简介一套基于YOLOv8的交通道路裂缝识别系统面向计算机视觉、人工智能方向的学生与开发者尤其适合毕业设计、课程设计或初期项目演示。资源包含完整源码、可视化界面、训练好的模型权重以及数据集和部署说明下载后按README提示即可快速运行。压缩包共8个文件以Python脚本、PyTorch模型权重和说明文档为主整体仅15.91MB轻量易用。项目已内置评估与可视化模块可直接产出核心指标曲线、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果及标签分布图为答辩或评审提供充分佐证。目前已有39人学习使用代码经测试运行成功也便于在此基础上二次开发。1. 道路裂缝检测为什么选 YOLOv8路面裂缝检测这个场景第一眼觉得简单实际做起来才发现坑不少。裂缝细长、对比度低阴影和沥青颗粒又容易造成伪目标传统形态学处理只能出单张静态图到了行车视频就崩溃。用 YOLOv8 做是因为它 Anchor-Free 检测头对长条目标更友好C2f 结构在低算力下仍有不错的召回率而且 ultralytics 自带训练、验证、导出闭环不用自己拼代码。这套资源把模型训练、视频检测和可视化界面都整合好了适合毕业设计、课程设计尤其适合计算机视觉方向想快速拿结果又想把原理讲清楚的人。2. YOLOv8 结构拆解从 C2f 到 Anchor-Free 检测头2.1 Backbone 的 C2f 模块怎么改进 C3YOLOv8 的主干网络用的是 C2f 结构替代了 v5 里常见的 C3。C2f 的关键是先把输入分成两个分支一个分支依次通过若干个 Bottleneck另一个分支保留原特征最后在输出前把多层结果拼接 concat 到一起。这样每条路径都能回传梯度小目标的特征不容易在深层消失。道路裂缝的宽度通常只有几个像素如果 Backbone 过早降采样后续全靠高层语义信息很难恢复精确位置。C2f 增加短连接相当于给特征图多留了几条“小路”。在 ultralytics 里结构通过 yaml 文件配置不用手写网络。下面是一个典型配置片段对应yolov8n.yaml简化后的 Backbone 部分# YOLOv8n Backbone 配置简写 backbone: - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2 - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4 - [-1, 3, C2f, [128, True]] # 2 - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8 - [-1, 6, C2f, [256, True]] # 4 - [-1, 1, Conv, [512, 3, 2]] # 5-P4/16 - [-1, 6, C2f, [512, True]] # 6 - [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32 - [-1, 3, C2f, [1024, True]] # 8这里-1表示输入来自上一层第二个字段是模块重复次数最后一列是模块参数。C2f后面的True表示是否使用 shortcut。对裂缝这类小目标P3、P4 这两层 8 倍、16 倍下采样特征图最关键所以训练时不要盲目加大输入尺寸imgsz640通常是性价比最高的选择。2.2 Neck 的 PAN-FPN 特征融合YOLOv8 的 Neck 沿用 PAN-FPN是一条自顶向下通路加一条自底向上的路径聚合结构。自顶向下把高层语义传给低层自底向上把浅层位置信息重新传回高层两轮组合后检测头拿到的 P3、P4、P5 三张特征图同时包含“在哪里”和“是什么”的信息。对裂缝检测低层 P3 特征能保留裂纹条纹的方向和连续性高层 P4/P5 特征能过滤掉大量沥青纹理噪声。很多毕设代码只改 Head不动 Neck因为 PAN-FPN 在通用目标检测上已经很稳。真正要调的往往是特征图的选择和融合权重。如果发现细裂缝检测不稳定优先确认 Backbone 输出的特征图是否正常可以用model.model打印每层输出尺寸而不是一上来就替换 Neck 结构。2.3 HeadDecoupled Head、Anchor-Free 和损失函数YOLOv8 的检测头是解耦头分类和回归分开两个分支。分类分支用 BCE 损失回归分支用 CIoU 加 Distribution Focal Loss。分开计算的原因是分类和定位任务对特征的敏感度不一样混在一起容易互相压制。裂缝颜色接近路面分类分支需要细纹理特征回归分支要压出裂缝边缘框。DFL 把边界框回归变成对离散分布的积分输出是概率分布而不是直接回归数值对长条目标的边界定位更平滑。推理时没有 Anchor直接在每个格子预测框的中心和宽高。