【工业场景】用YOLOv26实现8种道路隐患检测

本文以YOLOv26为基础，设计研究了基于YOLOv26的道路隐患识别任务（包含道路裂缝、井盖、修补裂缝等8类隐患），自动提取影像中的道路隐患，包含完整数据介绍、训练过程和测试结果全流程。

若需要完整数据集和源代码可以私信。

🌷🌷1.数据集介绍

🍉1.1输入影像

🍉1.2yolo目标检测格式

👍👍2.道路病害识别实现效果

🍎🍎3.YOLOv26识别道路病害算法步骤

🌷🌷1.数据集介绍

🍉1.1输入影像

道路病害检测数据集总共包含6000张样本数据，其中训练集5000张，验证集1000张，影像尺寸为1600*1184，部分影像展示如下：

🍉1.2yolo目标检测格式

YOLO（You Only Look Once）目标检测算法使用特定的数据格式进行训练和预测。以下是常见的YOLO数据格式要求：

标注文件格式：

每个图像对应一个同名的.txt文件
每行表示一个边界框，格式为：class_id x_center y_center width height
所有坐标值都是相对于图像宽度和高度的归一化值（0-1之间）

复制代码

道路病害识别数据样本类别包含8类。

0：裂缝

1：井盖

2：网状裂缝

3：坑洞

4：修补裂缝

5：修补网状裂缝

6：修补坑洞

7：其他

label为txt格式的yolo目标检测格式，示例txt文件内容为：

👍👍2.道路病害识别实现效果

🍎🍎3.YOLOv26识别道路病害算法步骤

通过目标检测方法进行道路病害识别的方法不限，本文以YOLOv26为例进行说明。

🍋3.1数据准备

道路病害检测数据集总共包含6000张样本数据，其中训练集5000张，验证集1000张。

从label.png上来看，样本类别分布并不均匀，裂缝、井盖和修补裂缝样本数量较多，其他几类数据较少，所以这些样本分布势必会对后续的训练产生影响。

数据组织：

bash 复制代码

dataset/
├── images/
│   ├── train/
│   └── val/
└── labels/
    ├── train/
    └── val/

🍋3.2模型选择

images/train文件夹如下：

labels/train文件夹如下：

模型训练label部分采用的是YOLO格式的txt文件，所以如果自己的数据集是xml格式或者json格式需要进行转换哦，转换可移步这里。

具体txt格式内容如1.数据集介绍中所示。

🍋3.3加载预训练模型

以YOLO26n为例，模型选择代码如下：

python 复制代码

from ultralytics import YOLO
 
# Load a model
#model = YOLO('yolo26n.yaml')  # build a new model from YAML
#model = YOLO('yolo26n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolo26n.yaml').load('yolov26n.pt')  # build from YAML and transfer weights

其中yolo26.yaml为./ultralytics/cfg/models/26/yolo26.yaml，可根据自己的数据进行模型调整，打开yolo26.yaml显示内容如下：

bash 复制代码

# Parameters
nc: 80 # number of classes
end2end: True # whether to use end-to-end mode
reg_max: 1 # DFL bins
scales: # model compound scaling constants, i.e. 'model=yolo26n.yaml' will call yolo26.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.50, 0.25, 1024] # summary: 260 layers, 2,572,280 parameters, 2,572,280 gradients, 6.1 GFLOPs
  s: [0.50, 0.50, 1024] # summary: 260 layers, 10,009,784 parameters, 10,009,784 gradients, 22.8 GFLOPs
  m: [0.50, 1.00, 512] # summary: 280 layers, 21,896,248 parameters, 21,896,248 gradients, 75.4 GFLOPs
  l: [1.00, 1.00, 512] # summary: 392 layers, 26,299,704 parameters, 26,299,704 gradients, 93.8 GFLOPs
  x: [1.00, 1.50, 512] # summary: 392 layers, 58,993,368 parameters, 58,993,368 gradients, 209.5 GFLOPs

# YOLO26n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
  - [-1, 2, C3k2, [256, False, 0.25]]
  - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
  - [-1, 2, C3k2, [512, False, 0.25]]
  - [-1, 1, Conv, [512, 3, 2]] # 5-P4/16
  - [-1, 2, C3k2, [512, True]]
  - [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32
  - [-1, 2, C3k2, [1024, True]]
  - [-1, 1, SPPF, [1024, 5, 3, True]] # 9
  - [-1, 2, C2PSA, [1024]] # 10

