尧图网页设计 
简介这份资源面向计算机、人工智能、自动化等专业的在校学生与教师提供一套基于YOLOv8的智慧工地基坑支护结构变形监测系统可用于毕业设计、课程设计或大作业也适合作为目标检测入门进阶的实战案例。压缩包共8个文件包含3个Python脚本、3个模型权重文件与2个说明文本整体约15.91MB源码、数据集、可视化界面与部署教程一应俱全部署后即可运行。项目可生成核心指标曲线图、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果及标签分布图便于答辩展示与结果分析。目前已有41人学习代码均经测试通过拿来即用也可在此基础上修改扩展实现其他功能适合需要快速搭建完整检测方案的学习者参考。1. 基坑支护变形监测遇上 YOLOv8这套毕设资源到底能不能直接跑智慧工地里最让人睡不着觉的不是进度是基坑。支护结构一旦出现肉眼可见的位移或裂缝留给现场的反应时间往往只有几小时。传统做法靠全站仪打点加人工巡检数据离散、滞后而且没法覆盖整个开挖面。这套资源把 YOLOv8 目标检测直接怼到基坑支护变形监测场景上思路是用摄像头拍到的支护结构表面特征裂缝、鼓包、锚头位移标记做实时识别再通过可视化界面把检测框和置信度投出来。资源包里给了完整源码、标注好的数据集、训练脚本、推理脚本和一个基于 PyQt 的可视化页面模型权重包含 yolov8n.pt 和训练后的 best.pt另外还附了 yolo11n.pt 作为对比基线。适合谁计算机、自动化、电子信息方向的毕设学生或者想快速搭一个工地视觉 demo 的初级算法工程师。它不解决毫米级测量精度问题但能让你在两天内跑通“数据标注→训练→推理→界面展示”全链路答辩时拿得出混淆矩阵、F1 曲线和 PR 曲线。下面按我实际拆包复现的顺序把每一步的参数和坑说清楚。2. 拆包先看文件结构哪些是核心哪些是凑数的2.1 资源包里的真实文件清单与作用拿到压缩包解压后根目录下能直接看到的文件有这些Visual_interface.py、train_mode.py、Detection_video.py、yolov8n.pt、best.pt、yolo11n.pt、README.txt以及一个长哈希命名的 txt 说明文件。数据集没有单独文件夹通常是以datasets/或data/形式内嵌里面分images/train、images/val、labels/train、labels/val。我一般先跑一遍tree -L 3看清楚层级避免训练时路径对不上。文件类型作用是否必须Visual_interface.pyPyQt 界面加载模型、选图片/视频、显示检测结果是train_mode.py训练入口调用 ultralytics 训练 YOLOv8是Detection_video.py推理脚本对视频逐帧检测并保存是yolov8n.pt预训练权重迁移学习起点是best.pt训练后权重直接推理用是yolo11n.pt对比权重可选基线否README.txt说明环境依赖和运行顺序是注意best.pt是别人在你没见过的数据上训出来的直接拿来跑你的工地画面大概率翻车。正确做法是用yolov8n.pt重新训best.pt只用来验证代码通路是否正常。2.2 环境依赖与版本锁定这套代码基于 ultralytics 库Python 版本建议 3.83.10。我实测在 Ubuntu 20.04 和 Windows 11 上都能跑CPU 版本也能推理只是帧率低。安装命令如下# 创建虚拟环境避免污染系统包 python -m venv venv_yolo source venv_yolo/bin/activate # Windows 用 venv_yolo\Scripts\activate # 安装核心依赖torch 按自己 CUDA 版本选 pip install ultralytics8.1.0 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install pyqt5 opencv-python pandas matplotlib seaborn逻辑说明ultralytics 8.1.0 是这套代码写定时比较稳的版本再新可能改 API。torch 的 CUDA 版本决定你能不能吃 GPUGTX 1660 Ti 跑 yolov8n 大概 4060 FPSCPU 只有 35 FPS。PyQt5 是可视化界面依赖opencv 处理视频流pandas 和 matplotlib 用来画训练曲线。如果 pip 装 torch 太慢先配好国内镜像源这不是玄学是血泪经验。2.3 数据集格式确认YOLO 格式的四个硬性条件YOLOv8 只认 YOLO 格式每张图对应一个同名 txt每行class_id x_center y_center width height坐标归一化到 01。