这个设计减少了 Anchor 超参数调优也让模型在不同分辨率下更鲁棒。训练日志里的box_loss、cls_loss、dfl_loss三项指标来自这个 Head。很多人喜欢研究 “yolov8 head 改进”但先理解默认 Head 的损失构成再改否则换一个新模块可能连最优学习率都找不到。对裂缝数据集改进 Head 不如先做数据增强和类别均衡。2.4 资源里的两个权重怎么配合这个项目里提供了yolov8n.pt和yolo11n.pt一个是 v8 的 nano 权重另一个可以看作同生态的对比模型。毕设场景里一般用yolov8n.pt做预训练主干用裂缝数据集微调最后生成的best.pt才是答辩时用的模型。yolo11n.pt可以当作消融实验对照组向评委证明你比较过不同 Backbone 的表现。下表是常见选择权重文件适合场景实战建议yolov8n.pt预训练微调 / 快速原型默认选它做 baselineyolo11n.pt对比实验 / 结构验证同数据训练后对比 mAP 和推理帧率best.pt最终模型部署、可视化全部加载它打开训练后的模型可以用print(model.model)看到完整网络结构。在train_mode.py里加一行model.info()会输出参数量和浮点计算量 GFLOPs答辩演示时把这两个数字展示出来比手画结构图更有说服力。但要注意不要直接用预训练权重去跑检测未经微调的 COCO 权重不认裂缝类别输出里只有 COCO 的 80 类目标。3. YOLOv8 环境配置与数据集准备训练自己的裂缝检测模型3.1 YOLOv8 环境配置CPU 与 GPU 两套方案train_mode.py本质是调用 ultralytics 框架。环境配置常见做法是conda create -n crack python3.9 -y conda activate crack pip install torch2.0.1 pip install ultralytics8.2.0 opencv-python pyyaml tqdm如果机器只有 CPU把 torch 替换为 CPU 版本例如pip install torch --index-url https://download.pytorch.org/whl/cpu但训练 80 轮会很慢。做裂缝检测最低限度建议用 GPU 且显存 6G 以上数据集里目标密集batch size 想出到 16 至少需要 8G 显存。这里torch2.0.1是稳定组合ultralytics8.2.0对应的 API 和本项目脚本兼容性更好。如果你手头是 30 系以上显卡装 CUDA 11.8 或 12.1 版 PyTorch 都行别用 2.4 这种刚发布的版本容易遇到算子兼容问题。3.2 数据集目录与 YOLO 标签格式数据集需要 images 和 labels 两个目录每张图片对应同名 txt。txt 每行是class x_center y_center width height所有坐标归一化到 0~1。注意裂缝标注不是一块完整连通区域而是要手动切成多段矩形框。如果直接用分割多边形外接矩形覆盖整个长裂缝框里大部分是背景训练时正样本会被稀释。常规数据目录结构如下datasets/ crack_detection/ images/ train/ val/ labels/ train/ val/ crack.yaml对应的crack.yaml里写路径和类别名path: datasets/crack_detection train: images/train val: images/val nc: 4 names: [横向裂缝, 纵向裂缝, 网状裂缝, 坑槽]具体类别以资源里的 README.txt 为准。路径尽量用项目根目录的相对路径不要用~Windows 和 Linux 解析不同。下载资源后第一步不是直接训练而是先检查 labels 里有没有空 txt空的标签文件会在训练时让对应图片被跳过最后 mAP 看起来很高实际漏检严重。3.3 训练脚本核心参数与指标输出资源里的train_mode.py核心逻辑通常是这样from ultralytics import YOLO model YOLO(yolov8n.pt) results model.train( datacrack.yaml, epochs80, imgsz640, batch8, device0, workers2, optimizerauto, lr00.01, patience10, projectruns/detect, namecrack_train, )epochs80对几百张裂缝数据足够再多容易过拟合batch8是 6G 显存的保守值显存不够先降到 4而不要直接改小模型。patience10表示验证集指标连续 10 轮不升就早停适合不确定最佳轮数的情况。