基于深度学习YOLOv8的道路坑洼识别检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）
本项目基于YOLOv8目标检测算法，开发了一套专门用于道路坑洼识别的智能检测系统。该系统能够通过实时图像或视频流自动检测并定位道路表面的坑洼、裂缝等缺陷，为道路维护、交通安全和智慧城市建设提供数据支持。项目采用了一个包含3,490张标注图像的专业数据集（训练集3,043张、验证集273张、测试集174张），通过深度学习技术训练出高精度的坑洼检测模型，具备较强的泛化能力和鲁棒性。
一、项目介绍
摘要
本项目基于YOLOv8目标检测算法，开发了一套专门用于道路坑洼识别的智能检测系统。该系统能够通过实时图像或视频流自动检测并定位道路表面的坑洼、裂缝等缺陷，为道路维护、交通安全和智慧城市建设提供数据支持。项目采用了一个包含3,490张标注图像的专业数据集（训练集3,043张、验证集273张、测试集174张），通过深度学习技术训练出高精度的坑洼检测模型，具备较强的泛化能力和鲁棒性。
该系统支持多种输入方式，包括车载摄像头、无人机航拍图像、固定监控视频等，能够在不同光照条件（白天、夜晚、雨天）和复杂道路环境下保持较高的检测准确率。项目针对坑洼检测的特殊性（目标较小、形状不规则、易受阴影干扰）进行了模型优化，包括多尺度训练、数据增强、迁移学习等策略，显著提升了小目标检测性能。
项目意义
1. 提升道路交通安全
道路坑洼是引发交通事故的重要因素之一，尤其是对摩托车、自行车和高速行驶的车辆构成严重威胁。本系统可部署于车载ADAS（高级驾驶辅助系统）或导航软件中，提前预警驾驶员前方路况，减少因颠簸或紧急避让导致的事故。同时，通过与交通管理平台对接，可实时标记危险路段，提醒相关部门优先处理，降低公共安全风险。
2. 优化市政道路养护效率
传统道路巡检依赖人工巡查或定期抽查，成本高、覆盖范围有限，且难以做到实时监测。本系统可实现自动化、全天候的道路状况检测，大幅降低人力成本，并提高养护响应速度。结合GPS定位数据，可生成道路病害分布图，帮助市政部门科学规划维修优先级，优化预算分配，延长道路使用寿命。
3. 推动智慧交通与智慧城市建设
在智慧城市框架下，道路基础设施的健康监测是重要组成部分。本系统可与城市大脑、交通监控平台集成，形成动态更新的道路数据库，为城市规划、道路设计、交通流量优化等提供数据支撑。长期积累的坑洼分布数据还能用于分析道路劣化规律，比如哪些路段更容易出现坑洼（如重载车辆频繁通行区域），从而制定更科学的道路建设标准。
4. 促进自动驾驶技术发展
坑洼检测是自动驾驶环境感知的关键任务之一。无人驾驶车辆需要精准识别路面异常，以调整行驶策略（如减速或变道）。本系统的技术方案可迁移至自动驾驶感知模块，提升车辆对复杂路况的适应能力，推动自动驾驶技术的落地应用。
5. 经济效益与社会价值
全球道路养护市场规模庞大，但传统检测方式效率低下。采用AI自动化检测可降低巡检成本，同时将检测速度提升。对于发展中国家，本系统可帮助缓解因道路维护不足导致的车辆损耗、燃油效率下降等问题，间接减少社会经济损失。此外，良好的道路状况还能提升市民出行体验，增强城市形象。
6. 计算机视觉技术的创新应用
坑洼检测属于小目标、不规则形状、低对比度场景下的目标检测挑战，对算法的鲁棒性要求较高。本项目探索了YOLOv8在复杂环境下的优化策略，包括：
-
多尺度特征融合：提升对小尺寸坑洼的敏感度
-
动态数据增强：模拟不同天气、光照条件下的坑洼形态
-
半监督学习：利用未标注数据提升模型泛化能力
这些经验可为其他类似场景（如桥梁裂缝检测、铁路轨道缺陷识别）提供技术参考。
7. 可扩展性与未来展望
本系统具备良好的可扩展性，未来可进一步升级为多任务检测系统，同时识别坑洼、裂缝、标线磨损、井盖缺失等多种道路病害。结合5G+边缘计算，可实现实时云端分析，支持大规模路网监测。此外，通过与无人机、机器人等移动平台结合，可覆盖偏远地区或高风险路段（如高速公路、隧道），形成更全面的道路健康监测网络。
结论
YOLOv8道路坑洼识别检测系统不仅具有技术创新性，还在交通安全、市政管理、智慧城市等领域具有广泛的应用前景。随着AI技术的不断进步和基础设施数字化需求的增长，该系统有望成为未来智能交通体系的核心组件之一，为社会创造显著的经济效益和安全价值。
目录
基于深度学习YOLOv8的道路坑洼识别检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili
基于深度学习YOLOv8的道路坑洼识别检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）
二、项目功能展示
系统功能
✅ 图片检测：可对图片进行检测，返回检测框及类别信息。
✅ 视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅ 摄像头实时检测：连接USB 摄像头，实现实时监测。
✅参数实时调节（置信度和IoU阈值）
-
图片检测
该功能允许用户通过单张图片进行目标检测。输入一张图片后，YOLO模型会实时分析图像，识别出其中的目标，并在图像中框出检测到的目标，输出带有目标框的图像。批量图片检测
用户可以一次性上传多个图片进行批量处理。该功能支持对多个图像文件进行并行处理，并返回每张图像的目标检测结果，适用于需要大规模处理图像数据的应用场景。
-
视频检测
视频检测功能允许用户将视频文件作为输入。YOLO模型将逐帧分析视频，并在每一帧中标记出检测到的目标。最终结果可以是带有目标框的视频文件或实时展示，适用于视频监控和分析等场景。
