视频演示
1. 前言
随着城市化进程加速，路面坑洞作为常见道路病害，不仅影响行车安全与舒适度，更可能引发交通事故并增加维护成本。传统人工巡检效率低且存在主观偏差，而基于计算机视觉的目标检测技术为高效、精准的坑洞识别提供了新思路。
YOLO（You Only Look Once）系列算法作为主流单阶段目标检测框架，凭借实时性强、灵活性高的特点，在交通场景检测中表现突出。然而，针对路面坑洞这一特定目标（形态不规则、与背景纹理相似），其检测仍面临挑战。
本研究设计了一套基于YOLO算法的路面坑洞检测系统，集成多模态数据支持（图片/视频/摄像头实时流）、参数调节（置信度/IoU）及模型切换功能，通过图形化界面将深度学习技术转化为易用的工程工具，为道路养护提供高效解决方案。本文将围绕系统功能与实际效果展开介绍，为相关应用提供参考。
2. 项目演示
2.1 登录界面
登录界面需输入用户名和密码，并设有验证码机制，整体简洁美观，左侧包含路面坑洞检测主题。
2.2 用户注册
注册时需输入用户名、密码，可选设置用户头像（未选择则使用默认头像）。
2.3 主界面
主界面分为三大区域：左侧功能选择栏、中间识别结果展示区、右侧结果详细信息区。
2.4 修改用户信息
支持修改用户密码及头像。
2.5 检测功能展示
选择图片后，识别结果展示于中间图像区域，下方列表列出各目标信息；点击列表不同行，可单独查看对应目标的详细标注，选择视频和摄像头功能也是类似的展示。
2.6 模型选择
支持切换已训练好的权重模型文件，便于使用不同模型进行检测。
3.模型训练核心代码
本脚本是YOLO模型批量训练工具，可自动修正数据集路径为绝对路径，从pretrained文件夹加载预训练模型，按设定参数（100轮/640尺寸/批次8）一键批量训练YOLOv5nu/v8n/v11n/v12n模型。
# -*- coding: utf-8 -*-
"""
该脚本用于执行YOLO模型的训练。
它会自动处理以下任务：
1. 动态修改数据集配置文件 (data.yaml)，将相对路径更新为绝对路径，以确保训练时能正确找到数据。
2. 从 'pretrained' 文件夹加载指定的预训练模型。
3. 使用预设的参数（如epochs, imgsz, batch）启动训练过程。
要开始训练，只需直接运行此脚本。
"""
import os
import yaml
from pathlib import Path
from ultralytics import YOLO
def main():
"""
主训练函数。
该函数负责执行YOLO模型的训练流程，包括：
1. 配置预训练模型。
2. 动态修改数据集的YAML配置文件，确保路径为绝对路径。
3. 加载预训练模型。
4. 使用指定参数开始训练。
"""
# --- 1. 配置模型和路径 ---
# 要训练的模型列表
models_to_train = [
{'name': 'yolov5nu.pt', 'train_name': 'train_yolov5nu'},
{'name': 'yolov8n.pt', 'train_name': 'train_yolov8n'},
{'name': 'yolo11n.pt', 'train_name': 'train_yolo11n'},
{'name': 'yolo12n.pt', 'train_name': 'train_yolo12n'}
]
# 获取当前工作目录的绝对路径，以避免相对路径带来的问题
current_dir = os.path.abspath(os.getcwd())
# --- 2. 动态配置数据集YAML文件 ---
# 构建数据集yaml文件的绝对路径
data_yaml_path = os.path.join(current_dir, 'train_data', 'data.yaml')
# 读取原始yaml文件内容
with open(data_yaml_path, 'r', encoding='utf-8') as f:
data_config = yaml.safe_load(f)
# 将yaml文件中的 'path' 字段修改为数据集目录的绝对路径
# 这是为了确保ultralytics库能正确定位到训练、验证和测试集
data_config['path'] = os.path.join(current_dir, 'train_data')
# 将修改后的配置写回yaml文件
with open(data_yaml_path, 'w', encoding='utf-8') as f:
yaml.dump(data_config, f, default_flow_style=False, allow_unicode=True)
# --- 3. 循环训练每个模型 ---
for model_info in models_to_train:
model_name = model_info['name']
train_name = model_info['train_name']
print(f"\n{'='*60}")
print(f"开始训练模型: {model_name}")
print(f"训练名称: {train_name}")
print(f"{'='*60}")
# 构建预训练模型的完整路径
pretrained_model_path = os.path.join(current_dir, 'pretrained', model_name)
if not os.path.exists(pretrained_model_path):
print(f"警告: 预训练模型文件不存在: {pretrained_model_path}")
print(f"跳过模型 {model_name} 的训练")
continue
try:
# 加载指定的预训练模型
model = YOLO(pretrained_model_path)
# --- 4. 开始训练 ---
print(f"开始训练 {model_name}...")
