基于深度学习YOLOV8道路裂缝检测系统 yolov8如何训练道路裂缝检测数据集

基于深度学习的道路裂缝检测系统（含UI界面、yolov8、Python代码、数据集）

1登陆界面

项目介绍：
模型：YOLOV8
软件：Pycharm+Anaconda
环境：python=3.9 opencv_python PyQt5

文件：
1.完整程序文件（.py等）
2.UI界面源文件、图标（.ui、.qrc、.py等）
3.测试图片、视频文件（.jpeg、.mp4、.avi等）

功能： 系统实现了对于多种裂缝的识别检测功能：包括通过选择图片、视频、摄像头进行实时识别；检测速度快、识别精度较高。
①选择图片识别裂缝。
②选择视频识别裂缝。
③摄像头检测识别。

1

1

基于 YOLOv8 的道路裂缝检测系统的详细代码实现，包含：

✅ PyQt5 图形用户界面（UI）
✅ 支持图片 / 视频 / 摄像头三种输入模式
✅ 使用预训练的yolov8n-seg或yolov8n模型（支持检测或分割）
✅ 环境：Python 3.9 + OpenCV + PyQt5 + Ultralytics
✅ 可直接运行（含模型和测试数据）

💡 注：本项目假设同学你已有训练好的 YOLOv8 模型（如best.pt），类别为['crack']（裂缝）。

📁 一、项目结构

road_crack_detection_yolov8/ ├── models/ │ └── best.pt# 训练好的 YOLOv8 模型（检测或分割）├── ui/ │ ├── main_window.ui# Qt Designer 设计的 UI 文件│ └── resources.qrc# 图标资源（可选）├── utils/ │ └── ui_utils.py# UI 工具函数├── test_data/ │ ├── images/# 测试图片│ └── videos/# 测试视频├── main.py# 主程序入口├── detection_thread.py# 多线程推理模块（防卡顿）├── requirements.txt └── README.md

📦 二、环境依赖（requirements.txt）

ultralytics==8.2.0 opencv-python==4.8.0 PyQt5==5.15.9 numpy==1.24.3 Pillow==9.5.0

安装：

conda create -n crackpython=3.9conda activate crack pipinstall-r requirements.txt

🖼️ 三、UI 设计（ui/main_window.ui）

使用Qt Designer创建如下界面（关键控件）：

• QLabel: label_show→ 显示图像/视频帧
• QPushButton: btn_image→ 选择图片
• QPushButton: btn_video→ 选择视频
• QPushButton: btn_camera→ 启动摄像头
• QPushButton: btn_stop→ 停止检测
• QComboBox: combo_model→ 选择模型（可选）
• QLabel: label_status→ 显示状态（如“检测中…”）

✅ 将.ui转为.py：

pyuic5 ui/main_window.ui -o ui/main_window.py

🔧 四、多线程检测模块detection_thread.py

# detection_thread.pyimportcv2fromPyQt5.QtCoreimportQThread,pyqtSignalfromultralyticsimportYOLOimportnumpyasnpclassDetectionThread(QThread):send_frame=pyqtSignal(np.ndarray)# 发送处理后的帧send_status=pyqtSignal(str)def__init__(self,source_type='image',source_path=None,model_path='models/best.pt'):super().__init__()self.source_type=source_type self.source_path=source_path self.model_path=model_path self.running=Truedefrun(self):try:model=YOLO(self.model_path)ifself.source_type=='camera':cap=cv2.VideoCapture(0)elifself.source_type=='video':cap=cv2.VideoCapture(self.source_path)else:# imageimg=cv2.imread(self.source_path)results=model(img)annotated=results[0].plot()self.send_frame.emit(annotated)self.send_status.emit("图片检测完成")return# 视频/摄像头循环whileself.runningandcap.isOpened():ret,frame=cap.read()ifnotret:breakresults=model(frame)annotated=results[0].plot()self.send_frame.emit(annotated)self.send_status.emit("实时检测中...")cap.release()exceptExceptionase:self.send_status.emit(f"错误:{str(e)}")defstop(self):self.running=Falseself.wait()

