简介面向道路破损检测场景的Yolov8项目资源包含训练数据集、训练好的模型与可视化结果适合智能交通、道路养护等领域的开发者与研究人员直接使用或二次开发。压缩包共82.02MB、2000个文件其中545个md说明文档与96个Python脚本贯穿数据处理、训练与推理流程670个xml标注文件、668个txt标签信息和6个yaml配置用于数据集构建与模型参数管理另有cpp/h推理实现及html/css/js展示页面可将检测结果直观可视化方便快速评估模型效果。已有169人学习浏览可直接用于模型效果验证。借助已训练好的模型权重与配套脚本可免去数据采集和训练门槛快速完成道路破损检测的推理与可视化同时也能结合标注数据与配置针对特定道路场景进行迁移学习或参数调优提升检测精度。1. Yolov8道路破损检测先解决数据再谈模型道路破损检测真正落地的难点不在模型选型而在数据链路。裂缝、坑槽、龟裂这些破损形态在自然光照下与影子、油渍、新旧沥青接缝高度相似Yolov8能把这些类别分开的前提是训练集每类的形态覆盖够全、标注边界够准。不少团队拿一份公开数据集用yolov8n训练mAP50跑到0.85以上不难但一到实拍图就漏检根因往往是数据集图像分辨率、视角与部署场景不匹配。这里把道路破损检测从训练数据集准备、标注格式转换、Yolov8训练参数设置到可视化结果输出的完整链路走一遍适合正在做毕业设计、公路巡检项目预研或需要交付一个可演示demo的研发人员。整条链路不需要自己写网络结构代码Ultralytics框架把C2f特征提取、Detect检测头等核心结构都已封装好把精力集中在数据、参数和结果验证上即可。2. 道路破损数据集准备Yolov8能直接吃的目录与标注格式2.1 公开数据集与自建样本的取舍道路破损领域公开数据集大多沿用RDD2022的类别定义方式常见四类D00横向裂缝、D10纵向裂缝、D20龟裂、D40坑槽。直接用公开数据集省去标注成本且规模通常在万级图像以上适合先跑通流程、验证算法上限。但多数公开数据来自车载俯视广角镜头破损目标在画面中占比较小视角与道路巡检车保持一致。若实际部署场景是固定点位枪机近距离、侧视角建议最少补拍300至500张现场照片用于微调否则模型在新视角上的漏检会明显上升。实际使用中一个高频坑是公开数据集中单张图往往有几十个密集裂缝框。Yolov8默认开启的Mosaic增强每轮把4张图拼接训练密集小目标叠加后容易造成标注框重叠甚至截断导致Loss异常升高。Ultralytics默认会在训练尾声自动降低Mosaic概率但如果手动改过增强配置需要确认这一项没有被关掉。另一个要注意的是公开数据集的图像尺寸普遍偏大Yolov8在训练时统一缩放到imgsz大小细裂缝缩采样后可能只剩几个像素宽所以后续训练参数中imgsz不能一味求小。2.2 目录结构与VOC转YOLO标注脚本Yolov8对数据集只有一个硬性要求标注文件是与图像同名的.txt文件每行内容为“类别id 归一化中心x 归一化中心y 归一化宽度 归一化高度”。目录名不强制但按YOLO标准组织最稳妥road_damage/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yamldata.yaml内容如下path: D:/road_damage # 数据集根目录建议写绝对路径 train: images/train val: images/val test: images/test nc: 4 names: [D00, D10, D20, D40]这里有一个出现频率极高的报错在Windows下标注好的数据拷到Linux服务器训练data.yaml里的path仍写成反斜杠加盘符如D:\road_damage会直接报文件找不到。稳妥做法是path字段填服务器上的绝对路径images和labels一律用相对路径。如果标注工具导出的是VOC格式的XML文件需要转换成YOLO格式转换脚本如下import xml.etree.ElementTree as ET def voc_to_yolo(xml_path, out_txt_path, class_names): # 解析XML并提取图像宽高 tree ET.parse(xml_path) root tree.getroot() img_w int(root.find(size/width).text) img_h int(root.find(size/height).text) lines [] # 遍历所有目标框 for obj in root.iter(object): name obj.find(name).text if name not in class_names: continue cls_id class_names.index(name) bndbox obj.find(bndbox) xmin