[原创] 机器学习实战基于yolov5的道路坑洼检测(附训练代码和数据集)

写在前面：
在创作过程我会尽最大能力，保证作品的质量，如果有问题，可以私信我，让我们携手共进，共创辉煌。

路虽远，行则将至；事虽难，做则必成。只要有愚公移山的志气、滴水穿石的毅力，脚踏实地，埋头苦干，积跬步以至千里，就一定能够把宏伟目标变为美好现实。

请先看检测效果：

一.介绍

道路基础设施是至关重要的公共资产，近年来我国道路修建速度高速增长，几乎实现了村村通公路，它有助于经济发展和增长，同时带来重要的社会效益。它连接社区和企业，提供教育、就业、社会和卫生服务。然而，由于位置、使用年限、交通量、天气、工程解决方案和用于建造路面的材料相关的因素，路面会随着时间的推移而磨损和劣化，出现坑洼等问题，这对高速行驶的汽车极其危险，很容易失去平衡，造成交通事故。一些研究表明，事故率随着路面的粗糙度增加而增加，因此如何更好地维护城市道路路面的长期稳定运行成为各城市交通部门的当务之急，将目标检测的方法应用到道路坑洼检测中，具有很强的实际应用价值和重要的意义。

二.数据集

665张图片，665个xml文件。

三.项目结构

系统信息：Windows 10系统

显卡信息：RTX2060

python版本：3.9.1

训练：

python train.py --weights weights/yolov5x.pt --data data/VOC.yaml --cfg models/yolov5x.yaml --epochs 100 --batch-size 16

终端显示信息：

训练100 epoch后，模型保存在runs/train/exp/weights文件夹：

Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
      96/99      10.6G    0.02046    0.01845  0.0006358         57        640: 100%|██████████| 90/90 00:27

Optimizer stripped from runs/train/exp/weights/last.pt, 173.2MB
Optimizer stripped from runs/train/exp/weights/best.pt, 173.2MB

Validating runs/train/exp/weights/best.pt...
Fusing layers...
YOLOv5x_neu summary: 322 layers, 86207059 parameters, 0 gradients, 204.1 GFLOPs
                 Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 12/12 00:06

Results saved to runs/train/exp

使用训练好的模型进行预测：

python detect.py --weights runs/train/exp/weights/best.pt --source testpics

四.结果分析

验证集上PR曲线：

可以看到1个类别的AP分别为0.790。

验证集上F1曲线：

混淆矩阵：

训练和验证指标变化曲线：

标签信息：

注：若转载请注明大神论坛来源（本贴地址）与作者信息。

下方隐藏内容为本帖所有文件或源码下载链接：