资源里的数据集如果已经处理好直接能用如果只有图片和 xml得自己转。检查命令import os img_dir datasets/images/train lbl_dir datasets/labels/train for img in os.listdir(img_dir): name os.path.splitext(img)[0] lbl_path os.path.join(lbl_dir, name .txt) if not os.path.exists(lbl_path): print(缺失标签:, img) else: with open(lbl_path) as f: for line in f: parts line.strip().split() if len(parts) ! 5: print(格式错误:, lbl_path, line) else: vals list(map(float, parts[1:])) if any(v 0 or v 1 for v in vals): print(坐标越界:, lbl_path, line)这段脚本检查三件事标签文件是否存在、每行是否 5 个字段、坐标是否在 01 之间。常见翻车是标注工具导出时没归一化或者类别 id 从 1 开始而不是 0。YOLOv8 的类别 id 必须从 0 开始否则训练时 loss 直接 NaN。3. 训练自己的基坑数据集参数怎么设、曲线怎么看3.1 从预训练权重到自定义训练迁移学习策略基坑支护变形监测的样本量通常不大几百到几千张。直接从头训 YOLOv8 会过拟合正确姿势是加载yolov8n.pt做迁移学习。train_mode.py里核心就是一行model.train()但参数得改。我一般会先复制一份脚本改掉数据配置路径和 epochs。from ultralytics import YOLO # 加载预训练权重不是随机初始化 model YOLO(yolov8n.pt) # 开始训练 results model.train( datadata.yaml, # 数据集配置文件 epochs100, # 基坑样本少100 轮够收敛 imgsz640, # 输入尺寸和预训练一致 batch16, # 显存 6G 以上设 164G 设 8 lr00.01, # 初始学习率迁移学习别太大 patience20, # 20 轮没提升就早停 device0, # 0 表示第一块 GPUCPU 写 cpu projectruns/train, # 输出目录 namek基坑_v1 # 实验名 )逻辑说明data.yaml里要写train、val、nc、names四个字段nc是类别数names是类别名列表。lr00.01比默认的 0.01 更保守因为基坑特征和 COCO 差异大学习率太猛会破坏预训练特征。patience20是后悔药防止你忘了停浪费一晚上。imgsz640别乱改改了预训练权重的锚框尺寸对不上mAP 会掉。3.2 训练过程指标解读损失曲线、混淆矩阵、F1 与 PR训练跑起来后runs/train/基坑_v1/下会生成results.csv、confusion_matrix.png、F1_curve.png、PR_curve.png、val_batch0_pred.jpg。这些就是答辩时能直接贴的图。重点看三个损失曲线train/box_loss和val/box_loss同步下降才正常。如果 train 降、val 升过拟合减 epochs 或加数据增强。混淆矩阵对角线越深越好。如果“裂缝”被大量预测成“背景”说明正样本太少得补标注。F1 曲线峰值对应的置信度阈值就是推理时该用的conf。比如峰值在 0.35你推理用 0.5 就会漏检。# 用 ultralytics 自带工具画曲线不用自己写 matplotlib yolo val modelruns/train/基坑_v1/weights/best.pt datadata.yaml plotsTrue这条命令会重新在验证集上跑一遍并生成所有图表。注意plotsTrue必须加否则只输出数值不画图。生成的val_batch0_pred.jpg是验证集预测可视化答辩时比干巴巴的数字有说服力。3.3 数据增强参数基坑场景该开哪些、该关哪些YOLOv8 默认开了一堆增强但基坑场景有特殊性。支护结构裂缝是细长目标mosaic增强把四张图拼一起可能把裂缝截断反而有害。我一般这样调model.train( ..., mosaic0.5, # 默认 1.0降到 0.5 减少截断 fliplr0.5, # 左右翻转裂缝方向不变可以开 flipud0.0, # 上下翻转基坑有重力方向关掉 hsv_h0.015, # 色调抖动工地光照变化大保留 hsv_v0.4, # 亮度抖动保留 degrees0.0, # 旋转裂缝角度有意义关掉 translate0.1, # 平移保留 scale0.5 # 缩放保留 )逻辑说明flipud0.0是因为基坑支护的变形方向有物理意义上下翻转会造出假样本。