YOLOv8模型来实现自动化建筑结构健康监测 建筑裂缝检测数据集的训练及应用 可用于建筑物 桥梁道路墙面

YOLOv8模型来实现自动化建筑结构健康监测 建筑裂缝检测数据集的训练及应用 可用于建筑物 桥梁道路墙面文章目录✅ 一、系统环境搭建1. 确认 CUDA 驱动GPU 加速2. 安装 AnacondaPython 包管理器3. 创建 Python 虚拟环境4. 安装必要依赖✅ 二、数据集结构与格式转换VOC → YOLO推荐目录结构VOC → YOLO 转换脚本✅ 三、数据划分train/val/test 8:1:1✅ 四、data.yaml 配置文件✅ 五、调用 YOLOv8 官方预训练模型进行训练✅ 六、推理与评估代码1. 单图推理2. 批量推理3. 模型评估✅ 七、模型导出ONNX / TensorRT以下文字及diamond仅供参考学习使用。数据集描述建筑- 裂缝检测数据集项目含标注共3360张 分辨率480×480裂缝检测数据集按照一定规律进行了精细化标注11建筑裂缝检测数据集3360 张图像480×480 分辨率VOC 格式标注非常适合用于训练目标检测模型如 YOLOv8来实现自动化建筑结构健康监测。以下是从环境搭建 → 数据预处理 → YOLOv8 训练 → 推理 → 评估 → 部署的完整流程适用于裂缝识别、桥梁/墙体巡检、智能基建等场景。✅ 一、系统环境搭建1. 确认 CUDA 驱动GPU 加速nvidia-smi要求NVIDIA GPU建议 ≥ RTX 3060 / A100CUDA 版本 ≥ 11.8推荐 12.1若未安装请前往 NVIDIA 官网 下载驱动。2. 安装 AnacondaPython 包管理器前往 https://www.anaconda.com/products/distribution 下载并安装。3. 创建 Python 虚拟环境# 创建名为 crack_detection 的环境conda create-ncrack_detectionpython3.9# 激活环境conda activate crack_detection4. 安装必要依赖# 安装 PyTorch以 CUDA 11.8 为例pipinstalltorch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118# 安装 YOLOv8 官方库pipinstallultralytics opencv-python numpy matplotlib tqdm scikit-learn pandas pillow lxml tensorboard# 验证 GPU 是否可用python-cimport torch; print(torch.cuda.is_available())# 应输出 True✅lxml用于解析 XMLVOC 格式✅ 二、数据集结构与格式转换VOC → YOLOYOLOv8 使用 YOLO 格式.txt需将.xml转为.txt。推荐目录结构crack_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── annotations_voc/ # 原始 XML 文件 ├── labels/ # 转换后的 YOLO .txt 文件 └── data.yamlVOC → YOLO 转换脚本# convert_voc_to_yolo.pyimportosimportxml.etree.ElementTreeasETfrompathlibimportPath# 类别映射建筑裂缝通常只有 1 类classes{crack:0,fissure:0,cracks:0}defconvert(size,box):dw1./size[0]dh1./size[1]x(box[0]box[1])/2.0-1y(box[2]box[3])/2.0-1wbox[1]-box[0]hbox[3]-box[2]return(x*dw,y*dh,w*dw,h*dh)defconvert_annotation(xml_file,output_folder):try:treeET.parse(xml_file)roottree.getroot()sizeroot.find(size)wint(size.find(width).text)hint(size.find(height).text)forobjinroot.iter(object):clsobj.find(name).text.lower().strip()ifclsnotinclasses:continuecls_idclasses[cls]xmlboxobj.find(bndbox)b[float(xmlbox.find(x).text)forxin[xmin,xmax,ymin,ymax]]bbconvert((w,h),b)txt_fileos.path.join(output_folder,Path(xml_file).stem.txt)withopen(txt_file,a)asf:f.write(f{cls_id}{ .join(f{x:.6f}forxinbb)}\n)exceptExceptionase:print(fError processing{xml_file}:{e})# 执行转换voc_dircrack_dataset/annotations_vocyolo_dircrack_dataset/labelsos.makedirs(yolo_dir,exist_okTrue)forxml_fileinPath(voc_dir).glob(*.xml):convert_annotation(xml_file,yolo_dir)print(✅ VOC to YOLO conversion completed.)