float(bndbox.find(xmin).text) ymin float(bndbox.find(ymin).text) xmax float(bndbox.find(xmax).text) ymax float(bndbox.find(ymax).text) # 坐标归一化并转为中心点加宽高 x_center (xmin xmax) / 2 / img_w y_center (ymin ymax) / 2 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}) with open(out_txt_path, w) as f: f.write(\n.join(lines))这段脚本的核心在于归一化所有坐标必须除以原图宽度和高度。Yolov8训练时会对图像做等比缩放如果标注仍是绝对像素值损失函数算出的回归误差会完全错乱。转换完成后建议随机抽取5至10张图把标注框画回原图检查重点看边界是否贴合裂缝走向。提示一条长裂缝横跨整张图时不要用一个巨大矩形框住。拆成2至4个有部分重叠的小框Yolov8对细长目标的召回率会更好也更容易在推理阶段通过NMS合并出完整结果。2.3 数据增强与类别不平衡处理道路破损数据天然存在类别不平衡纵向裂缝的目标数往往比坑槽多一个数量级。训练完第一轮后先统计各类别标注框数量最少的类别最好占到总框数的15%以上低于这个比例优先对该类别做过采样复制而不是着急调损失函数权重。Yolov8自带的Mosaic、随机仿射等增强对整体泛化有帮助但不会纠正类别本身的样本缺失。此外道路图像色调受光照影响大建议在训练参数中开启hsv_h、hsv_s等色域增强让模型不依赖于沥青路面的固定颜色特征这个设置在对抗不同地区路面色差时效果明显。3. Yolov8环境配置与训练参数从安装到损失曲线监控3.1 CUDA版本组合与安装验证Yolov8基于PyTorch实现环境配置的核心是Python、PyTorch、CUDA三者版本匹配。目前踩坑最少的一组是Python 3.10 PyTorch 2.0.1 CUDA 11.8。GTX 1660 Ti这类6GB显存显卡选yolov8n或yolov8s即可yolov8l及以上的变体在6GB显存下即使batch设为1也容易OOM。安装命令如下conda create -n yolov8 python3.10 -y conda activate yolov8 pip install torch2.0.1 torchvision0.15.2 --index-url https://download.pytorch.org/whl/cu118 pip install ultralytics第三行的--index-url指定了cu118版本的PyTorch下载源这是避免误装CPU版本的关键。装完先验证CUDA是否可用执行python -c import torch; print(torch.cuda.is_available())输出True再开始跑训练。很多“训练速度极慢”的求助帖根因就是没指定源导致装成了CPU版的torch模型虽能跑但几乎不可用。3.2 训练命令与关键参数表Yolov8训练命令本身很简单参数含义理解到位才能避免反复试错。一套可直接套用的命令如下yolo detect train \ modelyolov8n.pt \ dataD:/road_damage/data.yaml \ epochs100 \ imgsz640 \ batch16 \ device0 \ workers4 \ optimizerAdamW \ lr00.001 \ patience20 \ projectoutput_dir \ nameroad_damage_v1参数作用建议取值model预训练权重n/s/m/l/x对应不同参数量6GB显存用yolov8n.pt或yolov8s.ptimgsz训练输入分辨率影响细裂缝感知能力640或800batch单轮迭代的图像数显存不够时优先调小8至16lr0初始学习率曲线震荡剧烈时下调0.001至0.01patience验证集指标连续不提升的早停轮数15至20device0表示第一张GPU卡CPU训练速度极慢0训练中断后无需从头开始直接从last.pt续训yolo detect train \ modeloutput_dir/road_damage_v1/weights/last.pt \ dataD:/road_damage/data.yaml \ epochs80注意续训时epochs要填剩余轮数而不是总轮数。对比不同模型变体时可以把project指向同一个输出目录、name设为不同值权重和曲线图会自动分目录存放方便后续横向比较。