YOLOv8图像分割技术在路面坑洞检测中的应用

背景

路面坑洞是道路安全的重要隐患，直接威胁车辆行驶安全。如何快速、准确地检测路面坑洞，是解决这一问题的关键。YOLOv8（You Only Look Once version 8）作为一款高效的图像分割模型，凭借其强大的实时检测能力，被广泛应用于路面坑洞检测任务中。本文将详细介绍YOLOv8在路面坑洞检测中的应用流程，包括数据准备、模型训练和推理等关键步骤。

实现步骤

1. 准备数据集

本教程使用Pothole图像分割数据集，该数据集包含大量真实场景下的路面坑洞图像。数据集可通过Kaggle获取，下载完成后，需要从压缩包中提取文件夹。

2. 安装Ultralytics并导入必要的库

首先安装Ultralytics库：

pip install ultralytics

然后导入必要的库：

import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as snsimport osimport warningsfrom ultralytics import YOLOimport cv2from PIL import Imageimport yamlimport random

3. 设置数据路径

将数据路径设置为自己的路径：

dataDir = '/content/Pothole_Segmentation_YOLOv8/'

4. 加载并绘制图像

设置训练图像路径：

trainImagePath = os.path.join(dataDir, 'train', 'images')

列出图像文件：

imageFiles = [f for f in os.listdir(trainImagePath) if f.endswith('.jpg')]

选择随机图像：

randomImages = random.sample(imageFiles, 15)

绘制图像：

plt.figure(figsize=(10, 10))for i, image_file in enumerate(randomImages):    image_path = os.path.join(trainImagePath, image_file)    image = Image.open(image_path)    plt.subplot(3, 5, i + 1)    plt.imshow(image)    plt.axis('off')plt.suptitle('Random Selection of Dataset Images', fontsize=24)plt.tight_layout()plt.show()

5. 下载并训练YOLOv8分割模型

加载预训练权重：

model = YOLO('yolov8n-seg.pt')

训练模型：

yamlFilePath = os.path.join(dataDir, 'data.yaml')results = model.train(    data= yamlFilePath,    epochs= 30,    imgsz= 640,    batch= 32,    optimizationr= 'auto',    lr0= 0.0001,    lrf= 0.01,    dropout= 0.25,    device= 0,    seed= 42)

6. 加载性能最佳的模型

加载最佳模型：

bestModelpath = '/content/runs/segment/train/weights/best.pt'bestModel = YOLO(bestModelpath)

7. 加载图像做推理

设置验证图像路径：

validImagePath = os.path.join(dataDir, 'valid', 'images')

列出验证图像文件：

imageFiles = [f for f in os.listdir(validImagePath) if f.endswith('.jpg')]

选择随机图像：

numImages = len(imageFiles)selectedImage = [imageFiles[i] for i in range(0, numImages, numImages // 9)]

绘制推断图像：

fig, axes = plt.subplots(3, 3, figsize=(10, 10))fig.suptitle('Validation Set Inferences')for i, ax in enumerate(axes.flatten()):    imagePath = os.path.join(validImagePath, selectedImage[i])    results = bestModel.predict(source= imagePath, imgsz=640)    annotatedImage = results[0].plot()    annotatedImageRGB = cv2.cvtColor(annotatedImage, cv2.COLOR_BGR2RGB)    ax.imshow(annotatedImageRGB)    ax.axis('off')plt.tight_layout()plt.show()

加载视频做推理

import shutilvideoPath = '/content/Pothole_Segmentation_YOLOv8/sample_video.mp4'bestModel.predict(source=videoPath, save=True)

结论

通过本文的详细介绍，我们可以看到YOLOv8图像分割技术在路面坑洞检测中的巨大潜力。从数据准备到模型训练，再到推理验证，全流程的实现展示了YOLOv8在实际应用中的强大能力。

转载地址：http://krsfk.baihongyu.com/

你可能感兴趣的文章