-
摄像头实时检测
该功能支持通过连接摄像头进行实时目标检测。YOLO模型能够在摄像头拍摄的实时视频流中进行目标检测，实时识别并显示检测结果。此功能非常适用于安防监控、无人驾驶、智能交通等应用，提供即时反馈。
核心特点：
- 高精度：基于YOLO模型，提供精确的目标检测能力，适用于不同类型的图像和视频。
- 实时性：特别优化的算法使得实时目标检测成为可能，无论是在视频还是摄像头实时检测中，响应速度都非常快。
- 批量处理：支持高效的批量图像和视频处理，适合大规模数据分析。
三、数据集介绍
数据集概述
本项目的道路坑洼数据集是当前最全面、最具代表性的专业数据集之一，总样本量3,490张，涵盖各种典型道路场景下的坑洼图像。数据集按照8:1:1的比例划分为训练集（3,043张）、验证集（273张）和测试集（174张）。数据来源包括市政部门合作提供的专业巡检图像、车载记录仪采集的真实道路场景以及模拟各种天气条件下的人工拍摄，每张图像都经过道路工程专家校验，确保标注准确性。数据集特别注重采集不同路面类型、损坏程度和光照条件下的样本，以增强模型的鲁棒性。
数据集特点
-
场景多样性：
-
城市道路、高速公路、乡村道路等多种道路类型
-
沥青、混凝土、砖砌等不同路面材质
-
晴天、阴天、雨天、夜间等多种光照条件
-
干燥、潮湿、积水等不同路面状态
-
-
坑洼类型全面：
-
小型裂缝到大型坑洞的不同规模损坏
-
浅表磨损到深层结构损坏的不同程度
-
孤立坑洼与连续损坏区域
-
新形成坑洼与长期磨损坑洼
-
-
拍摄视角丰富：
-
车载前视视角（模拟实际驾驶视角）
-
人工巡检的俯视和斜视角度
-
无人机航拍的大范围路面图像
-
近距离特写与远距离全景
-
-
标注专业性：
-
每个可见坑洼区域都精确标注边界框
-
由道路工程师制定标注标准
-
对积水掩盖的坑洼进行特别标注
-
标注信息包含坑洼位置和大致尺寸
-
对困难样本（低对比度、部分遮挡）进行特别标记
-
-
数据质量：
-
所有图像分辨率高
-
采用RAW格式原始数据保留最大细节
-
经过严格的三阶段质量审核流程
-
定期更新维护，错误率低
-
-
评估维度：
-
测试集包含专门设计的挑战性子集：
-
积水掩盖的坑洼
-
阴影遮挡的坑洼
-
微小坑洼
-
复杂纹理路面上的坑洼
-
-
数据集配置文件
数据集采用标准化YOLO格式组织：
rain: F:\道路坑洼识别检测数据集\train\images
val: F:\道路坑洼识别检测数据集\valid\images
test: F:\道路坑洼识别检测数据集\test\images
nc: 1
names: ['pothole']数据集制作流程
-
需求分析与规划：
-
联合市政部门和道路专家确定核心需求
-
制定坑洼分类标准和严重程度分级
-
设计覆盖不同道路类型和天气条件的数据采集方案
-
确定样本量统计方法和分布比例
-
-
专业数据采集：
-
配备专业摄像设备的巡检车辆系统采集城市道路
-
与高速公路管理部门合作获取高速路段图像
-
使用无人机采集大范围路面状况
-
模拟不同天气条件进行人工拍摄
-
从车载记录仪收集真实驾驶场景数据
-
-
数据清洗与预处理：
-
剔除模糊、过暗、过度曝光的低质量图像
-
对敏感信息（车牌、人脸）进行脱敏处理
-
统一图像格式和色彩空间
-
分辨率标准化处理（保持长宽比）
-
建立图像质量评分体系
-
-
专业标注流程：
-
第一阶段：基础标注员进行初步坑洼区域标注
-
第二阶段：道路工程师校验标注准确性，特别关注：
-
坑洼边界判定
-
积水坑洼的识别
-
严重程度评估
-
-
第三阶段：资深巡检员最终审核
-
开发辅助标注工具提高效率
-
-
数据增强策略：
-
基础增强：旋转、翻转、色彩调整
-
高级增强：
-
路面材质变换
-
光照条件模拟
-
天气效果添加（雨滴、积水）
-
阴影合成
-
-
针对性增强：
-
坑洼尺寸变化
-
局部遮挡模拟
-
噪声添加
-
-
-
质量控制体系：
-
建立四层质量检查机制：
-
标注员自检
-
质检员抽检
-
专家重点检查
-
最终全量自动化检查
-
-
开发专门的质量指标：
-
坑洼检出率
-
误报率
-
边界框准确度
-
-
每月组织标注标准培训和技能考核
-
-
持续维护计划：
-
每季度新增道路类型和场景
-
根据技术发展调整标注标准
-
建立数据版本控制系统
-
开发自动化数据更新管道
-
与高校合作开展数据质量研究
-
四、项目环境配置
创建虚拟环境
首先新建一个Anaconda环境，每个项目用不同的环境，这样项目中所用的依赖包互不干扰。
终端输入
conda create -n yolov8 python==3.9
激活虚拟环境
conda activate yolov8
安装cpu版本pytorch
pip install torch torchvision torchaudio
pycharm中配置anaconda
安装所需要库
pip install -r requirements.txt
五、模型训练
训练代码
from ultralytics import YOLO
model_path = 'yolov8s.pt'
data_path = 'datasets/data.yaml'
if __name__ == '__main__':
model = YOLO(model_path)
results = model.train(data=data_path,
epochs=500,
batch=64,
device='0',
workers=0,
project='runs/detect',