degrees0.0同理裂缝走向是判断依据。mosaic0.5是折中完全关掉会降低小目标召回。这些参数没有绝对对错但基坑场景下乱开增强是 mAP 上不去的常见原因。4. 可视化界面与推理脚本从 best.pt 到可演示系统4.1 Visual_interface.py 的界面逻辑与模型加载Visual_interface.py用 PyQt5 搭了一个窗口左边是图片/视频显示区右边是按钮和置信度滑块。核心逻辑是选文件 → cv2 读取 → 送入模型 → 画框 → 转 QImage 显示。模型加载部分通常长这样from ultralytics import YOLO from PyQt5.QtWidgets import QApplication, QMainWindow from PyQt5.QtGui import QImage, QPixmap import cv2 import sys class MainWindow(QMainWindow): def __init__(self): super().__init__() self.model YOLO(best.pt) # 加载训练好的权重 self.conf 0.35 # 默认置信度按 F1 曲线峰值设 # ... 界面初始化代码 def detect_image(self, img_path): frame cv2.imread(img_path) results self.model(frame, confself.conf) annotated results[0].plot() # 自带画框 # 转 QImage 显示 rgb cv2.cvtColor(annotated, cv2.COLOR_BGR2RGB) h, w, ch rgb.shape qimg QImage(rgb.data, w, h, ch * w, QImage.Format_RGB888) self.label.setPixmap(QPixmap.fromImage(qimg))逻辑说明results[0].plot()是 ultralytics 自带的绘图方法返回带框的 numpy 数组省得自己写画框代码。conf参数直接决定显示多少框界面上的滑块应该绑定这个值。注意QImage构造时第三个参数ch * w是每行字节数写错会花屏这是 PyQt 的经典坑。4.2 Detection_video.py 逐帧推理与保存视频推理比图片多一个循环和 VideoWriter。关键参数是frame_width、frame_height、fps必须和原视频一致否则保存出来要么加速要么卡顿。import cv2 from ultralytics import YOLO model YOLO(best.pt) cap cv2.VideoCapture(site.mp4) # 获取原视频参数 fps int(cap.get(cv2.CAP_PROP_FPS)) w int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) h int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) # 保存器编码用 mp4v fourcc cv2.VideoWriter_fourcc(*mp4v) out cv2.VideoWriter(output.mp4, fourcc, fps, (w, h)) while cap.isOpened(): ret, frame cap.read() if not ret: break results model(frame, conf0.35, iou0.45) annotated results[0].plot() out.write(annotated) cap.release() out.release()逻辑说明iou0.45是 NMS 的 IoU 阈值基坑目标重叠少可以设低一点减少误删。fourcc用mp4v兼容性最好用avc1可能在某些机器上写不出来。如果输出视频只有几帧检查fps是不是 0有些手机视频的元数据 fps 读出来是 0得手动设 25 或 30。4.3 推理速度优化CPU 版本和 GPU 版本的差距热词里有人问 Ubuntu 20.04 搭建 YOLOv8 环境 CPU 版本我实测过yolov8n 在 i7-10700 上单帧推理约 200ms也就是 5 FPS只能做图片检测视频会卡成 PPT。GPU 版本 GTX 1660 Ti 约 15ms60 FPS 流畅。