optimizerauto会按模型自动选择 SGD 或 AdamW我一般先跑 20 轮看 loss 趋势再决定是否换成optimizerAdamW继续训。训练完自动生成results.png包含train/box_loss、val/box_loss、metrics/mAP50多条曲线。如果资源里的旧版本没生成可以从 CSV 自己画。新版在runs/detect/crack_train/results.csv里保存全部原始数据画损失曲线图很简单import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(runs/detect/crack_train/results.csv) plt.plot(df[epoch], df[train/box_loss], labeltrain box) plt.plot(df[epoch], df[val/box_loss], labelval box) plt.legend() plt.savefig(loss_curve.png)这里列名带斜杠读取时注意不要漏掉引号。如果想看 mAP 变化把列名换成metrics/mAP50(B)即可。答辩时画这种自定义曲线图比直接截 ultralytics 默认图更能体现你理解训练过程。训练输出目录里还有混淆矩阵、F1 曲线、PR 曲线、P 曲线和验证集预测结果图。它们的关系如下指标/图表含义答辩时怎么解释mAP50IoU 0.5 下的平均精度整体能识别出裂缝区域mAP50-95多阈值平均精度边框质量数值低不代表失败precision预测框中真实裂缝比例宁可少框不可乱框recall裂缝被找出的比例漏检率是否可接受3.4 训练排错路径、显存和类别编号训练报错主要集中在三处。第一FileNotFoundError: Dataset not found基本是 yaml 路径没写对Windows 下反斜杠要改成/。第二CUDA out of memory优先调小 batch而不是换更小模型小模型代表能力上限会下降。第三AssertionError: labels not in task说明标签文件为空或类别编号超过nc可以扫一遍 labels 目录import os for f in os.listdir(labels/train): with open(os.path.join(labels/train, f)) as fp: lines [l.strip() for l in fp if l.strip()] if not lines: print(空标签:, f) for line in lines: if int(line.split()[0]) 4: print(类别越界:, f, line)代码逻辑是先过滤空行再检查空文件最后看类别编号是否落在0~nc-1。类别越界会导致 Loss 计算出现 NaN训练日志里表现为 loss 突然变成nan这种情况先检查标签不要急着调学习率。4. 推理链路与可视化界面从 Detection_video.py 到 Visual_interface.py4.1 模型加载与单张图片推理训练完成后推理脚本从best.pt加载模型直接调用 ultralytics APIfrom ultralytics import YOLO model YOLO(best.pt) result model.predict( sourcetest.jpg, conf0.25, iou0.45, imgsz640, saveTrue, verboseFalse, ) boxes result[0].boxes print(boxes.cls, boxes.conf, boxes.xyxy)conf是置信度阈值裂缝这种低对比度目标建议设 0.2~0.3否则漏检严重iou控制 NMS 合并程度裂缝目标重叠不多0.45 是通用值。如果同一段视频里框反复闪烁把iou降到 0.3 能抑制重叠框但也会让靠得很近的裂缝合并成一个。verboseFalse关闭终端刷屏保存结果时saveTrue会在runs/detect/predict下生成标注图。4.2 视频检测逐帧读取与多线程Detection_video.py用于视频或摄像头检测。逐帧model(frame)的写法在 1080p 输入下很难实时常见做法是让子线程做推理主线程只负责读取画面和绘制结果import cv2 import threading import queue from ultralytics import YOLO model YOLO(best.pt) cap cv2.VideoCapture(test.mp4) q queue.Queue(maxsize2) def worker(): while True: frame q.get() result model.predict(frame, conf0.25, imgsz640, verboseFalse) # 实际项目里把 result 放入另一个队列交给主线程绘制 q.task_done() threading.Thread(targetworker, daemonTrue).start() while cap.isOpened(): ok, frame cap.read() if not ok: break if not q.full(): q.put(frame)这里maxsize2的队列做滑窗生产快于消费时自动丢旧帧避免显示越来越滞后。