3.3 损失函数曲线与训练监控训练过程中用TensorBoard实时监控最直观tensorboard --logdiroutput_dir/road_damage_v1浏览器打开后重点看三类曲线box_loss框回归损失、cls_loss分类损失、dfl_loss分布焦点损失。如果在某个epoch附近loss突然冲高大概率是训练集里出现了标注框严重越界的坏样本。顺着训练日志中对应的图片路径检查即可用OpenCV画框比用标注工具打开更快定位问题。另一类异常是train_loss持续下降但val_loss上升这在道路破损数据里通常不是过拟合而是验证集标注本身存在错误优先修验证集比加正则化参数更有效。4. 模型评估与可视化结果从best.pt到检测报告4.1 验证指标与置信度阈值选择训练结束后评估命令如下yolo detect val \ modeloutput_dir/road_damage_v1/weights/best.pt \ dataD:/road_damage/data.yaml输出会包含precision、recall、mAP50、mAP50-95四项指标。道路破损检测的实际交付中mAP50-95比mAP50更能反映框定位精度因为裂缝和坑槽的边界本就不规整框中心和目标中心偏差几个像素就算误判。如果mAP50高但mAP50-95偏低说明框回归不够准优先把imgsz提升到800重新训练并保持训练与推理尺寸一致。推理时的置信度阈值也值得单独说明道路巡检场景漏检代价高于误检conf一般设0.2至0.25如果误检导致后续复核工作量过大再逐步上调到0.35。4.2 可视化推理脚本与结果导出Yolov8训练结束后生成的val_batch0_pred.jpg展示了验证集预测效果但实际交付需要把预测结果叠加到原图或导出结构化数据用以下脚本完成from ultralytics import YOLO import json # 加载训练好的模型权重 model YOLO(output_dir/road_damage_v1/weights/best.pt) # 批量推理saveTrue会同时保存带标注框的结果图 results model.predict(D:/road_damage/images/test, conf0.25, saveTrue) all_results [] for r in results: boxes r.boxes for box in boxes: x1, y1, x2, y2 box.xyxy[0].tolist() cls int(box.cls[0]) conf float(box.conf[0]) all_results.append({ class: model.names[cls], bbox: [round(v, 2) for v in [x1, y1, x2, y2]], confidence: round(conf, 4) }) with open(detection_results.json, w, encodingutf-8) as f: json.dump(all_results, f, ensure_asciiFalse, indent2)这里model.names[cls]把类别id映射为可读的类别名conf0.25设置置信度阈值。生成的JSON可以直接接入病害统计报表按类别统计数量并换算成每公里破损密度这是道路巡检项目最常要求的输出格式。需要处理视频流时把predict的输入换成视频文件路径即可Yolov8会自动逐帧推理并输出标注后的视频文件。4.3 导出ONNX格式模型部署推理时需要导出ONNX格式yolo export \ modeloutput_dir/road_damage_v1/weights/best.pt \ formatonnx \ opset11导出完成后用onnxruntime或OpenCV DNN加载推理。这一步常见的问题是导出时imgsz与原始训练尺寸不一致导致ONNX输出张量的维度变化部署端还需要额外写预处理逻辑。最简单的方式是不在export命令里指定imgsz让导出沿用训练时的默认尺寸。对于道路破损检测这类需要在巡检车上做边缘推理的场景ONNX配合TensorRT或OpenVINO是当前最常用的落地路径。5. 高分辨率道路图像切片推理补上细裂缝漏检的关键一环5.1 切片推理思路道路巡检相机拍出的原图通常是4000乘3000甚至更高分辨率直接缩放到640推理几像素宽的裂缝会直接消失。此时需要切片推理把原图按固定大小切块每块独立送入模型检测再将所有检测框映射回原图坐标。这一思路能显著提升细裂缝召回率代价是推理耗时上升但在离线批量处理场景下完全可接受。