如果只有 CPU两个优化手段一是把imgsz从 640 降到 320速度翻倍但小目标漏检二是用model.export(formatonnx)导出 ONNX再用 onnxruntime 推理CPU 上能快 30% 左右。# 导出 ONNXCPU 推理加速 model YOLO(best.pt) model.export(formatonnx, imgsz640, halfFalse) # 之后用 onnxruntime 加载 best.onnx注意halfFalse在 CPU 上必须半精度 CPU 不支持。导出后文件大小约 12MB比 pt 小。5. 避坑与排查这套资源跑不起来时先查这五条5.1 现象训练时 loss 为 NaN 或 nan原因标签坐标没归一化或者类别 id 不是从 0 开始或者 data.yaml 里 nc 和实际类别数不一致。解决跑一遍 2.3 节的检查脚本确认每行 5 个字段且坐标在 01。类别 id 用set()看唯一值必须是 0 到 nc-1。5.2 现象可视化界面打开就闪退原因PyQt5 和 opencv-python 版本冲突或者best.pt路径不对导致YOLO()抛异常。解决先单独跑python -c from PyQt5.QtWidgets import QApplication; print(ok)确认 PyQt 正常。再把best.pt换成绝对路径。如果还闪退在命令行运行看报错栈别双击运行。5.3 现象验证集 mAP 很高但实际工地画面检测不到原因数据集和实际场景域差异大训练集可能是网上找的裂缝图实际工地光照、角度、背景完全不同。解决从实际工地截 50100 帧用 labelme 标注后加入训练集重新训 30 轮。别指望一个数据集通吃所有工地。5.4 现象Detection_video.py 保存的视频打不开或只有 0 字节原因VideoWriter的fps或分辨率与原视频不一致或者fourcc编码器不支持。解决打印cap.get(cv2.CAP_PROP_FPS)确认非 0分辨率用int()转整数。编码换mp4v还不行换XVID存 avi。5.5 现象pip 安装 ultralytics 后 import 报错缺少 torch原因ultralytics 不会自动装 torch得单独装。解决先pip install torch torchvision再pip install ultralytics。如果已经装了 ultralytics补装 torch 即可不用重装。6. 进阶技巧用 yolo11n.pt 做基线对比和答辩加分项资源里附了yolo11n.pt这不是凑数的。答辩时评委常问“为什么选 YOLOv8 不选别的”你直接跑一组对比实验用数据说话。做法很简单把train_mode.py里的YOLO(yolov8n.pt)换成YOLO(yolo11n.pt)其他参数不变训 100 轮然后对比results.csv里的metrics/mAP50-95。import pandas as pd # 读取两次训练的 results.csv v8 pd.read_csv(runs/train/基坑_v8/results.csv) v11 pd.read_csv(runs/train/基坑_v11/results.csv) # 取最后一轮的 mAP v8_map v8[metrics/mAP50-95(B)].iloc[-1] v11_map v11[metrics/mAP50-95(B)].iloc[-1] print(fYOLOv8n mAP50-95: {v8_map:.4f}) print(fYOLO11n mAP50-95: {v11_map:.4f}) print(f提升: {(v11_map - v8_map) / v8_map * 100:.2f}%)逻辑说明metrics/mAP50-95(B)是 COCO 标准的综合指标比只看 mAP50 更严格。如果 yolo11n 在你数据集上提升不到 1%说明数据量太小换模型没用该去补数据。这个对比表放进答辩 PPT比说“YOLOv8 是最新的”有说服力得多。另一个加分项是把val_batch0_pred.jpg和confusion_matrix.png并排贴指出哪类目标容易混。比如“锚头位移”和“裂缝”如果混淆严重就说明标注时边界定义不清这是你主动发现并改进的点评委很吃这套。我自己的习惯是每次拿到一个毕设资源包先不跑训练而是用best.pt跑一张图确认代码通路。通路没问题再换yolov8n.pt重训。这样能把“代码问题”和“数据问题”分开省得 debug 时两头抓瞎。从那以后我每次拆包都强制走一遍“单图推理→数据集检查→短训 10 轮→全量训练”的流程没再出现过跑了一夜发现标签是错的情况。希望帮到你。本文还有配套的精品资源点击获取 基于YOLOv8的基坑支护变形监测：毕设资源实战与优化
