yolov8模型训练深度学习 yolo混凝土裂缝检测数据集 水泥裂缝数据集 裂缝识别数据集的训练及应用 混凝土结构健康监测、裂缝检测、基础设施巡检
文章目录
- ✅ 一、环境搭建（从 CUDA 到依赖安装）
- 1. 确认 CUDA 驱动（GPU 加速）
- 2. 安装 Anaconda（Python 包管理器）
- 3. 创建 Python 虚拟环境
- 4. 安装必要依赖
- ✅ 二、数据集结构（YOLO 格式）
- 文件目录结构
- 1. 数据说明
- 2. 划分数据集（建议比例）
- 3. 创建 `data.yaml`
- ✅ 三、训练代码（调用官方预训练模型）
- 📌 `train.py` —— 完整训练脚本
- ✅ 四、推理代码（检测新图像）
- 📌 `predict.py`
- ✅ 五、评估模型性能
- 📌 `evaluate.py`
- ✅ 六、训练结果可视化
以下文字及代码仅供参考学习使用。
| 项目 | 说明 |
|---|---|
| 数据集名称 | 混凝土梁裂缝目标检测数据集 |
| 适用任务 | 混凝土结构健康监测、裂缝检测、基础设施巡检 |
| 适用算法 | YOLO 系列（YOLOv5/v8/v11等）、YOLO格式兼容的目标检测模型 |
| 图像数量 | 约 2,000 张（2K） |
| 图像分辨率 | 1000 × 1000 像素（统一尺寸，便于训练） |
| 图像格式 | JPG 或 PNG（常见为 JPG） |
| 标注格式 | 提供两种格式： • .txt文件（YOLO 格式，归一化坐标）• .xml文件（Pascal VOC 格式） |
| 类别数量 | 1 类：0: crack（裂缝） |
| 标签内容 | 每张图像对应一个.txt和一个.xml标注文件，包含裂缝的边界框（Bounding Box） |
1
1
1
1
1
1
：
✅ 一、环境搭建（从 CUDA 到依赖安装）
1. 确认 CUDA 驱动（GPU 加速）
- 打开终端或命令行：
nvidia-smi - 查看 CUDA Version（如 12.1、11.8），用于选择对应的 PyTorch 安装命令。
✅ 推荐：CUDA 11.8 或 12.1
2. 安装 Anaconda（Python 包管理器）
- 下载地址：https://www.anaconda.com/products/distribution
- 安装完成后，打开Anaconda Prompt（Windows）或终端（Mac/Linux）
3. 创建 Python 虚拟环境
# 创建名为 crack-det 的虚拟环境（Python 3.9）conda create -n crack-detpython=3.9# 激活环境conda activate crack-det4. 安装必要依赖
# 安装 PyTorch（以 CUDA 11.8 为例，根据你的版本调整）pipinstalltorch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118# 安装 Ultralytics YOLOv8pipinstallultralytics# 安装 OpenCV（图像处理）pipinstallopencv-python-headless# 其他工具（可选）pipinstallmatplotlib pillow tqdm✅ 验证安装：
importtorchprint(torch.__version__)print(torch.cuda.is_available())# 应输出 True✅ 二、数据集结构（YOLO 格式）
文件目录结构
datasets/ └── concrete_crack/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yaml1. 数据说明
- 图像数量：约 2000 张
- 分辨率：1000×1000（统一，适合训练）
- 标签格式：
.txt（YOLO 格式），每行：class_id x_center y_center width height # 归一化 [0,1] - 类别：通常为
crack（裂缝），即class_id = 0 - 附带
.xml文件可忽略（YOLO 使用.txt）
2. 划分数据集（建议比例）
| 集合 | 数量 |
|---|---|
| train | 1400 张 |
| val | 400 张 |
| test | 200 张 |
你可以使用以下脚本自动划分：
# split_data.pyimportosimportrandomimportshutilfrompathlibimportPath# 路径配置（请修改为你的实际路径）image_dir='path/to/your/images'# 替换为你的图像文件夹label_dir='path/to/your/labels'# 替换为你的标签文件夹output_dir='datasets/concrete_crack'# 创建输出目录forsplitin['train','val','test']:(Path(output_dir)/'images'/split).mkdir(parents=True,exist_ok=True)(Path(output_dir)/'labels'/split).mkdir(parents=True,exist_ok=True)# 获取所有图像文件images=[fforfinos.listdir(image_dir)iff.endswith(('.jpg','.png','.jpeg'))]random.shuffle(images)# 划分n_train=int(0.7*len(images))n_val=int(0.2*len(images))train_files=images[:n_train]val_files=images[n_train:n_train+n_val]test_files=images[n_train+n_val:]# 复制函数defcopy_files(files,img_dir,lbl_dir,out_img_dir,out_lbl_dir):forfinfiles:# 图像shutil.copy(os.path.join(img_dir,f),out_img_dir)# 