YOLOv8训练道路表面缺陷检测数据集 通过训练道路裂缝检测数据集的模型，检测推理识别两类：裂缝和坑洼 YOLOV8道路缺陷检测系统 道路坑洼检测

YOLOv8训练道路表面缺陷检测数据集 通过训练道路裂缝检测数据集的模型，检测推理识别两类：裂缝和坑洼 YOLOV8道路缺陷检测系统 道路坑洼检测

使用yolov8训练，数据集图片9000多张，已经训练好了，也可以自己重新训练，使用opencv，thinter构建的gui
需要下载相关库，如opencv，ultralytics等
两类，cracks, pothole，对应中文为 裂缝、坑洼

可显示 GUI 窗口，支持图片，视频，实时摄像头检测识别，运行效果如下图所示


好的，下面是一个详细的指南，包括如何使用YOLOv8进行道路表面缺陷检测，并使用OpenCV和Tkinter构建一个GUI应用程序。这个系统将支持图片、视频和实时摄像头检测。

系统介绍

功能

1. 图片检测：从文件中加载图片并进行检测。
2. 视频检测：从视频文件中进行检测。
3. 实时摄像头检测：从实时摄像头流中进行检测。

技术栈

• YOLOv8：用于目标检测。
• OpenCV：用于图像处理和视频流处理。
• Tkinter：用于构建GUI。

安装相关库

确保你已经安装了以下库：

pip install opencv-python-headless
pip install ultralytics
pip install tk

数据集和模型

假设你已经有了训练好的YOLOv8模型权重文件（例如best.pt），并且数据集已经标注好。

代码实现

1. 数据集和模型准备

确保你的数据集和模型权重文件已经准备好。

2. GUI 应用程序

我们将使用Tkinter构建一个简单的GUI应用程序。

import cv2
import torch
from ultralytics import YOLO
import tkinter as tk
from tkinter import filedialog, messagebox
from tkinter import ttk
import threading

# 初始化YOLO模型
model = YOLO('best.pt')

# 定义检测函数
def detect_objects(image_path, model):
    results = model(image_path)
    return results[0].plot()

# GUI类
class RoadDefectDetectionApp:
    def __init__(self, root):
        self.root = root
        self.root.title("道路表面缺陷检测")
        self.root.geometry("800x600")

        self.image_label = tk.Label(root)
        self.image_label.pack(pady=20)

        self.button_frame = tk.Frame(root)
        self.button_frame.pack(pady=20)

        self.load_image_button = tk.Button(self.button_frame, text="加载图片", command=self.load_image)
        self.load_image_button.pack(side=tk.LEFT, padx=10)

        self.load_video_button = tk.Button(self.button_frame, text="加载视频", command=self.load_video)
        self.load_video_button.pack(side=tk.LEFT, padx=10)

        self.camera_button = tk.Button(self.button_frame, text="实时摄像头", command=self.start_camera)
        self.camera_button.pack(side=tk.LEFT, padx=10)

        self.stop_button = tk.Button(self.button_frame, text="停止", command=self.stop_camera)
        self.stop_button.pack(side=tk.LEFT, padx=10)

        self.cap = None
        self.thread = None

    def load_image(self):
        file_path = filedialog.askopenfilename(filetypes=[("Image files", "*.jpg *.jpeg *.png")])
        if file_path:
            image = cv2.imread(file_path)
            result_image = detect_objects(file_path, model)
            result_image = cv2.cvtColor(result_image, cv2.COLOR_BGR2RGB)
            self.display_image(result_image)

    def load_video(self):
        file_path = filedialog.askopenfilename(filetypes=[("Video files", "*.mp4 *.avi *.mov")])
        if file_path:
            self.cap = cv2.VideoCapture(file_path)
            self.thread = threading.Thread(target=self.update_video_frame)
            self.thread.start()

    def start_camera(self):
        self.cap = cv2.VideoCapture(0)
        self.thread = threading.Thread(target=self.update_camera_frame)
        self.thread.start()

    def stop_camera(self):
        if self.cap:
            self.cap.release()
            self.cap = None
            self.thread = None

    def update_video_frame(self):
        while self.cap.isOpened():
            ret, frame = self.cap.read()
            if not ret:
                break
            result_image = detect_objects(frame, model)
            result_image = cv2.cvtColor(result_image, cv2.COLOR_BGR2RGB)
            self.display_image(result_image)

    def update_camera_frame(self):
        while self.cap.isOpened():
            ret, frame = self.cap.read()
            if not ret:
                break
            result_image = detect_objects(frame, model)
            result_image = cv2.cvtColor(result_image, cv2.COLOR_BGR2RGB)
            self.display_image(result_image)

    def display_image(self, image):
        image = cv2.resize(image, (640, 480))
        photo = tk.PhotoImage(data=cv2.imencode('.png', image)[1].tobytes())
        self.image_label.config(image=photo)
        self.image_label.image = photo