# YOLO26n head
head:
  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 6], 1, Concat, [1]] # cat backbone P4
  - [-1, 2, C3k2, [512, True]] # 13

  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 4], 1, Concat, [1]] # cat backbone P3
  - [-1, 2, C3k2, [256, True]] # 16 (P3/8-small)

  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 13], 1, Concat, [1]] # cat head P4
  - [-1, 2, C3k2, [512, True]] # 19 (P4/16-medium)

  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 10], 1, Concat, [1]] # cat head P5
  - [-1, 1, C3k2, [1024, True, 0.5, True]] # 22 (P5/32-large)

  - [[16, 19, 22], 1, Detect, [nc]] # Detect(P3, P4, P5)

主要需要修改的地方为nc，也就是num_class，此处数据集类别为8类，所以nc=8。

如果其他的模型参数不变的话，就默认保持原版yolo26，需要改造模型结构的大佬请绕行。

加载预训练模型yolo26-obb.pt，可以在第一次运行时自动下载，如果受到下载速度限制，也可以自行下载好（下载链接），放在对应目录下即可。

🍋3.4输入数据组织

yolo26还是以yolo格式的数据为例，./ultralytics/cfg/datasets/data.yaml的内容示例如下：

bash 复制代码

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco8  # dataset root dir
train: images/train  # train images (relative to 'path') 4 images
val: images/val  # val images (relative to 'path') 4 images
test:  # test images (optional)
 
# Classes (80 COCO classes)
names:
  0: person
  1: bicycle
  2: car
  # ...
  77: teddy bear
  78: hair drier

这个是官方的标准coco数据集，需要换成自己的数据集格式，此处建议根据自己的数据集设置新建一个road_hazards.yaml文件，放在./ultralytics/cfg/datasets/目录下，最后数据集设置就可以直接用自己的road_hazards.yaml文件了。以我的road_hazards.yaml文件为例：

bash 复制代码

path: /home/datasets/road_hazards# dataset root dir
train: images/train  # train images (relative to 'path') 4 images
val: images/val  # val images (relative to 'path') 4 images
test: images/test # test images (optional)
 
names:
  0: Crack
  1: Manhole
  2: Net
  3: Pothole
  4: Patch-Crack
  5: Patch-Net
  6: Patch-Pothole
  7: other

🍭🍭4.目标检测训练代码

准备好数据和模型之后，就可以开始训练了，train.py的内容显示为：

python 复制代码

from ultralytics import YOLO
 
model = YOLO("yolo26n-obb.pt") 
 
results = model.train(data="road_hazards.yaml", epochs=300, imgsz=1024, device="0", batch = 8)

通常我会选择在基础YOLO模型上进行transfer微调，不会从头开始训练，如果想自己从头开始，可以自行选择第一种方式。这里建议选择第三种。

⭐4.1训练过程

训练的过程忘记截图了，贴上result.csv吧

⭐4.2训练结果

训练完成后会在/runs/detect/目录下生成train或者train+数字的文件夹，存放你的训练结果。

训练完成后的结果如下：

其中weights文件夹内会包含2个模型，一个best.pth，一个last.pth。

至此就可以使用best.pth进行推理检测道路隐患了。

🏆🏆5.目标检测推理代码

批量推理python代码如下：

python 复制代码

from ultralytics import YOLO
from PIL import Image
import cv2
import os
 
 
model = YOLO('/yolov8/runs/detect/train/weights/best.pt')  # load a custom model
path = '/home/dataset/images/test/'  #test_image_path_dir
img_list = os.listdir(path)
for img_path in img_list:
###  =============detect=====================
    im1 = Image.open(os.path.join(path,img_path))
    results = model.predict(source=im1, save=True,save_txt=True)

若需要完整数据集和源代码可以私信。

整理不易，欢迎一键三连！！！

送你们一条美丽的--分割线--

🌷🌷🍀🍀🌾🌾🍓🍓🍂🍂🙋🙋🐸🐸🙋🙋💖💖🍌🍌🔔🔔🍉🍉🍭🍭🍋🍋🍇🍇🏆🏆📸📸⛵⛵⭐⭐🍎🍎👍👍🌷🌷