注意不要在这个推理线程里直接调用cv2.imshowOpenCV 的 GUI 操作放在主线程才稳定。如果要做视频保存用cv2.VideoWriter封装预测后的帧编码器选 mp4v。4.3 Visual_interface.py 可视化界面是怎么串起来的毕设答辩最看重的可视化界面通常用 PyQt5 或 Tkinter 做外层框架。Visual_interface.py负责把模型加载、检测逻辑和界面事件绑在一起。常见布局是左边文件选择按钮中间结果显示画布右边当前帧检测信息列表底部置信度阈值和 IoU 滑块。界面模块对应函数/区域具体作用文件选择open_file()读取图片或视频路径触发检测线程结果画布update_frame()把标注框和标签画到 QLabel 或 QPixmap置信度滑块set_conf()动态修改检测阈值并重新推理信息表格update_table()显示类别名称、置信度、坐标日志框append_log()输出模型路径、推理耗时、异常信息我建议把滑块绑定到model.predict(conf...)的参数而不是每次重新加载模型。模型加载只做一次放在界面初始化函数里否则拖动滑块会卡死。如果资源里的Visual_interface.py用的是 Tkinter方案类似用after()定时轮询结果队列把新帧刷新到画布。无论哪种框架都不建议把model.predict放在 UI 主循环里直接同步调用视频播放会一帧一卡。4.4 模型导出与部署边界如果要把模型放到没有 PyTorch 的机器上演示可以导出 ONNXyolo export modelbest.pt formatonnx imgsz640 halfFalse导出后用 onnxruntime 推理单帧耗时通常在 2~5ms 级别。但有两个坑导出时的imgsz必须与训练一致halfTrue只在 GPU 上有收益CPU 上反而更慢。另外ONNX 模型不会自动带上 letterbox 预处理部署时要用 OpenCV 手动补齐缩放和填充否则检测精度会明显下降。5. 毕设答辩前必须检查的 5 个细节5.1 验证训练是否真的收敛训练完不要只看results.png的最后几个点。打开results.csv看train/box_loss和val/box_loss是否一起下降。如果 val 曲线在 40 轮后反弹模型已经过拟合答辩前确定用的是best.pt而不是last.pt。这两个文件名很容易记混最好单独写进 README.txt。5.2 用小目标专项指标补充 mAP裂缝属于小目标只看整体 mAP50 会被正常样本抬高。可以统计验证集里面积小于 32x32 像素的裂缝框的召回率用boxes.xywh计算每个框面积分组统计。答辩时拿出这个分维度指标比单纯念 mAP 更有说服力比如“在小目标子集上召回率达到 0.82说明模型对细裂纹有响应”。5.3 可视化验证明白在哪看验证集预测结果图里模型预测框和标签框会同时显示。讲图时先讲“预测框完整框住了裂缝走向”再讲“误检集中在沥青纹理区域”这两句话能把 PR 曲线和实际效果串起来。如果你觉得默认预测图太小可以用model.val(save_jsonTrue)导出 JSON再用脚本画放大版。5.4 可视化界面启动按钮没反应Visual_interface.py最常见的 crash 是找不到best.pt因为界面脚本启动时的当前工作目录和模型所在目录不一致。把模型路径写成os.path.join(os.path.dirname(__file__), best.pt)固定到脚本所在目录。如果仍没反应先单独运行Detection_video.py确认模型能正常加载再回界面排查这样能把问题定位到 GUI 层还是推理层。5.5 把 Demo 包装成评委能懂的故事最后一步不是加功能而是固定演示流程。先打开Visual_interface.py加载一张裂缝明显但路面有阴影的图把置信度从 0.5 降到 0.2演示漏检率变化再切换到视频展示实时推理帧率最后打开PR_curve.png和results.png解释阈值选择和小目标召回率。准备一张包含树影、井盖、白色车道线的“挑战图”讲清楚模型如何用纹理和边缘区分裂缝与伪目标。整个演示控制在 10 分钟以内。本文还有配套的精品资源点击获取 YOLOv8道路裂缝检测实战：从C2f结构到可视化界面