简介这份资源面向计算机、人工智能、自动化等专业的在校学生与教师提供一套基于YOLOv8的智慧工地基坑支护结构变形监测系统可用于毕业设计、课程设计或大作业也适合作为目标检测入门进阶的实战案例。压缩包共8个文件包含3个Python脚本、3个模型权重文件与2个说明文本整体约15.91MB源码、数据集、可视化界面与部署教程一应俱全部署后即可运行。项目可生成核心指标曲线图、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果及标签分布图便于答辩展示与结果分析。目前已有41人学习代码均经测试通过拿来即用也可在此基础上修改扩展实现其他功能适合需要快速搭建完整检测方案的学习者参考。1. 基坑支护变形监测遇上 YOLOv8这套毕设资源到底能不能直接跑智慧工地里最让人睡不着觉的不是进度是基坑。支护结构一旦出现肉眼可见的位移或裂缝留给现场的反应时间往往只有几小时。传统做法靠全站仪打点加人工巡检数据离散、滞后而且没法覆盖整个开挖面。这套资源把 YOLOv8 目标检测直接怼到基坑支护变形监测场景上思路是用摄像头拍到的支护结构表面特征裂缝、鼓包、锚头位移标记做实时识别再通过可视化界面把检测框和置信度投出来。资源包里给了完整源码、标注好的数据集、训练脚本、推理脚本和一个基于 PyQt 的可视化页面模型权重包含 yolov8n.pt 和训练后的 best.pt另外还附了 yolo11n.pt 作为对比基线。适合谁计算机、自动化、电子信息方向的毕设学生或者想快速搭一个工地视觉 demo 的初级算法工程师。它不解决毫米级测量精度问题但能让你在两天内跑通“数据标注→训练→推理→界面展示”全链路答辩时拿得出混淆矩阵、F1 曲线和 PR 曲线。下面按我实际拆包复现的顺序把每一步的参数和坑说清楚。2. 拆包先看文件结构哪些是核心哪些是凑数的2.1 资源包里的真实文件清单与作用拿到压缩包解压后根目录下能直接看到的文件有这些Visual_interface.py、train_mode.py、Detection_video.py、yolov8n.pt、best.pt、yolo11n.pt、README.txt以及一个长哈希命名的 txt 说明文件。数据集没有单独文件夹通常是以datasets/或data/形式内嵌里面分images/train、images/val、labels/train、labels/val。我一般先跑一遍tree -L 3看清楚层级避免训练时路径对不上。文件类型作用是否必须Visual_interface.pyPyQt 界面加载模型、选图片/视频、显示检测结果是train_mode.py训练入口调用 ultralytics 训练 YOLOv8是Detection_video.py推理脚本对视频逐帧检测并保存是yolov8n.pt预训练权重迁移学习起点是best.pt训练后权重直接推理用是yolo11n.pt对比权重可选基线否README.txt说明环境依赖和运行顺序是注意best.pt是别人在你没见过的数据上训出来的直接拿来跑你的工地画面大概率翻车。正确做法是用yolov8n.pt重新训best.pt只用来验证代码通路是否正常。2.2 环境依赖与版本锁定这套代码基于 ultralytics 库Python 版本建议 3.83.10。我实测在 Ubuntu 20.04 和 Windows 11 上都能跑CPU 版本也能推理只是帧率低。安装命令如下# 创建虚拟环境避免污染系统包 python -m venv venv_yolo source venv_yolo/bin/activate # Windows 用 venv_yolo\Scripts\activate # 安装核心依赖torch 按自己 CUDA 版本选 pip install ultralytics8.1.0 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install pyqt5 opencv-python pandas matplotlib seaborn逻辑说明ultralytics 8.1.0 是这套代码写定时比较稳的版本再新可能改 API。torch 的 CUDA 版本决定你能不能吃 GPUGTX 1660 Ti 跑 yolov8n 大概 4060 FPSCPU 只有 35 FPS。PyQt5 是可视化界面依赖opencv 处理视频流pandas 和 matplotlib 用来画训练曲线。如果 pip 装 torch 太慢先配好国内镜像源这不是玄学是血泪经验。2.3 数据集格式确认YOLO 格式的四个硬性条件YOLOv8 只认 YOLO 格式每张图对应一个同名 txt每行class_id x_center y_center width height坐标归一化到 01。