基于 YOLO26 的无人机视角路面病害检测识别系统

界面参数设置说明

• 置信度阈值：也就是目标检测时的 conf 参数，只有检测出的目标框置信度大于该值，结果才会显示；
• 交并比阈值：也就是目标检测时的 iou 参数，对检测框重叠比例 iou 大于该阈值的目标框进行过滤【也就是说假如两检测框 iou 大于该值的话，会过滤掉其中一个，该值越小，重叠框会越少】；

检测结果说明

• 病害总数：表示画面中检测出的目标数目；
• 严重等级：根据每类病害权重计算出的加权值，判断当前严重程度，分 4 类：正常，轻微，中等，严重。
• 柱状图：代表当前画面每类病害的数量；
• 显示标签名称与置信度：表示是否在检测图片上标签名称与置信度，显示默认勾选，如果不勾选则不会在检测图片上显示标签名称与置信度；
• 目标选择：可选择单个目标进行位置信息、置信度查看。
• 目标位置：表示所选择目标的检测框，左上角与右下角的坐标位置。默认显示的是置信度最大的一个目标信息；

病害严重等级说明

根据检测出的病害数量进行严重等级划分，核心思路是：先区分不同病害的危害权重，再结合数量和检测面积做综合评估，避免只看绝对数量而忽略病害类型和路面规模的影响。

定义不同病害的危害权重

不同类型的路面病害对行车安全和结构耐久性的影响差异很大，需要赋予不同的权重系数（可根据行业规范或项目需求调整），本项目定义如下：

计算综合严重度评分

通过加权求和，将不同病害的数量转化为统一的严重度指标，加权值定义如下：

严重等级划分

这里直接按照上述加权严重度进行图片病害严重程度划分 3 个等级，定义如下：

界面上显示效果如下：

主要功能说明

功能视频演示见文章开头，以下是简要的操作描述。

（1）图片检测说明

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： 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。 点击保存按钮，会对检测结果进行保存，存储路径为：save_data 目录下，同时会将图片检测信息保存 csv 文件。 注：1.右侧目标位置默认显示置信度最大一个目标位置，可用下拉框进行目标切换。所有检测结果均在左下方表格中显示。

（2）视频检测说明

点击视频按钮，打开选择需要检测的视频，就会自动显示检测结果，再次点击可以关闭视频。 点击保存按钮，会对视频检测结果进行保存，存储路径为：save_data 目录下。

（3）摄像头检测说明

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，可关闭摄像头。

（4）保存图片与视频检测说明

点击保存按钮后，会将当前选择的图片【含批量图片】或者视频的检测结果进行保存，对于图片图片检测还会保存检测结果为 csv 文件，方便进行查看与后续使用。检测的图片与视频结果会存储在 save_data 目录下。 注：暂不支持视频文件的检测结果保存为 csv 文件格式。

保存的检测结果文件如下：

图片文件保存的 csv 文件内容如下，包括图片路径、目标在图片中的编号、目标类别、置信度、目标坐标位置。 注：其中坐标位置是代表检测框的左上角与右下角两个点的 x、y 坐标。

二、模型的训练、评估与推理

1.YOLO26 介绍

本项目采用的是最新的 YOLO26 模型。YOLO26 是 Ultralytics 2026 年 1 月推出的新一代计算机视觉模型，主打边缘优先、高效部署。它采用端到端免 NMS 架构，移除 DFL 模块，CPU 推理速度较前代提升 43%；搭配 MuSGD 优化器与 ProgLoss+STAL 损失策略，强化小目标检测能力，支持检测、分割、姿势估计等多任务，可无缝适配树莓派、嵌入式设备等终端，广泛应用于智慧农业、安防监控等领域。

YOLO 各版本性能对比：

YOLO26 创新点

YOLO26 的性能飞跃源于四大核心技术创新，从模型架构到训练机制全面优化：

1. 移除 DFL 模块，简化预测流程

早期 YOLO 模型依赖分布焦点损失（DFL）提升边界框精度，但这一模块增加了部署复杂度，且存在固定回归限制。YOLO26 彻底移除 DFL，不仅简化了边界框预测逻辑，提升了硬件兼容性，还解决了超大目标检测的可靠性问题，让模型在边缘设备上的导出与运行更顺畅。

2. 端到端无 NMS 推理，降低 latency

传统目标检测需通过非极大值抑制（NMS）进行后处理，过滤重叠预测框——这一步骤会增加延迟、提升部署难度。YOLO26 采用原生端到端架构，直接输出最终预测结果，内部自动处理重复预测，彻底省去 NMS 环节，大幅降低推理延迟与集成风险，完美适配实时边缘场景。