🧩 五、主程序main.py

# main.pyimportsysimportosfromPyQt5.QtWidgetsimportQApplication,QMainWindow,QFileDialog,QMessageBoxfromPyQt5.QtGuiimportQImage,QPixmapfromPyQt5.QtCoreimportQtimportcv2importnumpyasnp# 导入 UIfromui.main_windowimportUi_MainWindowfromdetection_threadimportDetectionThreadclassCrackDetectionApp(QMainWindow,Ui_MainWindow):def__init__(self):super().__init__()self.setupUi(self)self.init_slots()self.detection_thread=Nonedefinit_slots(self):self.btn_image.clicked.connect(self.select_image)self.btn_video.clicked.connect(self.select_video)self.btn_camera.clicked.connect(self.start_camera)self.btn_stop.clicked.connect(self.stop_detection)defdisplay_image(self,img):"""在 QLabel 中显示 OpenCV 图像"""h,w,ch=img.shape bytes_per_line=ch*w q_img=QImage(img.data,w,h,bytes_per_line,QImage.Format_BGR888)pixmap=QPixmap.fromImage(q_img).scaled(self.label_show.width(),self.label_show.height(),Qt.KeepAspectRatio,Qt.SmoothTransformation)self.label_show.setPixmap(pixmap)defselect_image(self):path,_=QFileDialog.getOpenFileName(self,"选择图片","","Images (*.png *.jpg *.jpeg)")ifpath:self.run_detection('image',path)defselect_video(self):path,_=QFileDialog.getOpenFileName(self,"选择视频","","Videos (*.mp4 *.avi)")ifpath:self.run_detection('video',path)defstart_camera(self):self.run_detection('camera')defrun_detection(self,source_type,source_path=None):self.stop_detection()# 停止之前的任务model_path="models/best.pt"ifnotos.path.exists(model_path):QMessageBox.critical(self,"错误","模型文件 models/best.pt 不存在！")returnself.detection_thread=DetectionThread(source_type,source_path,model_path)self.detection_thread.send_frame.connect(self.display_image)self.detection_thread.send_status.connect(self.label_status.setText)self.detection_thread.start()defstop_detection(self):ifself.detection_thread:self.detection_thread.stop()self.detection_thread=Noneself.label_status.setText("已停止")if__name__=='__main__':app=QApplication(sys.argv)window=CrackDetectionApp()window.show()sys.exit(app.exec_())

🎨 六、UI 文件示例（ui/main_window.ui片段）

<!-- 简化版 UI 结构 --><widgetclass="QMainWindow"name="MainWindow"><widgetclass="QWidget"name="centralwidget"><layoutclass="QVBoxLayout"><item><labelname="label_show"text="等待输入..."/></item><item><layoutclass="QHBoxLayout"><item><buttonname="btn_image"text="选择图片"/></item><item><buttonname="btn_video"text="选择视频"/></item><item><buttonname="btn_camera"text="摄像头"/></item><item><buttonname="btn_stop"text="停止"/></item></layout></item><item><labelname="label_status"text="就绪"/></item></layout></widget></widget>

📸 七、模型说明

• 推荐模型：yolov8n.pt（检测）或yolov8n-seg.pt（实例分割）
• 类别：单类['crack']
• 训练命令示例：

  yolo detect traindata=crack_data.yamlmodel=yolov8n.ptepochs=100imgsz=640

将训练好的best.pt放入models/目录即可。

▶️ 八、运行系统

python main.py

✅ 九、功能特点

💡 十、定制与扩展建议

• 添加保存结果：将检测图/视频保存到本地
• 裂缝量化分析：计算裂缝长度、面积、密度
• 多类裂缝识别：如横向/纵向/网状裂缝
• 部署到边缘设备：导出 ONNX/TensorRT 模型
• 生成检测报告：PDF 格式输出（含位置、数量）

📎附：项目交付内容

1. 完整.py源码
2. .ui和.qrcUI 文件
3. best.pt模型（500 张训练集）
4. 测试图片/视频
5. 环境配置文档 + 使用报告

该系统可直接用于道路巡检、市政养护、智能交通、科研教学等场景。