简介一套基于YOLOv8的交通道路裂缝识别系统面向计算机视觉、人工智能方向的学生与开发者尤其适合毕业设计、课程设计或初期项目演示。资源包含完整源码、可视化界面、训练好的模型权重以及数据集和部署说明下载后按README提示即可快速运行。压缩包共8个文件以Python脚本、PyTorch模型权重和说明文档为主整体仅15.91MB轻量易用。项目已内置评估与可视化模块可直接产出核心指标曲线、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果及标签分布图为答辩或评审提供充分佐证。目前已有39人学习使用代码经测试运行成功也便于在此基础上二次开发。1. 道路裂缝检测为什么选 YOLOv8路面裂缝检测这个场景第一眼觉得简单实际做起来才发现坑不少。裂缝细长、对比度低阴影和沥青颗粒又容易造成伪目标传统形态学处理只能出单张静态图到了行车视频就崩溃。用 YOLOv8 做是因为它 Anchor-Free 检测头对长条目标更友好C2f 结构在低算力下仍有不错的召回率而且 ultralytics 自带训练、验证、导出闭环不用自己拼代码。这套资源把模型训练、视频检测和可视化界面都整合好了适合毕业设计、课程设计尤其适合计算机视觉方向想快速拿结果又想把原理讲清楚的人。2. YOLOv8 结构拆解从 C2f 到 Anchor-Free 检测头2.1 Backbone 的 C2f 模块怎么改进 C3YOLOv8 的主干网络用的是 C2f 结构替代了 v5 里常见的 C3。C2f 的关键是先把输入分成两个分支一个分支依次通过若干个 Bottleneck另一个分支保留原特征最后在输出前把多层结果拼接 concat 到一起。这样每条路径都能回传梯度小目标的特征不容易在深层消失。道路裂缝的宽度通常只有几个像素如果 Backbone 过早降采样后续全靠高层语义信息很难恢复精确位置。C2f 增加短连接相当于给特征图多留了几条“小路”。在 ultralytics 里结构通过 yaml 文件配置不用手写网络。下面是一个典型配置片段对应yolov8n.yaml简化后的 Backbone 部分# YOLOv8n Backbone 配置简写 backbone: - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2 - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4 - [-1, 3, C2f, [128, True]] # 2 - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8 - [-1, 6, C2f, [256, True]] # 4 - [-1, 1, Conv, [512, 3, 2]] # 5-P4/16 - [-1, 6, C2f, [512, True]] # 6 - [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32 - [-1, 3, C2f, [1024, True]] # 8这里-1表示输入来自上一层第二个字段是模块重复次数最后一列是模块参数。C2f后面的True表示是否使用 shortcut。对裂缝这类小目标P3、P4 这两层 8 倍、16 倍下采样特征图最关键所以训练时不要盲目加大输入尺寸imgsz640通常是性价比最高的选择。2.2 Neck 的 PAN-FPN 特征融合YOLOv8 的 Neck 沿用 PAN-FPN是一条自顶向下通路加一条自底向上的路径聚合结构。自顶向下把高层语义传给低层自底向上把浅层位置信息重新传回高层两轮组合后检测头拿到的 P3、P4、P5 三张特征图同时包含“在哪里”和“是什么”的信息。对裂缝检测低层 P3 特征能保留裂纹条纹的方向和连续性高层 P4/P5 特征能过滤掉大量沥青纹理噪声。很多毕设代码只改 Head不动 Neck因为 PAN-FPN 在通用目标检测上已经很稳。真正要调的往往是特征图的选择和融合权重。如果发现细裂缝检测不稳定优先确认 Backbone 输出的特征图是否正常可以用model.model打印每层输出尺寸而不是一上来就替换 Neck 结构。2.3 HeadDecoupled Head、Anchor-Free 和损失函数YOLOv8 的检测头是解耦头分类和回归分开两个分支。分类分支用 BCE 损失回归分支用 CIoU 加 Distribution Focal Loss。分开计算的原因是分类和定位任务对特征的敏感度不一样混在一起容易互相压制。裂缝颜色接近路面分类分支需要细纹理特征回归分支要压出裂缝边缘框。DFL 把边界框回归变成对离散分布的积分输出是概率分布而不是直接回归数值对长条目标的边界定位更平滑。推理时没有 Anchor直接在每个格子预测框的中心和宽高。