基于YOLOv8深度学习的路面坑洞检测与分割系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标分割

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~

《------正文------》

基本功能演示

摘要：路面坑洞检测与分割系统在保障交通安全、降低道路维修成本以及延长道路使用寿命方面起着至关重要的作用。本文基于YOLOv8深度学习框架，通过780张图片，训练了一个进行路面坑洞的目标分割模型。并基于此模型开发了一款带UI界面的路面坑洞检测与分割系统，可用于实时场景中的路面坑洞检测与分割，而且可以计算坑洞分割面积占比,这可以帮助维护人员制定针对性的维修方案，优化维修工作的及时性和有效性，降低公路维护的总体成本。该系统是基于python与PyQT5开发的，支持图片、批量图片、视频以及摄像头进行目标检测分割，并保存分割结果。本文提供了完整的Python代码和使用教程，给感兴趣的小伙伴参考学习，完整的代码资源文件获取方式见文末。

点击跳转至文末《完整相关文件及源码》获取

---

前言

路面坑洞检测与分割系统在保障交通安全、降低道路维修成本以及延长道路使用寿命方面起着至关重要的作用。路面坑洞是公路维护中的一大难题，不仅影响驾驶舒适性，还可能会对车辆造成损害，甚至引发交通事故。通过实时对路面坑洞进行检测并计算其面积占比，YOLOv8算法编写的系统能够迅速提供准确的坑洞数据，帮助维护人员制定针对性的维修方案，优化维修工作的及时性和有效性，降低公路维护的总体成本。

路面坑洞检测与分割系统的应用场景包括：
城市路况监控：实时监测城市主要通道的路面状况，快速响应进行修补。
公路与高速公路维护：对长途交通路线的路面进行定期检查，保障道路安全。
交通管理部门的决策支持：为交通规划和道路修复工作提供数据支持。
自动驾驶系统辅助：实时提供路面坑洞信息，辅助无人驾驶车辆安全导航。
构建道路健康档案：长期监控道路状况，为道路管理提供历史数据，帮助预测未来的维护需求。
道路状况评估：评估新修建或经过维修的路面恢复情况和质量。

总结来说，路面坑洞检测与分割系统的部署对于现代交通基础设施的管理至关重要。它不仅能实现快速、精准地识别路面问题，还能为及时维修提供重要信息，大幅提高道路维护的效率和安全性。随着人工智能技术的进步，该系统将进一步促进智能交通系统的发展，最终改善人们的出行体验和保障道路交通安全。

博主通过搜集路面坑洞的相关数据图片，根据YOLOv8的目标分割技术，基于python与Pyqt5开发了一款界面简洁的路面坑洞检测与分割系统，可支持图片、视频以及摄像头检测，同时可以将图片、视频以及摄像头的检测结果进行保存。本文详细的介绍了此系统的核心功能以及所使用到的技术原理与制作流程。

软件初始界面如下图所示：

检测结果界面如下：

检测结果说明：

一、软件核心功能介绍及效果演示

软件主要功能

1. 可进行路面坑洞检测与分割；
2. 可实时计算总分割面积占比以及单个目标的分割面积占比；
3. 支持图片、图片批量、视频及摄像头进行检测分割；
4. 界面可实时显示目标位置、分割结果、分割面积占比、置信度、用时等信息;
5. 结果保存：支持图片、视频及摄像头的分割结果保存；

界面参数设置说明

1. 置信度阈值：也就是目标检测时的conf参数，只有检测出的目标置信度大于该值，结果才会显示；
2. 交并比阈值：也就是目标检测时的iou参数，只有目标检测框的交并比大于该值，结果才会显示；
3. 窗口1:显示分割结果：表示是否在检测图片中显示分割结果，默认勾选；
4. 窗口1:显示检测框与标签：表示是否在检测图片中显示检测框与标签，默认勾选；
5. 窗口2:显示Mask或者显示原始分割图片：表示在窗口2中显示分割的Mask或者原始图片分割内容；