from ultralytics import YOLO import cv2 model YOLO(best.pt) img cv2.imread(high_res_road.jpg) h, w img.shape[:2] slice_size 640 # 切片尺寸与训练imgsz保持一致 overlap 80 # 重叠像素避免裂缝被切在边界处漏检 all_boxes [] for y in range(0, h, slice_size - overlap): for x in range(0, w, slice_size - overlap): y2 min(y slice_size, h) x2 min(x slice_size, w) # 切块并推理 crop img[y:y2, x:x2] results model.predict(crop, conf0.25, verboseFalse) for r in results: for box in r.boxes: bx1, by1, bx2, by2 box.xyxy[0].tolist() # 坐标映射回原图 all_boxes.append([ int(bx1 x), int(by1 y), int(bx2 x), int(by2 y), float(box.conf[0]), model.names[int(box.cls[0])] ])切片尺寸选用训练时的imgsz值重叠区域设50至100像素。重叠太小裂缝恰好处在切块边缘时会被截断成两段重叠太大同一目标会被多次检出后续需要额外按IoU做合并。实际使用中80像素重叠配合IoU为0.3的合并阈值效果较好可以先用一个高分辨率样本跑一遍观察漏检和重复检测的数量变化再微调。5.2 合并重复框与验证思路合并切块重叠区域产生的重复框时不要用全局NMS直接处理所有框因为相邻切块检测到的同一个目标其边框坐标可能只偏差几个像素全局NMS容易把小裂缝误合并成一个大框。更推荐的做法是按置信度排序只合并IoU超过0.5且类别相同的框保留置信度更高的那个这样能保留细长裂缝的准确边界。验证切片推理是否有效的标准很简单小目标mAP和无切片推理的基线做对比。取10至20张高分辨率测试图分别跑直接缩放推理和切片推理统计漏检裂缝数量。若切片推理的召回率提升不足5%检查切片尺寸与训练时imgsz是否一致以及切块边界是否恰好切断了裂缝主方向——路面上横穿整幅画面的长裂缝单靠一个方向的切片很难完整检出必要时对图像先做纵向切片再横向切片或改用旋转切片后合并结果。本文还有配套的精品资源点击获取 YOLOv8道路破损检测实战：从数据准备到切片推理全流程
简介面向道路破损检测场景的Yolov8项目资源包含训练数据集、训练好的模型与可视化结果适合智能交通、道路养护等领域的开发者与研究人员直接使用或二次开发。压缩包共82.02MB、2000个文件其中545个md说明文档与96个Python脚本贯穿数据处理、训练与推理流程670个xml标注文件、668个txt标签信息和6个yaml配置用于数据集构建与模型参数管理另有cpp/h推理实现及html/css/js展示页面可将检测结果直观可视化方便快速评估模型效果。已有169人学习浏览可直接用于模型效果验证。借助已训练好的模型权重与配套脚本可免去数据采集和训练门槛快速完成道路破损检测的推理与可视化同时也能结合标注数据与配置针对特定道路场景进行迁移学习或参数调优提升检测精度。1. Yolov8道路破损检测先解决数据再谈模型道路破损检测真正落地的难点不在模型选型而在数据链路。裂缝、坑槽、龟裂这些破损形态在自然光照下与影子、油渍、新旧沥青接缝高度相似Yolov8能把这些类别分开的前提是训练集每类的形态覆盖够全、标注边界够准。不少团队拿一份公开数据集用yolov8n训练mAP50跑到0.85以上不难但一到实拍图就漏检根因往往是数据集图像分辨率、视角与部署场景不匹配。这里把道路破损检测从训练数据集准备、标注格式转换、Yolov8训练参数设置到可视化结果输出的完整链路走一遍适合正在做毕业设计、公路巡检项目预研或需要交付一个可演示demo的研发人员。整条链路不需要自己写网络结构代码Ultralytics框架把C2f特征提取、Detect检测头等核心结构都已封装好把精力集中在数据、参数和结果验证上即可。2. 道路破损数据集准备Yolov8能直接吃的目录与标注格式2.1 公开数据集与自建样本的取舍道路破损领域公开数据集大多沿用RDD2022的类别定义方式常见四类D00横向裂缝、D10纵向裂缝、D20龟裂、D40坑槽。直接用公开数据集省去标注成本且规模通常在万级图像以上适合先跑通流程、验证算法上限。但多数公开数据来自车载俯视广角镜头破损目标在画面中占比较小视角与道路巡检车保持一致。若实际部署场景是固定点位枪机近距离、侧视角建议最少补拍300至500张现场照片用于微调否则模型在新视角上的漏检会明显上升。实际使用中一个高频坑是公开数据集中单张图往往有几十个密集裂缝框。