这个设计减少了 Anchor 超参数调优也让模型在不同分辨率下更鲁棒。训练日志里的box_loss、cls_loss、dfl_loss三项指标来自这个 Head。很多人喜欢研究 “yolov8 head 改进”但先理解默认 Head 的损失构成再改否则换一个新模块可能连最优学习率都找不到。对裂缝数据集改进 Head 不如先做数据增强和类别均衡。2.4 资源里的两个权重怎么配合这个项目里提供了yolov8n.pt和yolo11n.pt一个是 v8 的 nano 权重另一个可以看作同生态的对比模型。毕设场景里一般用yolov8n.pt做预训练主干用裂缝数据集微调最后生成的best.pt才是答辩时用的模型。yolo11n.pt可以当作消融实验对照组向评委证明你比较过不同 Backbone 的表现。下表是常见选择权重文件适合场景实战建议yolov8n.pt预训练微调 / 快速原型默认选它做 baselineyolo11n.pt对比实验 / 结构验证同数据训练后对比 mAP 和推理帧率best.pt最终模型部署、可视化全部加载它打开训练后的模型可以用print(model.model)看到完整网络结构。在train_mode.py里加一行model.info()会输出参数量和浮点计算量 GFLOPs答辩演示时把这两个数字展示出来比手画结构图更有说服力。但要注意不要直接用预训练权重去跑检测未经微调的 COCO 权重不认裂缝类别输出里只有 COCO 的 80 类目标。3. YOLOv8 环境配置与数据集准备训练自己的裂缝检测模型3.1 YOLOv8 环境配置CPU 与 GPU 两套方案train_mode.py本质是调用 ultralytics 框架。环境配置常见做法是conda create -n crack python3.9 -y conda activate crack pip install torch2.0.1 pip install ultralytics8.2.0 opencv-python pyyaml tqdm如果机器只有 CPU把 torch 替换为 CPU 版本例如pip install torch --index-url https://download.pytorch.org/whl/cpu但训练 80 轮会很慢。做裂缝检测最低限度建议用 GPU 且显存 6G 以上数据集里目标密集batch size 想出到 16 至少需要 8G 显存。这里torch2.0.1是稳定组合ultralytics8.2.0对应的 API 和本项目脚本兼容性更好。如果你手头是 30 系以上显卡装 CUDA 11.8 或 12.1 版 PyTorch 都行别用 2.4 这种刚发布的版本容易遇到算子兼容问题。3.2 数据集目录与 YOLO 标签格式数据集需要 images 和 labels 两个目录每张图片对应同名 txt。txt 每行是class x_center y_center width height所有坐标归一化到 0~1。注意裂缝标注不是一块完整连通区域而是要手动切成多段矩形框。如果直接用分割多边形外接矩形覆盖整个长裂缝框里大部分是背景训练时正样本会被稀释。常规数据目录结构如下datasets/ crack_detection/ images/ train/ val/ labels/ train/ val/ crack.yaml对应的crack.yaml里写路径和类别名path: datasets/crack_detection train: images/train val: images/val nc: 4 names: [横向裂缝, 纵向裂缝, 网状裂缝, 坑槽]具体类别以资源里的 README.txt 为准。路径尽量用项目根目录的相对路径不要用~Windows 和 Linux 解析不同。下载资源后第一步不是直接训练而是先检查 labels 里有没有空 txt空的标签文件会在训练时让对应图片被跳过最后 mAP 看起来很高实际漏检严重。3.3 训练脚本核心参数与指标输出资源里的train_mode.py核心逻辑通常是这样from ultralytics import YOLO model YOLO(yolov8n.pt) results model.train( datacrack.yaml, epochs80, imgsz640, batch8, device0, workers2, optimizerauto, lr00.01, patience10, projectruns/detect, namecrack_train, )epochs80对几百张裂缝数据足够再多容易过拟合batch8是 6G 显存的保守值显存不够先降到 4而不要直接改小模型。patience10表示验证集指标连续 10 轮不升就早停适合不确定最佳轮数的情况。