资源里的数据集如果已经处理好直接能用如果只有图片和 xml得自己转。检查命令import os img_dir datasets/images/train lbl_dir datasets/labels/train for img in os.listdir(img_dir): name os.path.splitext(img)[0] lbl_path os.path.join(lbl_dir, name .txt) if not os.path.exists(lbl_path): print(缺失标签:, img) else: with open(lbl_path) as f: for line in f: parts line.strip().split() if len(parts) ! 5: print(格式错误:, lbl_path, line) else: vals list(map(float, parts[1:])) if any(v 0 or v 1 for v in vals): print(坐标越界:, lbl_path, line)这段脚本检查三件事标签文件是否存在、每行是否 5 个字段、坐标是否在 01 之间。常见翻车是标注工具导出时没归一化或者类别 id 从 1 开始而不是 0。YOLOv8 的类别 id 必须从 0 开始否则训练时 loss 直接 NaN。3. 训练自己的基坑数据集参数怎么设、曲线怎么看3.1 从预训练权重到自定义训练迁移学习策略基坑支护变形监测的样本量通常不大几百到几千张。直接从头训 YOLOv8 会过拟合正确姿势是加载yolov8n.pt做迁移学习。train_mode.py里核心就是一行model.train()但参数得改。我一般会先复制一份脚本改掉数据配置路径和 epochs。from ultralytics import YOLO # 加载预训练权重不是随机初始化 model YOLO(yolov8n.pt) # 开始训练 results model.train( datadata.yaml, # 数据集配置文件 epochs100, # 基坑样本少100 轮够收敛 imgsz640, # 输入尺寸和预训练一致 batch16, # 显存 6G 以上设 164G 设 8 lr00.01, # 初始学习率迁移学习别太大 patience20, # 20 轮没提升就早停 device0, # 0 表示第一块 GPUCPU 写 cpu projectruns/train, # 输出目录 namek基坑_v1 # 实验名 )逻辑说明data.yaml里要写train、val、nc、names四个字段nc是类别数names是类别名列表。lr00.01比默认的 0.01 更保守因为基坑特征和 COCO 差异大学习率太猛会破坏预训练特征。patience20是后悔药防止你忘了停浪费一晚上。imgsz640别乱改改了预训练权重的锚框尺寸对不上mAP 会掉。3.2 训练过程指标解读损失曲线、混淆矩阵、F1 与 PR训练跑起来后runs/train/基坑_v1/下会生成results.csv、confusion_matrix.png、F1_curve.png、PR_curve.png、val_batch0_pred.jpg。这些就是答辩时能直接贴的图。重点看三个损失曲线train/box_loss和val/box_loss同步下降才正常。如果 train 降、val 升过拟合减 epochs 或加数据增强。混淆矩阵对角线越深越好。如果“裂缝”被大量预测成“背景”说明正样本太少得补标注。F1 曲线峰值对应的置信度阈值就是推理时该用的conf。比如峰值在 0.35你推理用 0.5 就会漏检。# 用 ultralytics 自带工具画曲线不用自己写 matplotlib yolo val modelruns/train/基坑_v1/weights/best.pt datadata.yaml plotsTrue这条命令会重新在验证集上跑一遍并生成所有图表。注意plotsTrue必须加否则只输出数值不画图。生成的val_batch0_pred.jpg是验证集预测可视化答辩时比干巴巴的数字有说服力。3.3 数据增强参数基坑场景该开哪些、该关哪些YOLOv8 默认开了一堆增强但基坑场景有特殊性。支护结构裂缝是细长目标mosaic增强把四张图拼一起可能把裂缝截断反而有害。我一般这样调model.train( ..., mosaic0.5, # 默认 1.0降到 0.5 减少截断 fliplr0.5, # 左右翻转裂缝方向不变可以开 flipud0.0, # 上下翻转基坑有重力方向关掉 hsv_h0.015, # 色调抖动工地光照变化大保留 hsv_v0.4, # 亮度抖动保留 degrees0.0, # 旋转裂缝角度有意义关掉 translate0.1, # 平移保留 scale0.5 # 缩放保留 )逻辑说明flipud0.0是因为基坑支护的变形方向有物理意义上下翻转会造出假样本。