Yolov8默认开启的Mosaic增强每轮把4张图拼接训练密集小目标叠加后容易造成标注框重叠甚至截断导致Loss异常升高。Ultralytics默认会在训练尾声自动降低Mosaic概率但如果手动改过增强配置需要确认这一项没有被关掉。另一个要注意的是公开数据集的图像尺寸普遍偏大Yolov8在训练时统一缩放到imgsz大小细裂缝缩采样后可能只剩几个像素宽所以后续训练参数中imgsz不能一味求小。2.2 目录结构与VOC转YOLO标注脚本Yolov8对数据集只有一个硬性要求标注文件是与图像同名的.txt文件每行内容为“类别id 归一化中心x 归一化中心y 归一化宽度 归一化高度”。目录名不强制但按YOLO标准组织最稳妥road_damage/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yamldata.yaml内容如下path: D:/road_damage # 数据集根目录建议写绝对路径 train: images/train val: images/val test: images/test nc: 4 names: [D00, D10, D20, D40]这里有一个出现频率极高的报错在Windows下标注好的数据拷到Linux服务器训练data.yaml里的path仍写成反斜杠加盘符如D:\road_damage会直接报文件找不到。稳妥做法是path字段填服务器上的绝对路径images和labels一律用相对路径。如果标注工具导出的是VOC格式的XML文件需要转换成YOLO格式转换脚本如下import xml.etree.ElementTree as ET def voc_to_yolo(xml_path, out_txt_path, class_names): # 解析XML并提取图像宽高 tree ET.parse(xml_path) root tree.getroot() img_w int(root.find(size/width).text) img_h int(root.find(size/height).text) lines [] # 遍历所有目标框 for obj in root.iter(object): name obj.find(name).text if name not in class_names: continue cls_id class_names.index(name) bndbox obj.find(bndbox) xmin float(bndbox.find(xmin).text) ymin float(bndbox.find(ymin).text) xmax float(bndbox.find(xmax).text) ymax float(bndbox.find(ymax).text) # 坐标归一化并转为中心点加宽高 x_center (xmin xmax) / 2 / img_w y_center (ymin ymax) / 2 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}) with open(out_txt_path, w) as f: f.write(\n.join(lines))这段脚本的核心在于归一化所有坐标必须除以原图宽度和高度。Yolov8训练时会对图像做等比缩放如果标注仍是绝对像素值损失函数算出的回归误差会完全错乱。转换完成后建议随机抽取5至10张图把标注框画回原图检查重点看边界是否贴合裂缝走向。提示一条长裂缝横跨整张图时不要用一个巨大矩形框住。拆成2至4个有部分重叠的小框Yolov8对细长目标的召回率会更好也更容易在推理阶段通过NMS合并出完整结果。2.3 数据增强与类别不平衡处理道路破损数据天然存在类别不平衡纵向裂缝的目标数往往比坑槽多一个数量级。训练完第一轮后先统计各类别标注框数量最少的类别最好占到总框数的15%以上低于这个比例优先对该类别做过采样复制而不是着急调损失函数权重。Yolov8自带的Mosaic、随机仿射等增强对整体泛化有帮助但不会纠正类别本身的样本缺失。此外道路图像色调受光照影响大建议在训练参数中开启hsv_h、hsv_s等色域增强让模型不依赖于沥青路面的固定颜色特征这个设置在对抗不同地区路面色差时效果明显。3. Yolov8环境配置与训练参数从安装到损失曲线监控3.1 CUDA版本组合与安装验证Yolov8基于PyTorch实现环境配置的核心是Python、PyTorch、CUDA三者版本匹配。目前踩坑最少的一组是Python 3.10 PyTorch 2.0.1 CUDA 11.8。GTX 1660 Ti这类6GB显存显卡选yolov8n或yolov8s即可yolov8l及以上的变体在6GB显存下即使batch设为1也容易OOM。