✅ 三、数据划分train/val/test 8:1:1# split_data.pyimportosimportrandomfrompathlibimportPathimportshutil image_dircrack_dataset/images_raw# 原始图像目录output_img_dircrack_dataset/imageslabel_dircrack_dataset/labelsoutput_lbl_dircrack_dataset/labelsforsubsetin[train,val,test]:os.makedirs(f{output_img_dir}/{subset},exist_okTrue)os.makedirs(f{output_lbl_dir}/{subset},exist_okTrue)images[fforfinos.listdir(image_dir)iff.endswith((.jpg,.jpeg,.png))]random.shuffle(images)nlen(images)train_filesimages[:int(0.8*n)]val_filesimages[int(0.8*n):int(0.9*n)]test_filesimages[int(0.9*n):]defcopy_files(files,subset):forimginfiles:src_imgos.path.join(image_dir,img)dst_imgos.path.join(output_img_dir,subset,img)shutil.copy(src_img,dst_img)labelPath(img).stem.txtsrc_lblos.path.join(label_dir,label)dst_lblos.path.join(output_lbl_dir,subset,label)ifos.path.exists(src_lbl):shutil.copy(src_lbl,dst_lbl)copy_files(train_files,train)copy_files(val_files,val)copy_files(test_files,test)print(✅ Data split completed: 8:1:1)✅ 四、data.yaml配置文件# data.yamltrain:./crack_dataset/images/trainval:./crack_dataset/images/valtest:./crack_dataset/images/test# 类别数量nc:1# 类别名称names:-crack# 中文名可选用于可视化names_zh:-裂缝✅ 五、调用 YOLOv8 官方预训练模型进行训练推荐使用YOLOv8m或YOLOv8l提升对细小裂缝的检测能力。fromultralyticsimportYOLO# 加载官方预训练模型modelYOLO(yolov8m.pt)# 推荐 medium 模型平衡精度与速度# 开始训练resultsmodel.train(datadata.yaml,epochs200,# 建筑数据建议 150~300batch32,# 480x480 小图可增大 batchimgsz480,# 保持原始分辨率optimizerAdamW,lr00.001,weight_decay0.0005,momentum0.937,# 数据增强对裂缝特别重要augmentTrue,hsv_h0.015,hsv_s0.7,hsv_v0.4,degrees10.0,# 随机旋转增强泛化translate0.2,scale0.5,flipud0.0,fliplr0.5,mosaic1.0,mixup0.1,# 正则化dropout0.2,label_smoothing0.05,# 学习率调度cos_lrTrue,# 保存projectruns/train,namebuilding_crack_yolov8m,saveTrue,save_period10,exist_okFalse,# 缓存cacheTrue)✅ 六、推理与评估代码1. 单图推理modelYOLO(runs/train/building_crack_yolov8m/weights/best.pt)resultsmodel(wall_crack_001.jpg,conf0.25)results[0].show()2. 批量推理model.predict(sourcecrack_dataset/images/test,saveTrue,projectruns/detect,namecrack_test_results,conf0.25,imgsz480)3. 模型评估metricsmodel.val(datadata.yaml,splittest,batch32,imgsz480,save_jsonTrue,namefinal_eval)print(fmAP0.5:{metrics.box.map50:.4f})print(fmAP0.5:0.95:{metrics.box.map:.4f})print(fPrecision:{metrics.box.p:.4f})print(fRecall:{metrics.box.r:.4f})✅ 七、模型导出ONNX / TensorRT# 导出为 ONNX支持部署到 Web / 移动端model.export(formatonnx,dynamicTrue,opset13,imgsz480)# 导出为 TensorRT高性能边缘部署model.export(formatengine,halfTrue,dynamicTrue,imgsz480)