degrees0.0同理裂缝走向是判断依据。mosaic0.5是折中完全关掉会降低小目标召回。这些参数没有绝对对错但基坑场景下乱开增强是 mAP 上不去的常见原因。4. 可视化界面与推理脚本从 best.pt 到可演示系统4.1 Visual_interface.py 的界面逻辑与模型加载Visual_interface.py用 PyQt5 搭了一个窗口左边是图片/视频显示区右边是按钮和置信度滑块。核心逻辑是选文件 → cv2 读取 → 送入模型 → 画框 → 转 QImage 显示。模型加载部分通常长这样from ultralytics import YOLO from PyQt5.QtWidgets import QApplication, QMainWindow from PyQt5.QtGui import QImage, QPixmap import cv2 import sys class MainWindow(QMainWindow): def __init__(self): super().__init__() self.model YOLO(best.pt) # 加载训练好的权重 self.conf 0.35 # 默认置信度按 F1 曲线峰值设 # ... 界面初始化代码 def detect_image(self, img_path): frame cv2.imread(img_path) results self.model(frame, confself.conf) annotated results[0].plot() # 自带画框 # 转 QImage 显示 rgb cv2.cvtColor(annotated, cv2.COLOR_BGR2RGB) h, w, ch rgb.shape qimg QImage(rgb.data, w, h, ch * w, QImage.Format_RGB888) self.label.setPixmap(QPixmap.fromImage(qimg))逻辑说明results[0].plot()是 ultralytics 自带的绘图方法返回带框的 numpy 数组省得自己写画框代码。conf参数直接决定显示多少框界面上的滑块应该绑定这个值。注意QImage构造时第三个参数ch * w是每行字节数写错会花屏这是 PyQt 的经典坑。4.2 Detection_video.py 逐帧推理与保存视频推理比图片多一个循环和 VideoWriter。关键参数是frame_width、frame_height、fps必须和原视频一致否则保存出来要么加速要么卡顿。import cv2 from ultralytics import YOLO model YOLO(best.pt) cap cv2.VideoCapture(site.mp4) # 获取原视频参数 fps int(cap.get(cv2.CAP_PROP_FPS)) w int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) h int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) # 保存器编码用 mp4v fourcc cv2.VideoWriter_fourcc(*mp4v) out cv2.VideoWriter(output.mp4, fourcc, fps, (w, h)) while cap.isOpened(): ret, frame cap.read() if not ret: break results model(frame, conf0.35, iou0.45) annotated results[0].plot() out.write(annotated) cap.release() out.release()逻辑说明iou0.45是 NMS 的 IoU 阈值基坑目标重叠少可以设低一点减少误删。fourcc用mp4v兼容性最好用avc1可能在某些机器上写不出来。如果输出视频只有几帧检查fps是不是 0有些手机视频的元数据 fps 读出来是 0得手动设 25 或 30。4.3 推理速度优化CPU 版本和 GPU 版本的差距热词里有人问 Ubuntu 20.04 搭建 YOLOv8 环境 CPU 版本我实测过yolov8n 在 i7-10700 上单帧推理约 200ms也就是 5 FPS只能做图片检测视频会卡成 PPT。GPU 版本 GTX 1660 Ti 约 15ms60 FPS 流畅。