IoU：全称为Intersection over
Union，表示交并比。在目标检测中，它用于衡量模型生成的候选框与原标记框之间的重叠程度。IoU值越大，表示两个框之间的相似性越高。通常，当IoU值大于0.5时，认为可以检测到目标物体。这个指标常用于评估模型在特定数据集上的检测准确度。

显示Mask或者显示原始分割图片选项的功能效果如下：

（1）图片检测演示

1.点击打开图片按钮，选择需要检测的图片，或者点击打开文件夹按钮，选择需要批量检测图片所在的文件夹，操作演示如下：
2.点击目标下拉框后，可以选定指定目标的结果信息进行显示。
3. 点击保存按钮，会对图片检测结果进行保存，存储路径为：save_data目录下。
4.点击表格中的指定行，界面会显示该行表格所写的信息内容。
注：右侧目标位置默认显示置信度最大一个目标位置,可用下拉框进行信息切换。所有检测结果均在表格中显示。

单个图片检测操作如下：

批量图片检测操作如下：

点击保存按钮，会对图片的检测结果进行保存，共会保存3种类型结果，分别是：检测分割结果标识图片、分割的Mask图片以及原图分割后的图片。存储在save_data目录下，保存结果如下：

（2）视频检测演示

1.点击打开视频图标，打开选择需要检测的视频，就会自动显示检测结果。再次点击该按钮，会关闭视频。
2.点击保存按钮，会对视频检测结果进行保存，同样会保存3种类型结果，分别是：检测分割结果标识视频、分割Mask视频以及原视频分割后的视频，存储路径为：save_data目录下。
视频检测演示：

视频保存演示：

视频检测保存结果如下：

（3）摄像头检测演示

1.点击打开摄像头按钮，可以打开摄像头，可以实时进行检测，再次点击该按钮，可关闭摄像头；
2.点击保存按钮，可以进行摄像头实时图像的检测结果保存。
摄像头检测演示：

摄像头保存演示：

摄像头检测保存结果如下：

（4）检测结果保存

点击保存按钮后，会将当前选择的图片【含批量图片】、视频或者摄像头的分割结果进行保存。结果会存储在save_data目录下，保存内容如下：

二、目标分割模型的训练、评估与推理

1.YOLOv8的基本原理

YOLOv8是一种前沿的目标检测技术，它基于先前YOLO版本在目标检测任务上的成功，进一步提升了性能和灵活性，在精度和速度方面都具有尖端性能。在之前YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。主要的创新点包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数，可以在从 CPU 到 GPU 的各种硬件平台上运行。
YOLO各版本性能对比：

其主要网络结构如下：

2. 数据集准备与训练

通过网络上搜集关于路面坑洞相关图片，并使用Labelimg标注工具对每张图片中的分割结果及类别进行标注。一共包含780张图片，其中训练集包含720张图片，验证集包含60张图片部分图像及标注如下图所示。

数据集的具体分布如下所示：

图片数据的存放格式如下，在项目目录中新建datasets目录，同时将检测的图片分为训练集、验证集、测试集放入Data目录下。

同时我们需要新建一个data.yaml文件，用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时，会读取该文件的信息，用于进行模型的训练与验证。data.yaml的具体内容如下：

train: E:\MyCVProgram\3SegProgram\PotholeSeg\datasets\Data\train
val: E:\MyCVProgram\3SegProgram\PotholeSeg\datasets\Data\valid

nc: 1
names: ['Pothole']
1
2
3
4
5

注：train与val后面表示需要训练图片的路径，建议直接写自己文件的绝对路径。
数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，batch参数用于调整训练的批次大小【根据内存大小调整，最小为1】，代码如下：

#coding:utf-8
from ultralytics import YOLO
import matplotlib
matplotlib.use('TkAgg')

if __name__ == '__main__':
    # 训练模型配置文件路径
    yolo_yaml_path = 'ultralytics/cfg/models/v8/yolov8-seg.yaml'
    # 数据集配置文件路径
    data_yaml_path = 'datasets/Data/data.yaml'
    # 官方预训练模型路径
    pre_model_path = "yolov8n-seg.pt"
    # 加载预训练模型
    model = YOLO(yolo_yaml_path).load(pre_model_path)
    # 模型训练
    model.train(data=data_yaml_path, epochs=150, batch=4)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