标签label_file=os.path.splitext(f)[0]+'.txt'label_path=os.path.join(lbl_dir,label_file)ifos.path.exists(label_path):shutil.copy(label_path,out_lbl_dir)copy_files(train_files,image_dir,label_dir,os.path.join(output_dir,'images','train'),os.path.join(output_dir,'labels','train'))copy_files(val_files,image_dir,label_dir,os.path.join(output_dir,'images','val'),os.path.join(output_dir,'labels','val'))copy_files(test_files,image_dir,label_dir,os.path.join(output_dir,'images','test'),os.path.join(output_dir,'labels','test'))print("✅ 数据集划分完成：train=1400, val=400, test=200")3. 创建data.yaml
在datasets/concrete_crack/下创建data.yaml：
# data.yamltrain:../datasets/concrete_crack/images/trainval:../datasets/concrete_crack/images/valtest:../datasets/concrete_crack/images/testnc:1names:['crack']✅ 三、训练代码（调用官方预训练模型）
📌train.py—— 完整训练脚本
# train.pyfromultralyticsimportYOLOimporttorch# 检查 GPUdevice='cuda'iftorch.cuda.is_available()else'cpu'print(f"Using device:{device}")# 加载官方预训练模型（推荐使用 yolov8m 或 yolov8l 提升小目标检测能力）model=YOLO('yolov8m.pt')# 可选: yolov8s, yolov8l# 开始训练results=model.train(data='datasets/concrete_crack/data.yaml',# 数据配置文件epochs=150,# 训练轮数imgsz=1024,# 输入尺寸（匹配 1000x1000）batch=8,# 批次大小（根据显存调整，16G显卡可用8）name='concrete_crack_yolov8m',# 实验名称device=device,# 使用 GPUworkers=4,# 数据加载线程optimizer='AdamW',# 优化器lr0=0.001,# 初始学习率weight_decay=0.0005,patience=20,# 早停project='runs/crack',# 保存路径amp=True,# 自动混合精度close_mosaic=10,# 最后10轮关闭 Mosaichsv_h=0.015,# 色相增强hsv_s=0.7,# 饱和度hsv_v=0.4,# 明度（增强对比度）translate=0.2,scale=0.5,fliplr=0.5,mosaic=1.0,degrees=10.0,)📌说明：
imgsz=1024：匹配你的 1000×1000 图像，避免过度缩放yolov8m：适合小目标（裂缝细长、不规则）batch=8：16G 显存推荐值，若显存不足可降为 4
✅ 四、推理代码（检测新图像）
📌predict.py
# predict.pyfromultralyticsimportYOLO# 加载训练好的最佳模型model=YOLO('runs/crack/concrete_crack_yolov8m/weights/best.pt')# 推理单张图像results=model.predict(source='test_crack.jpg',# 输入图像路径save=True,# 保存带框图像conf=0.3,# 置信度阈值（裂缝建议低阈值）iou=0.45,show=False,project='runs/predict',name='crack_test',imgsz=1024)# 打印结果forresultinresults:boxes=result.boxesprint(f"检测到{len(boxes)}条裂缝：")forboxinboxes:cls_id=int(box.cls)conf=float(box.conf)print(f" 裂缝置信度:{conf:.3f}")✅ 五、评估模型性能
📌evaluate.py
# evaluate.pyfromultralyticsimportYOLO# 加载训练好的模型model=YOLO('runs/crack/concrete_crack_yolov8m/weights/best.pt')# 在验证集上评估metrics=model.val(data='datasets/concrete_crack/data.yaml',split='val',imgsz=1024,batch=8,conf=0.001,iou=0.6,device='cuda'iftorch.cuda.is_available()else'cpu')# 输出关键指标print(f"mAP@0.5:{metrics.box.map:.4f}")print(f"mAP@0.5:0.95:{metrics.box.map50_95:.4f}")print(f"Precision:{metrics.box.p:.4f}")print(f"Recall:{metrics.box.r:.4f}")✅ 六、训练结果可视化
训练完成后，查看：
runs/crack/concrete_crack_yolov8m/results.png：训练曲线（loss, mAP）confusion_matrix.png：是否误检背景为裂缝PR_curve.png：Precision-Recall 曲线