optimizerauto会按模型自动选择 SGD 或 AdamW我一般先跑 20 轮看 loss 趋势再决定是否换成optimizerAdamW继续训。训练完自动生成results.png包含train/box_loss、val/box_loss、metrics/mAP50多条曲线。如果资源里的旧版本没生成可以从 CSV 自己画。新版在runs/detect/crack_train/results.csv里保存全部原始数据画损失曲线图很简单import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(runs/detect/crack_train/results.csv) plt.plot(df[epoch], df[train/box_loss], labeltrain box) plt.plot(df[epoch], df[val/box_loss], labelval box) plt.legend() plt.savefig(loss_curve.png)这里列名带斜杠读取时注意不要漏掉引号。如果想看 mAP 变化把列名换成metrics/mAP50(B)即可。答辩时画这种自定义曲线图比直接截 ultralytics 默认图更能体现你理解训练过程。训练输出目录里还有混淆矩阵、F1 曲线、PR 曲线、P 曲线和验证集预测结果图。它们的关系如下指标/图表含义答辩时怎么解释mAP50IoU 0.5 下的平均精度整体能识别出裂缝区域mAP50-95多阈值平均精度边框质量数值低不代表失败precision预测框中真实裂缝比例宁可少框不可乱框recall裂缝被找出的比例漏检率是否可接受3.4 训练排错路径、显存和类别编号训练报错主要集中在三处。第一FileNotFoundError: Dataset not found基本是 yaml 路径没写对Windows 下反斜杠要改成/。第二CUDA out of memory优先调小 batch而不是换更小模型小模型代表能力上限会下降。第三AssertionError: labels not in task说明标签文件为空或类别编号超过nc可以扫一遍 labels 目录import os for f in os.listdir(labels/train): with open(os.path.join(labels/train, f)) as fp: lines [l.strip() for l in fp if l.strip()] if not lines: print(空标签:, f) for line in lines: if int(line.split()[0]) 4: print(类别越界:, f, line)代码逻辑是先过滤空行再检查空文件最后看类别编号是否落在0~nc-1。类别越界会导致 Loss 计算出现 NaN训练日志里表现为 loss 突然变成nan这种情况先检查标签不要急着调学习率。4. 推理链路与可视化界面从 Detection_video.py 到 Visual_interface.py4.1 模型加载与单张图片推理训练完成后推理脚本从best.pt加载模型直接调用 ultralytics APIfrom ultralytics import YOLO model YOLO(best.pt) result model.predict( sourcetest.jpg, conf0.25, iou0.45, imgsz640, saveTrue, verboseFalse, ) boxes result[0].boxes print(boxes.cls, boxes.conf, boxes.xyxy)conf是置信度阈值裂缝这种低对比度目标建议设 0.2~0.3否则漏检严重iou控制 NMS 合并程度裂缝目标重叠不多0.45 是通用值。如果同一段视频里框反复闪烁把iou降到 0.3 能抑制重叠框但也会让靠得很近的裂缝合并成一个。verboseFalse关闭终端刷屏保存结果时saveTrue会在runs/detect/predict下生成标注图。4.2 视频检测逐帧读取与多线程Detection_video.py用于视频或摄像头检测。逐帧model(frame)的写法在 1080p 输入下很难实时常见做法是让子线程做推理主线程只负责读取画面和绘制结果import cv2 import threading import queue from ultralytics import YOLO model YOLO(best.pt) cap cv2.VideoCapture(test.mp4) q queue.Queue(maxsize2) def worker(): while True: frame q.get() result model.predict(frame, conf0.25, imgsz640, verboseFalse) # 实际项目里把 result 放入另一个队列交给主线程绘制 q.task_done() threading.Thread(targetworker, daemonTrue).start() while cap.isOpened(): ok, frame cap.read() if not ok: break if not q.full(): q.put(frame)这里maxsize2的队列做滑窗生产快于消费时自动丢旧帧避免显示越来越滞后。