安装命令如下conda create -n yolov8 python3.10 -y conda activate yolov8 pip install torch2.0.1 torchvision0.15.2 --index-url https://download.pytorch.org/whl/cu118 pip install ultralytics第三行的--index-url指定了cu118版本的PyTorch下载源这是避免误装CPU版本的关键。装完先验证CUDA是否可用执行python -c import torch; print(torch.cuda.is_available())输出True再开始跑训练。很多“训练速度极慢”的求助帖根因就是没指定源导致装成了CPU版的torch模型虽能跑但几乎不可用。3.2 训练命令与关键参数表Yolov8训练命令本身很简单参数含义理解到位才能避免反复试错。一套可直接套用的命令如下yolo detect train \ modelyolov8n.pt \ dataD:/road_damage/data.yaml \ epochs100 \ imgsz640 \ batch16 \ device0 \ workers4 \ optimizerAdamW \ lr00.001 \ patience20 \ projectoutput_dir \ nameroad_damage_v1参数作用建议取值model预训练权重n/s/m/l/x对应不同参数量6GB显存用yolov8n.pt或yolov8s.ptimgsz训练输入分辨率影响细裂缝感知能力640或800batch单轮迭代的图像数显存不够时优先调小8至16lr0初始学习率曲线震荡剧烈时下调0.001至0.01patience验证集指标连续不提升的早停轮数15至20device0表示第一张GPU卡CPU训练速度极慢0训练中断后无需从头开始直接从last.pt续训yolo detect train \ modeloutput_dir/road_damage_v1/weights/last.pt \ dataD:/road_damage/data.yaml \ epochs80注意续训时epochs要填剩余轮数而不是总轮数。对比不同模型变体时可以把project指向同一个输出目录、name设为不同值权重和曲线图会自动分目录存放方便后续横向比较。3.3 损失函数曲线与训练监控训练过程中用TensorBoard实时监控最直观tensorboard --logdiroutput_dir/road_damage_v1浏览器打开后重点看三类曲线box_loss框回归损失、cls_loss分类损失、dfl_loss分布焦点损失。如果在某个epoch附近loss突然冲高大概率是训练集里出现了标注框严重越界的坏样本。顺着训练日志中对应的图片路径检查即可用OpenCV画框比用标注工具打开更快定位问题。另一类异常是train_loss持续下降但val_loss上升这在道路破损数据里通常不是过拟合而是验证集标注本身存在错误优先修验证集比加正则化参数更有效。4. 模型评估与可视化结果从best.pt到检测报告4.1 验证指标与置信度阈值选择训练结束后评估命令如下yolo detect val \ modeloutput_dir/road_damage_v1/weights/best.pt \ dataD:/road_damage/data.yaml输出会包含precision、recall、mAP50、mAP50-95四项指标。道路破损检测的实际交付中mAP50-95比mAP50更能反映框定位精度因为裂缝和坑槽的边界本就不规整框中心和目标中心偏差几个像素就算误判。如果mAP50高但mAP50-95偏低说明框回归不够准优先把imgsz提升到800重新训练并保持训练与推理尺寸一致。推理时的置信度阈值也值得单独说明道路巡检场景漏检代价高于误检conf一般设0.2至0.25如果误检导致后续复核工作量过大再逐步上调到0.35。4.2 可视化推理脚本与结果导出Yolov8训练结束后生成的val_batch0_pred.jpg展示了验证集预测效果但实际交付需要把预测结果叠加到原图或导出结构化数据用以下脚本完成from ultralytics import YOLO import json # 加载训练好的模型权重 model YOLO(output_dir/road_damage_v1/weights/best.pt) # 批量推理saveTrue会同时保存带标注框的结果图 results model.predict(D:/road_damage/images/test, conf0.25, saveTrue) all_results [] for r in results: boxes r.boxes for box in