3. 训练结果评估

在深度学习中，我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv8在训练时主要包含三个方面的损失：定位损失(box_loss)、分类损失(cls_loss)、动态特征损失（dfl_loss）以及分割损失（seg_loss），在训练结束后，可以在runs/目录下找到训练过程及结果文件，如下所示：

各损失函数作用说明：
定位损失box_loss：预测框与标定框之间的误差（GIoU），越小定位得越准；
分类损失cls_loss：计算锚框与对应的标定分类是否正确，越小分类得越准；
动态特征损失（dfl_loss）：DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时，目标框需要缩放到特征图尺度，即除以相应的stride，并与预测的边界框计算Ciou Loss，同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分，通过计算DFLLoss可以更准确地调整预测框的位置，提高目标检测的准确性。
分割损失（seg_loss）：预测的分割结果与标定分割之前的误差，越小分割的越准确；
本文训练结果如下：

我们通常用PR曲线来体现精确率和召回率的关系，本文训练结果的PR曲线如下。mAP表示Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值。mAP@.5：表示阈值大于0.5的平均mAP。

定位结果的PR曲线如下：

分割结果的PR曲线如下：

从上面图片曲线结果可以看到：定位的平均精度为0.752，分割的平均精度为0.759，结果还是很不错的。

4. 模型推理

模型训练完成后，我们可以得到一个最佳的训练结果模型best.pt文件，在runs/trian/weights目录下。我们可以使用该文件进行后续的推理检测。
图片检测代码如下：

#coding:utf-8
from ultralytics import YOLO
import cv2

# 所需加载的模型目录
path = 'models/best.pt'
# 需要检测的图片地址
img_path = "TestFiles/pic-1-_jpg.rf.49882cdb272111f43a6656b1494a4918.jpg"

# 加载预训练模型
# conf	0.25	object confidence threshold for detection
# iou	0.7	intersection over union (IoU) threshold for NMS
model = YOLO(path, task='segment')
# model = YOLO(path, task='segment',conf=0.5)


# 检测图片
results = model(img_path)

res = results[0].plot()

# res = cv2.resize(res,dsize=None,fx=0.5,fy=0.5,interpolation=cv2.INTER_LINEAR)
cv2.imshow("YOLOv8 Detection", res)
cv2.waitKey(0)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

执行上述代码后，会将执行的结果直接标注在图片上，结果如下：

以上便是关于此款路面坑洞检测与分割系统的原理与代码介绍。基于此模型，博主用python与Pyqt5开发了一个带界面的软件系统，即文中第二部分的演示内容，能够很好的支持图片、视频及摄像头进行检测，同时支持检测结果的保存。

关于该系统涉及到的完整源码、UI界面代码、数据集、训练代码、测试图片视频等相关文件，均已打包上传，感兴趣的小伙伴可以通过下载链接自行获取。

---

【获取方式】

关注下方名片G-Z-H：【阿旭算法与机器学习】，发送【源码】即可获取下载方式

本文涉及到的完整全部程序文件：包括环境配置文档说明、python源码、数据集、训练代码、UI文件、测试图片视频等（见下图），获取方式见文末：

注意：该代码基于Python3.9开发，运行界面的主程序为MainProgram.py，其他测试脚本说明见上图。为确保程序顺利运行，请按照程序运行说明文档txt配置软件运行所需环境。

关注下方名片GZH:【阿旭算法与机器学习】，发送【源码】即可获取下载方式

---

结束语

以上便是博主开发的基于YOLOv8深度学习的路面坑洞检测与分割系统的全部内容，由于博主能力有限，难免有疏漏之处，希望小伙伴能批评指正。
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！

觉得不错的小伙伴，感谢点赞、关注加收藏哦！