如果只有 CPU两个优化手段一是把imgsz从 640 降到 320速度翻倍但小目标漏检二是用model.export(formatonnx)导出 ONNX再用 onnxruntime 推理CPU 上能快 30% 左右。# 导出 ONNXCPU 推理加速 model YOLO(best.pt) model.export(formatonnx, imgsz640, halfFalse) # 之后用 onnxruntime 加载 best.onnx注意halfFalse在 CPU 上必须半精度 CPU 不支持。导出后文件大小约 12MB比 pt 小。5. 避坑与排查这套资源跑不起来时先查这五条5.1 现象训练时 loss 为 NaN 或 nan原因标签坐标没归一化或者类别 id 不是从 0 开始或者 data.yaml 里 nc 和实际类别数不一致。解决跑一遍 2.3 节的检查脚本确认每行 5 个字段且坐标在 01。类别 id 用set()看唯一值必须是 0 到 nc-1。5.2 现象可视化界面打开就闪退原因PyQt5 和 opencv-python 版本冲突或者best.pt路径不对导致YOLO()抛异常。解决先单独跑python -c from PyQt5.QtWidgets import QApplication; print(ok)确认 PyQt 正常。再把best.pt换成绝对路径。如果还闪退在命令行运行看报错栈别双击运行。5.3 现象验证集 mAP 很高但实际工地画面检测不到原因数据集和实际场景域差异大训练集可能是网上找的裂缝图实际工地光照、角度、背景完全不同。解决从实际工地截 50100 帧用 labelme 标注后加入训练集重新训 30 轮。别指望一个数据集通吃所有工地。5.4 现象Detection_video.py 保存的视频打不开或只有 0 字节原因VideoWriter的fps或分辨率与原视频不一致或者fourcc编码器不支持。解决打印cap.get(cv2.CAP_PROP_FPS)确认非 0分辨率用int()转整数。编码换mp4v还不行换XVID存 avi。5.5 现象pip 安装 ultralytics 后 import 报错缺少 torch原因ultralytics 不会自动装 torch得单独装。解决先pip install torch torchvision再pip install ultralytics。如果已经装了 ultralytics补装 torch 即可不用重装。6. 进阶技巧用 yolo11n.pt 做基线对比和答辩加分项资源里附了yolo11n.pt这不是凑数的。答辩时评委常问“为什么选 YOLOv8 不选别的”你直接跑一组对比实验用数据说话。做法很简单把train_mode.py里的YOLO(yolov8n.pt)换成YOLO(yolo11n.pt)其他参数不变训 100 轮然后对比results.csv里的metrics/mAP50-95。import pandas as pd # 读取两次训练的 results.csv v8 pd.read_csv(runs/train/基坑_v8/results.csv) v11 pd.read_csv(runs/train/基坑_v11/results.csv) # 取最后一轮的 mAP v8_map v8[metrics/mAP50-95(B)].iloc[-1] v11_map v11[metrics/mAP50-95(B)].iloc[-1] print(fYOLOv8n mAP50-95: {v8_map:.4f}) print(fYOLO11n mAP50-95: {v11_map:.4f}) print(f提升: {(v11_map - v8_map) / v8_map * 100:.2f}%)逻辑说明metrics/mAP50-95(B)是 COCO 标准的综合指标比只看 mAP50 更严格。如果 yolo11n 在你数据集上提升不到 1%说明数据量太小换模型没用该去补数据。这个对比表放进答辩 PPT比说“YOLOv8 是最新的”有说服力得多。另一个加分项是把val_batch0_pred.jpg和confusion_matrix.png并排贴指出哪类目标容易混。比如“锚头位移”和“裂缝”如果混淆严重就说明标注时边界定义不清这是你主动发现并改进的点评委很吃这套。我自己的习惯是每次拿到一个毕设资源包先不跑训练而是用best.pt跑一张图确认代码通路。通路没问题再换yolov8n.pt重训。这样能把“代码问题”和“数据问题”分开省得 debug 时两头抓瞎。从那以后我每次拆包都强制走一遍“单图推理→数据集检查→短训 10 轮→全量训练”的流程没再出现过跑了一夜发现标签是错的情况。希望帮到你。本文还有配套的精品资源点击获取