# 主程序
if __name__ == "__main__":
    root = tk.Tk()
    app = RoadDefectDetectionApp(root)
    root.mainloop()

代码说明

1. 初始化YOLO模型：加载预训练的YOLOv8模型。
2. 检测函数：detect_objects函数用于检测图像中的对象，并返回带有检测框的图像。
3. GUI类：
   • 加载图片：从文件中加载图片并进行检测。
   • 加载视频：从视频文件中进行检测。
   • 实时摄像头：从实时摄像头流中进行检测。
4. 线程处理：使用多线程处理视频和摄像头流，以避免阻塞GUI。

运行程序

确保你已经安装了所有依赖库，并且模型权重文件路径正确。运行上述代码，你将看到一个GUI窗口，支持图片、视频和实时摄像头检测。

好的，下面是一个详细的指南，包括如何使用YOLOv8训练一个道路表面缺陷检测模型，数据集包含两类：裂缝（cracks）和坑洼（potholes）。我们将使用Python和YOLOv8的官方库来完成这个任务。

1. 数据集准备

确保你的数据集按照以下结构组织：

road_defect_detection/
│
├── images/
│   ├── train/
│   ├── val/
│   └── test/
│
├── labels/
│   ├── train/
│   ├── val/
│   └── test/
│
└── data.yaml

2. 数据集标注

确保你的数据集已经标注，并且标注文件是YOLO格式的txt文件。每个标注文件包含以下格式：

class_id x_center y_center width height

例如，一个标注文件可能如下所示：

0 0.5 0.5 0.2 0.2  # 对应裂缝
1 0.6 0.6 0.1 0.1  # 对应坑洼

3. 数据配置文件 (data.yaml)

创建一个data.yaml文件，用于配置数据集：

train: ./road_defect_detection/images/train
val: ./road_defect_detection/images/val
test: ./road_defect_detection/images/test

nc: 2  # 类别数量（2类）
names: ['cracks', 'potholes']  # 类别名称

4. 安装YOLOv8

确保你已经安装了YOLOv8。你可以使用以下命令安装：

pip install ultralytics

5. 训练模型

使用以下命令训练模型：

python train.py --data ./road_defect_detection/data.yaml --img 640 --batch 16 --epochs 100 --name yolov8_custom_defect_detection --weights yolov8n.pt

6. 示例代码

6.1. 数据预处理示例

import os
import shutil

def prepare_data(input_dir, output_dir, split='train'):
    if not os.path.exists(output_dir):
        os.makedirs(output_dir)
    
    for filename in os.listdir(input_dir):
        if filename.endswith(('.jpg', '.png', '.jpeg')):
            img_path = os.path.join(input_dir, filename)
            label_path = os.path.join(input_dir, filename.replace('.jpg', '.txt'))
            if os.path.exists(label_path):
                shutil.copy(img_path, os.path.join(output_dir, 'images', split))
                shutil.copy(label_path, os.path.join(output_dir, 'labels', split))

# 示例用法
prepare_data('./raw_data/train', './road_defect_detection', split='train')
prepare_data('./raw_data/val', './road_defect_detection', split='val')
prepare_data('./raw_data/test', './road_defect_detection', split='test')

6.2. 训练模型示例

import torch
from ultralytics import YOLO

# 加载预训练模型
model = YOLO('yolov8n.pt')

# 配置数据集
data_yaml_path = './road_defect_detection/data.yaml'

# 训练模型
model.train(data=data_yaml_path, epochs=100, imgsz=640, batch=16, name='yolov8_custom_defect_detection')

7. 评估模型

评估训练好的模型：

python val.py --data ./road_defect_detection/data.yaml --weights runs/train/yolov8_custom_defect_detection/weights/best.pt

8. 运行和调试

确保你的环境配置正确，并且所有依赖项都已安装。运行模型训练和评估时，确保模型文件路径正确，并且数据集路径正确。