一、前言
路面裂缝、坑槽、松散等常见缺陷的及时识别，是道路养护工作的核心环节，直接关系到道路通行安全与养护效率。传统人工检测方式不仅耗时耗力、主观性强，还难以适应大规模道路巡检的实际需求。随着深度学习目标检测技术的发展，YOLO 系列模型凭借端到端检测、速度快、精度高的优势，成为路面缺陷识别的优选方案。为探究不同版本 YOLO 模型在路面缺陷检测任务中的适配性，本次实验基于自建路面缺陷识别数据集，完成 YOLOv5、YOLOv8、YOLOv11、YOLOv12、YOLOv26 多版本模型的训练与性能对比，为路面缺陷识别的工程落地提供实际的模型选型参考。
二、实验数据集
本次实验采用自建路面缺陷识别数据集，样本均来源于实际道路巡检场景，覆盖沥青、水泥等不同路面类型，包含各类常见路面缺陷，所有样本均完成标准化标注，标注格式适配 YOLO 系列模型训练要求，保障数据有效性。为保证模型训练效果与评估客观性，将数据集按合理比例划分为训练集、验证集与测试集，其中训练集 1254 张，主要用于模型参数拟合与特征学习；验证集 358 张，用于训练过程中超参数调优、模型性能监控与过拟合抑制；测试集 180 张，全程不参与训练，仅用于模型最终性能客观评估，各数据集样本分布均匀，有效避免类别不平衡问题。
三、模型训练
本次实验统一采用 YOLO 官方生态框架开展训练，同时训练 YOLOv5、YOLOv8、YOLOv11、YOLOv12、YOLOv26 五个版本模型，为确保各模型性能对比的公平性，所有模型均采用统一的基础训练配置。训练前均加载官方 COCO 数据集预训练权重，基于迁移学习快速适配路面缺陷识别任务，大幅提升训练效率与模型初始性能；训练过程中开启多种数据增强策略，有效丰富样本多样性，提升模型泛化能力；同时设置合理的学习率策略、优化器参数与训练轮数，开启早停机制，当验证集性能连续多轮无提升时自动停止训练，既保证模型训练充分，又避免过拟合与无效训练。训练过程中实时监控损失函数变化与验证集核心性能指标，确保各模型训练过程稳定收敛，无明显过拟合、欠拟合现象，最终完成所有版本模型的训练与模型权重保存，为后续性能评估做好准备。
四、总结
本次基于自建路面缺陷识别数据集，完成了 YOLOv5 至 YOLOv26 多版本模型的完整训练与测试，各模型均在实验中实现稳定收敛，展现出良好的路面缺陷识别能力。从整体表现来看，YOLOv5、YOLOv8 作为经典成熟版本，在路面缺陷检测中具备检测速度快、性能稳定、部署门槛低的优势，能够满足常规道路巡检场景的检测需求；而 YOLOv11、YOLOv12、YOLOv26 等新一代模型，依托优化的特征提取架构与检测算法，在检测精度上实现不同程度提升，尤其对小尺寸、复杂背景下的路面缺陷，识别效果更优，适配高精度检测需求的场景。本次多版本 YOLO 模型的对比实践，清晰展现了不同版本模型在路面缺陷识别任务中的优势与适配场景，为后续路面缺陷识别项目的模型选型提供了真实、有效的实际参考依据。在实际工程落地中，可根据具体的应用场景、硬件部署条件以及精度、速度的实际需求，灵活选择适配的 YOLO 模型，既可以选择经典版本保障检测效率与部署便捷性，也可选用新一代模型追求更高的检测精度，为道路智能化养护提供更贴合实际需求的技术支撑。同时，本次实验也为后续路面缺陷识别模型的优化提供了基础，可通过进一步的数据集扩充、超参数调优与模型改进，持续提升检测性能，更好地服务于道路养护工作。