱损伤检测场景中损伤形态多样、拍摄条件复杂、箱面纹理干扰等问题进行专项构建，可为港口智能理货系统与物流定责平台提供高质量数据支撑。
数据集下载
通过网盘分享的文件：集装箱损伤检测数据集-1类
链接: https://pan.baidu.com/s/17UURqcwvosE5nR77ku2pCA?pwd=u5qi
提取码: u5qi
二、数据集基本信息
| 项目 | 内容 |
|---|---|
| 数据集名称 | 集装箱损伤检测数据集 |
| 数据规模 | 约7700张高质量标注图像 |
| 任务类型 | 目标检测（Object Detection） |
| 检测目标 | 集装箱箱体损伤 |
| 类别数量（nc） | 1类 |
| 标注方式 | Bounding Box目标框标注 |
| 数据格式 | YOLO标准格式 |
| 数据来源 | 真实港口作业环境采集 |
| 数据划分 | Train / Valid / Test |
| 适配模型 | YOLOv5、YOLOv7、YOLOv8、YOLOv10、YOLOv11、YOLOv12、Faster R-CNN等 |
三、数据集 类 别说明
本数据集为单类别目标检测数据集，聚焦于集装箱箱体损伤区域的精准检测与定位，类别简洁明确，无冗余类别干扰，适配单目标检测任务需求。
类别配置
nc: 1
names:
- damage
类别详情
| 类别ID | 类别名称 | 英文名称 | 类别说明 |
|---|---|---|---|
| 0 | 损伤 | damage | 集装箱箱体各类损伤，包含凹陷、破孔、锈蚀、划痕、变形等 |
单类别设计使模型能够专注于损伤区域的特征学习，提高检测 精度 与定位准确性，特别适用于港口进出场验损、智能理货与货损定责等专项应用场景。
四、数据集结构说明
数据集采用标准YOLO目录结构组织，已按训练集、验证集、测试集进行科学划分，结构清晰，便于直接接入主流检测框架。
集装箱损伤检测数据集-1类/
├── train
│ ├── images
│ └── labels
├── valid
│ ├── images
│ └── labels
├── test
│ ├── images
│ └── labels
└── data.yaml
各数据集作用如下：
- train/images & labels：训练集图像与标签，用于模型参数学习与特征提取；
- valid/images & labels：验证集图像与标签，用于超参数调优、早停监控及防止过拟合；
- test/images & labels：测试集图像与标签，用于最终模型性能评估与泛化能力测试。
标注文件为同名.txt格式，每行格式为类别索引 x_center y_center width height，坐标均为归一化值，配套 data .yaml已配置好类别名称与数量，可直接适配YOLO系列等目标检测框架。
五、数据集核心优势
1. 专注集装箱损伤检测
本数据集以集装箱箱体损伤检测为核心任务，所有图像聚焦于真实港口作业环境下的集装箱采集，覆盖不同箱型、箱面与损伤形态。类别设计贴合港口验损、智能理货与货损定责实际需求，更利于训练出针对集装箱损伤的高精度检测模型。
覆盖损伤部位包括：
- 侧板（左右两侧）
- 门端（箱门区域）
- 顶部
- 角柱与底梁
覆盖损伤形态包括：
- 凹陷与变形
- 破孔与穿孔
- 锈蚀与腐蚀
- 划痕与刮擦
2. 贴近真实港口作业环境
数据来源于真实港口作业场景，具有以下特点：
- 多样箱型：不同尺寸、颜色的集装箱
- 多样箱面：侧板、门端、顶部等不同部位
- 复杂拍摄条件：不同距离、角度、光照条件
- 真实损伤样本：来源于真实集装箱的损伤记录
有效保障模型在实际港口作业中的泛化能力。
3. 复杂光照与拍摄条件
数据覆盖：
- 光照条件：白天强光、夜间照明、逆光等
- 拍摄角度：侧面、斜角、顶部俯视等
- 拍摄距离：近距离特写、中远距离全貌
- 作业环境：闸口、堆场、码头前沿等
能够有效增强模型在真实港口复杂环境中的鲁棒性。
4. 高质量人工标注
所有图像均经过高质量人工精准标注：
- 边界框规整贴合损伤区域
- 无漏标/错标
- 标注标准统一规范
- 满足高精度检测模型训练需求
有效保证模型训练质量。
5. 商业友好授权
数据集为公开领域授权，可自由用于商业与科研用途：
- 港口验损系统开发
- 物流平台货损定责
- 集装箱维修管理
- 科研与教学用途
使用无授权限制，降低商业化落地门槛。
6. 即用型数据组织
标准目录结构+单类别简化配置，无需复杂预处理，下载即可直接用于模型训练，降低使用门槛。
六、适用场景
港口集装箱进出场自动验损
在港口闸口、堆场出入口部署自动验损系统，对进出场集装箱进行损伤检测与记录。
智能理货与箱况自动记录
在智能理货系统中自动检测集装箱损伤情况，生成箱况记录与损伤档案。
物流货损责任判定与理赔取证
在货损纠纷中提供客观的损伤检测证据，辅助责任判定与理赔处理。
堆场集装箱状态巡检与维修调度
在堆场巡检中自动识别损伤集装箱，触发维修调度流程，提升堆场管理效率。
船运与多式联运货损管理
在船运、铁路、公路多式联运中跟踪集装箱损伤情况，支撑全程货损管理。
教学科研
用于工业场景目标检测 算法 研究与模型调优等科研场景。
七、适用研究方向
本数据集可广泛应用于以下研究领域：
- 集装箱损伤检测与评估研究
- 单类别目标检测研究
- 工业视觉与港口智能化研究
- 物流与供应链数字化研究
- 智能理货与货损管理研究
- YOLO系列模型优化研究
- 轻量化检测模型与边缘部署研究
- 域适应与跨场景泛化研究
八、总结
集装箱损伤检测数据集包含约7700张高质量标注图像，采用标准 YOLO格式 构建，专注于集装箱箱体损伤的检测与定位任务。数据集以单类别损伤为核心检测目标，覆盖凹陷、破孔、锈蚀、划痕、变形等多种损伤形态及侧板、门端、顶部等不同箱面，具有样本量大、标注精准、商业友好等特点，可广泛应用于港口验损、智能理货、货损定责、维修调度等领域，是开展集装箱损伤检测算法研发与智慧港口系统建设的优质数据资源。