boxes: x1, y1, x2, y2 box.xyxy[0].tolist() cls int(box.cls[0]) conf float(box.conf[0]) all_results.append({ class: model.names[cls], bbox: [round(v, 2) for v in [x1, y1, x2, y2]], confidence: round(conf, 4) }) with open(detection_results.json, w, encodingutf-8) as f: json.dump(all_results, f, ensure_asciiFalse, indent2)这里model.names[cls]把类别id映射为可读的类别名conf0.25设置置信度阈值。生成的JSON可以直接接入病害统计报表按类别统计数量并换算成每公里破损密度这是道路巡检项目最常要求的输出格式。需要处理视频流时把predict的输入换成视频文件路径即可Yolov8会自动逐帧推理并输出标注后的视频文件。4.3 导出ONNX格式模型部署推理时需要导出ONNX格式yolo export \ modeloutput_dir/road_damage_v1/weights/best.pt \ formatonnx \ opset11导出完成后用onnxruntime或OpenCV DNN加载推理。这一步常见的问题是导出时imgsz与原始训练尺寸不一致导致ONNX输出张量的维度变化部署端还需要额外写预处理逻辑。最简单的方式是不在export命令里指定imgsz让导出沿用训练时的默认尺寸。对于道路破损检测这类需要在巡检车上做边缘推理的场景ONNX配合TensorRT或OpenVINO是当前最常用的落地路径。5. 高分辨率道路图像切片推理补上细裂缝漏检的关键一环5.1 切片推理思路道路巡检相机拍出的原图通常是4000乘3000甚至更高分辨率直接缩放到640推理几像素宽的裂缝会直接消失。此时需要切片推理把原图按固定大小切块每块独立送入模型检测再将所有检测框映射回原图坐标。这一思路能显著提升细裂缝召回率代价是推理耗时上升但在离线批量处理场景下完全可接受。from ultralytics import YOLO import cv2 model YOLO(best.pt) img cv2.imread(high_res_road.jpg) h, w img.shape[:2] slice_size 640 # 切片尺寸与训练imgsz保持一致 overlap 80 # 重叠像素避免裂缝被切在边界处漏检 all_boxes [] for y in range(0, h, slice_size - overlap): for x in range(0, w, slice_size - overlap): y2 min(y slice_size, h) x2 min(x slice_size, w) # 切块并推理 crop img[y:y2, x:x2] results model.predict(crop, conf0.25, verboseFalse) for r in results: for box in r.boxes: bx1, by1, bx2, by2 box.xyxy[0].tolist() # 坐标映射回原图 all_boxes.append([ int(bx1 x), int(by1 y), int(bx2 x), int(by2 y), float(box.conf[0]), model.names[int(box.cls[0])] ])切片尺寸选用训练时的imgsz值重叠区域设50至100像素。重叠太小裂缝恰好处在切块边缘时会被截断成两段重叠太大同一目标会被多次检出后续需要额外按IoU做合并。实际使用中80像素重叠配合IoU为0.3的合并阈值效果较好可以先用一个高分辨率样本跑一遍观察漏检和重复检测的数量变化再微调。5.2 合并重复框与验证思路合并切块重叠区域产生的重复框时不要用全局NMS直接处理所有框因为相邻切块检测到的同一个目标其边框坐标可能只偏差几个像素全局NMS容易把小裂缝误合并成一个大框。更推荐的做法是按置信度排序只合并IoU超过0.5且类别相同的框保留置信度更高的那个这样能保留细长裂缝的准确边界。验证切片推理是否有效的标准很简单小目标mAP和无切片推理的基线做对比。取10至20张高分辨率测试图分别跑直接缩放推理和切片推理统计漏检裂缝数量。若切片推理的召回率提升不足5%检查切片尺寸与训练时imgsz是否一致以及切块边界是否恰好切断了裂缝主方向——路面上横穿整幅画面的长裂缝单靠一个方向的切片很难完整检出必要时对图像先做纵向切片再横向切片或改用旋转切片后合并结果。本文还有配套的精品资源点击获取