# 调用train方法开始训练
model.train(
data=data_yaml_path, # 数据集配置文件
epochs=100, # 训练轮次
imgsz=640, # 输入图像尺寸
batch=8, # 每批次的图像数量
name=train_name, # 模型名称
)
print(f"{model_name} 训练完成！")
except Exception as e:
print(f"训练 {model_name} 时出现错误: {str(e)}")
print(f"跳过模型 {model_name}，继续训练下一个模型")
continue
print(f"\n{'='*60}")
print("所有模型训练完成！")
print(f"{'='*60}")
if __name__ == "__main__":
# 当该脚本被直接执行时，调用main函数
main()4. 技术栈
-
语言：Python 3.10
-
前端界面：PyQt5
-
数据库：SQLite（存储用户信息）
-
模型：YOLOv5、YOLOv8、YOLOv11、YOLOv12
5. YOLO模型对比与识别效果解析
5.1 YOLOv5/YOLOv8/YOLOv11/YOLOv12模型对比
基于Ultralytics官方COCO数据集训练结果：
| 模型 | 尺寸(像素) | mAPval 50-95 | 速度(CPU ONNX/毫秒) | 参数(M) | FLOPs(B) |
|---|---|---|---|---|---|
| YOLO12n | 640 | 40.6 | - | 2.6 | 6.5 |
| YOLO11n | 640 | 39.5 | 56.1 ± 0.8 | 2.6 | 6.5 |
| YOLOv8n | 640 | 37.3 | 80.4 | 3.2 | 8.7 |
| YOLOv5nu | 640 | 34.3 | 73.6 | 2.6 | 7.7 |
关键结论：
-
精度最高：YOLO12n（mAP 40.6%），显著领先其他模型（较YOLOv5nu高约6.3个百分点）；
-
速度最优：YOLO11n（CPU推理56.1ms），比YOLOv8n快42%，适合实时轻量部署；
-
效率均衡：YOLO12n/YOLO11n/YOLOv8n/YOLOv5nu参数量均为2.6M，FLOPs较低（YOLO12n/11n仅6.5B）；YOLOv8n参数量（3.2M）与计算量（8.7B）最高，但精度优势不明显。
综合推荐：
-
追求高精度：优先选YOLO12n（精度与效率兼顾）；
-
需高速低耗：选YOLO11n（速度最快且精度接近YOLO12n）；
-
YOLOv5nu/YOLOv8n因性能劣势，无特殊需求时不建议首选。
5.2 数据集分析
数据集中训练集和验证集一共大概22000多张，数据集目标类别一类：坑洞。数据集配置代码如下：
names:
- '0'
nc: 1
path: D:\project\python\01Finished\yolo_Road_Pothole_Detection\train_data
test: ../test/images
train: ../train/images
val: ../valid/images上面的图片就是部分样本集训练中经过数据增强后的效果标注。
5.3 训练结果
混淆矩阵显示中，坑洞识别准确度是:79%。
F1指数（F1 Score）是统计学和机器学习中用于评估分类模型性能的核心指标，综合了模型的精确率（Precision）和召回率（Recall），通过调和平均数平衡两者的表现。
当置信度为0.402时，所有类别的综合F1值达到了0.81（蓝色曲线）。
mAP@0.5：是目标检测任务中常用的评估指标，表示在交并比（IoU）阈值为0.5时计算的平均精度均值（mAP）。其核心含义是：只有当预测框与真实框的重叠面积（IoU）≥50%时，才认为检测结果正确。
图中可以看到综合mAP@0.5达到了0.823（82.3%），准确率非常高。