注意不要在这个推理线程里直接调用cv2.imshowOpenCV 的 GUI 操作放在主线程才稳定。如果要做视频保存用cv2.VideoWriter封装预测后的帧编码器选 mp4v。4.3 Visual_interface.py 可视化界面是怎么串起来的毕设答辩最看重的可视化界面通常用 PyQt5 或 Tkinter 做外层框架。Visual_interface.py负责把模型加载、检测逻辑和界面事件绑在一起。常见布局是左边文件选择按钮中间结果显示画布右边当前帧检测信息列表底部置信度阈值和 IoU 滑块。界面模块对应函数/区域具体作用文件选择open_file()读取图片或视频路径触发检测线程结果画布update_frame()把标注框和标签画到 QLabel 或 QPixmap置信度滑块set_conf()动态修改检测阈值并重新推理信息表格update_table()显示类别名称、置信度、坐标日志框append_log()输出模型路径、推理耗时、异常信息我建议把滑块绑定到model.predict(conf...)的参数而不是每次重新加载模型。模型加载只做一次放在界面初始化函数里否则拖动滑块会卡死。如果资源里的Visual_interface.py用的是 Tkinter方案类似用after()定时轮询结果队列把新帧刷新到画布。无论哪种框架都不建议把model.predict放在 UI 主循环里直接同步调用视频播放会一帧一卡。4.4 模型导出与部署边界如果要把模型放到没有 PyTorch 的机器上演示可以导出 ONNXyolo export modelbest.pt formatonnx imgsz640 halfFalse导出后用 onnxruntime 推理单帧耗时通常在 2~5ms 级别。但有两个坑导出时的imgsz必须与训练一致halfTrue只在 GPU 上有收益CPU 上反而更慢。另外ONNX 模型不会自动带上 letterbox 预处理部署时要用 OpenCV 手动补齐缩放和填充否则检测精度会明显下降。5. 毕设答辩前必须检查的 5 个细节5.1 验证训练是否真的收敛训练完不要只看results.png的最后几个点。打开results.csv看train/box_loss和val/box_loss是否一起下降。如果 val 曲线在 40 轮后反弹模型已经过拟合答辩前确定用的是best.pt而不是last.pt。这两个文件名很容易记混最好单独写进 README.txt。5.2 用小目标专项指标补充 mAP裂缝属于小目标只看整体 mAP50 会被正常样本抬高。可以统计验证集里面积小于 32x32 像素的裂缝框的召回率用boxes.xywh计算每个框面积分组统计。答辩时拿出这个分维度指标比单纯念 mAP 更有说服力比如“在小目标子集上召回率达到 0.82说明模型对细裂纹有响应”。5.3 可视化验证明白在哪看验证集预测结果图里模型预测框和标签框会同时显示。讲图时先讲“预测框完整框住了裂缝走向”再讲“误检集中在沥青纹理区域”这两句话能把 PR 曲线和实际效果串起来。如果你觉得默认预测图太小可以用model.val(save_jsonTrue)导出 JSON再用脚本画放大版。5.4 可视化界面启动按钮没反应Visual_interface.py最常见的 crash 是找不到best.pt因为界面脚本启动时的当前工作目录和模型所在目录不一致。把模型路径写成os.path.join(os.path.dirname(__file__), best.pt)固定到脚本所在目录。如果仍没反应先单独运行Detection_video.py确认模型能正常加载再回界面排查这样能把问题定位到 GUI 层还是推理层。5.5 把 Demo 包装成评委能懂的故事最后一步不是加功能而是固定演示流程。先打开Visual_interface.py加载一张裂缝明显但路面有阴影的图把置信度从 0.5 降到 0.2演示漏检率变化再切换到视频展示实时推理帧率最后打开PR_curve.png和results.png解释阈值选择和小目标召回率。准备一张包含树影、井盖、白色车道线的“挑战图”讲清楚模型如何用纹理和边缘区分裂缝与伪目标。整个演示控制在 10 分钟以内。本文还有配套的精品资源点击获取