3. ProgLoss+STAL，提升检测精度

• 渐进式损失平衡（ProgLoss）：让模型训练过程更稳定，收敛更平滑，减少训练波动
• 小目标感知标签分配（STAL）：针对小目标、低可见度目标优化学习机制，解决边缘场景中'难检测'问题 两项技术结合，让 YOLO26 在复杂场景中仍能保持高可靠检测，尤其适用于物联网、机器人、航拍等小目标密集场景。

4. MuSGD 优化器，强化训练稳定性

YOLO26 采用全新混合优化器 MuSGD，融合传统随机梯度下降（SGD）的强泛化能力与大语言模型（LLM）训练中的先进优化思路。该优化器灵感源自 Moonshot AI 的 Kimi K2，能让模型更快达到高性能水平，同时降低训练不稳定性，尤其在大型复杂数据集训练中表现突出。

数据集准备与训练

本文主要基于 YOLO26n 模型进行模型训练，训练完成后对模型在验证集上的表现进行全面的性能评估及对比分析。总体流程包括：数据集准备、模型训练、模型评估。

通过网络上搜集关于实际场景中无人机视角路面病害的相关图片，并使用 Labelimg 标注工具对每张图片进行标注，分 4 个检测类别：['龟裂','纵向裂缝','坑洞','横向裂缝']。

该数据集一共包含 6341 张图片，其中训练集包含 5853 张图片，验证集包含 488 张图片。 部分图像及标注如下图所示：

数据集各类别数目分布情况如下：

2.模型训练

准备好数据集后，将图片数据以如下格式放置在项目目录中。在项目目录中新建 datasets 目录，同时将检测的图片分为训练集与验证集放入 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。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:\CVProgram\00datasets\Detection\datasets/train/images val: E:\CVProgram\00datasets\Detection\datasets/valid/images nc:4 names:['Alligator crack','Longitudinal crack','Pothole','Transverse crack']

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】，optimizer 设定的优化器为 SGD，训练代码如下：

#coding:utf-8
from ultralytics import YOLO
import matplotlib
matplotlib.use('TkAgg')
# 模型配置文件
model_yaml_path = "ultralytics/cfg/models/26/yolo26.yaml"
# 数据集配置文件
data_yaml_path = r'PuddleSeg/data/data/data.yaml'
# 预训练模型
pre_model_name = 'yolo26n.pt'
if __name__ == '__main__':
    # 加载预训练模型
    model = YOLO(model_yaml_path).load(pre_model_name)
    # 训练模型
    results = model.train(data=data_yaml_path, epochs=150, batch=32, name='train_26')

模型常用训练超参数参数说明： YOLO11 模型的训练设置包括训练过程中使用的各种超参数和配置。这些设置会影响模型的性能、速度和准确性。关键的训练设置包括批量大小、学习率、动量和权重衰减。此外，优化器、损失函数和训练数据集组成的选择也会影响训练过程。对这些设置进行仔细的调整和实验对于优化性能至关重要。 以下是一些常用的模型训练参数和说明：

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。YOLOv11 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) 和动态特征损失（dfl_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。 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。[email protected]：表示阈值大于 0.5 的平均 mAP，可以看到本文模型目标检测的 [email protected] 值为 0.884，结果还是不错的。

4. 使用模型进行推理

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/train/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/lr_00009_bottom_left_jpg.rf.75d22466d2bc348f1f72b7dba5883037.jpg"
# 加载预训练模型
model = YOLO(path, task='detect')
# 检测图片
results = model(img_path)
print(results)
res = results[0].plot()
# res = cv2.resize(res,dsize=None,fx=0.5,fy=0.5,interpolation=cv2.INTER_LINEAR)
cv2.imshow("Detection Res", res)
cv2.waitKey(0)

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：

更多检测结果示例如下：

四、可视化系统制作

基于上述训练出的目标检测模型，为了给此检测系统提供一个用户友好的操作平台，使用户能够便捷、高效地进行检测任务。博主基于 PyQt5 开发了一个可视化的系统界面，通过图形用户界面（GUI），用户可以轻松地在图片、视频和摄像头实时检测之间切换，无需掌握复杂的编程技能即可操作系统。

Pyqt5 详细介绍

关于 PyQt5 的详细介绍可以参考之前的博客文章：《Python 中的 PyQt5 详细介绍：基本机构、部件、布局管理、信号与槽、跨平台》。

系统制作

博主基于 PyQt5 框架开发了此款无人机视角路面病害检测识别系统，即文中第一部分的演示内容，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。

通过图形用户界面（GUI），用户可以轻松地在图片、视频和摄像头实时检测之间切换，无需掌握复杂的编程技能即可操作系统。这不仅提升了系统的可用性和用户体验，还使得检测过程更加直观透明，便于结果的实时观察和分析。此外，GUI 还可以集成其他功能，如检测结果的保存与导出、检测参数的调整，从而为用户提供一个全面、综合的检测工作环境，促进智能检测技术的广泛应用。

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、训练好的模型、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。

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。