基于YOLOv8的无人机道路损伤检测：四类裂缝与坑洼识别

（2）多文件夹图片检测演示

用户可选择包含多张图像的文件夹，系统会批量检测并生成结果图。

（3）视频检测演示

支持上传视频文件，系统会逐帧处理并生成目标检测结果，可选保存输出视频：

（4）摄像头检测演示

实时检测是系统中的核心应用之一，系统可直接调用摄像头进行检测。

（5）保存图片与视频检测结果

用户可通过按钮勾选是否保存检测结果，所有检测图像自动加框标注并保存至指定文件夹，支持后续数据分析与复审。

三、模型的训练、评估与推理

YOLOv8 是 Ultralytics 公司发布的新一代目标检测模型，采用更轻量的架构、更先进的损失函数（如 CIoU、TaskAlignedAssigner）与 Anchor-Free 策略，在 COCO 等数据集上表现优异。 其核心优势如下：

• 高速推理，适合实时检测任务
• 支持 Anchor-Free 检测
• 支持可扩展的 Backbone 和 Neck 结构
• 原生支持 ONNX 导出与部署

3.1 YOLOv8 的基本原理

YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：

• 速度快：推理速度提升明显；
• 准确率高：支持 Anchor-Free 架构；
• 支持分类/检测/分割/姿态多任务；
• 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。

YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往 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。

YOLOv8 原理图如下：

3.2 数据集准备与训练

采用 YOLO 格式的数据集结构如下：

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

每张图像有对应的 .txt 文件，内容格式为：

40.50967212335766420.3528383900778210.39476004233576640.31825755058365757

分类包括（可自定义）：

3.3 训练结果评估

训练完成后，将在 runs/detect/train 目录生成结果文件，包括：

• results.png：损失曲线和 mAP 曲线；
• weights/best.pt：最佳模型权重；
• confusion_matrix.png：混淆矩阵分析图。

若 [email protected] 达到 90% 以上，即可用于部署。

在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8 训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在 runs/目录下，具体内容如下：

3.4 检测结果识别

使用 PyTorch 推理接口加载模型：

import cv2
from ultralytics import YOLO
import torch
from torch.serialization import safe_globals
from ultralytics.nn.tasks import DetectionModel

# 加入可信模型结构
safe_globals().add(DetectionModel)

# 加载模型并推理
model = YOLO('runs/detect/train/weights/best.pt')
results = model('test.jpg', save=True, conf=0.25)

# 获取保存后的图像路径
# 默认保存到 runs/detect/predict/ 目录
save_path = results[0].save_dir / results[0].path.name

# 使用 OpenCV 加载并显示图像
img = cv2.imread(str(save_path))
cv2.imshow('Detection Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

预测结果包含类别、置信度、边框坐标等信息。

四、项目源码与部署

本文涉及到的完整全部程序文件：包括 python 源码、数据集、训练代码、UI 文件、测试图片视频等。

4.1 项目开箱即用

作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。

运行项目只需输入下面命令：

python main.py 

读者也可自行配置训练集，或使用打包好的数据集直接训练。

自行训练项目只需输入下面命令：

yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001

4.2 完整源码

包含：

• 完整项目源码
• 预训练模型权重
• 数据集地址（含标注脚本）

总结

本项目基于 YOLOv8 深度学习目标检测框架，构建了面向无人机平台的 道路损伤检测系统，实现了对四类核心路面病害——鳄鱼纹裂缝（Alligator crack）、纵向裂缝（Longitudinal crack）、横向裂缝（Transverse crack）及坑洼（Pothole）的精准识别。系统集成了 PyQt5 图形界面，支持图片、视频及实时摄像头流的检测操作，提供完整的源码与预训练权重，用户可快速部署或基于数据集进行二次训练。

通过无人机高清影像采集与实时数据传输，结合 YOLOv8 高速、精准的目标检测能力，本系统能够在复杂环境下（夜间低光照、雨季积水、交通流干扰等）稳定识别路面损伤，为城市主干道、高速公路、乡村及山区道路的健康状态监控提供技术支撑。同时，检测结果可用于道路通行安全评估、养护作业优先级确定、修复施工路径规划及道路生命周期管理，为交通管理部门和基础设施维护单位提供科学决策依据。