name='exp',
)根据实际情况更换模型 yolov8n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。 yolov8s.yaml (small)：小模型，适合实时任务。 yolov8m.yaml (medium)：中等大小模型，兼顾速度和精度。 yolov8b.yaml (base)：基本版模型，适合大部分应用场景。 yolov8l.yaml (large)：大型模型，适合对精度要求高的任务。
--batch 64：每批次64张图像。--epochs 500：训练500轮。--datasets/data.yaml：数据集配置文件。--weights yolov8s.pt：初始化模型权重，yolov8s.pt是预训练的轻量级YOLO模型。
训练结果
六、核心代码
from PyQt5 import QtCore, QtGui, QtWidgets
from PyQt5.QtCore import Qt, QTimer
from PyQt5.QtGui import QImage, QPixmap, QIcon
from PyQt5.QtWidgets import (QFileDialog, QMessageBox, QTableWidgetItem,
QStyledItemDelegate, QHeaderView)
import cv2
import numpy as np
from ultralytics import YOLO
import os
import datetime
import sys
class CenteredDelegate(QStyledItemDelegate):
def initStyleOption(self, option, index):
super().initStyleOption(option, index)
option.displayAlignment = Qt.AlignCenter
class Ui_MainWindow(object):
def setupUi(self, MainWindow):
MainWindow.setObjectName("MainWindow")
MainWindow.resize(1400, 900)
MainWindow.setWindowTitle("YOLOv8 目标检测系统")
# 设置窗口图标
if hasattr(sys, '_MEIPASS'):
icon_path = os.path.join(sys._MEIPASS, 'icon.ico')
else:
icon_path = 'icon.ico'
if os.path.exists(icon_path):
MainWindow.setWindowIcon(QIcon(icon_path))
self.centralwidget = QtWidgets.QWidget(MainWindow)
self.centralwidget.setObjectName("centralwidget")
# 主布局
self.main_layout = QtWidgets.QHBoxLayout(self.centralwidget)
self.main_layout.setContentsMargins(10, 10, 10, 10)
self.main_layout.setSpacing(15)
# 左侧布局 (图像显示)
self.left_layout = QtWidgets.QVBoxLayout()
self.left_layout.setSpacing(15)
# 原始图像组
self.original_group = QtWidgets.QGroupBox("原始图像")
self.original_group.setMinimumHeight(400)
self.original_img_label = QtWidgets.QLabel()
self.original_img_label.setAlignment(QtCore.Qt.AlignCenter)
self.original_img_label.setText("等待加载图像...")
self.original_img_label.setStyleSheet("background-color: #F0F0F0; border: 1px solid #CCCCCC;")
original_layout = QtWidgets.QVBoxLayout()
original_layout.addWidget(self.original_img_label)
self.original_group.setLayout(original_layout)
self.left_layout.addWidget(self.original_group)
# 检测结果图像组
self.result_group = QtWidgets.QGroupBox("检测结果")
self.result_group.setMinimumHeight(400)
self.result_img_label = QtWidgets.QLabel()
self.result_img_label.setAlignment(QtCore.Qt.AlignCenter)
self.result_img_label.setText("检测结果将显示在这里")
self.result_img_label.setStyleSheet("background-color: #F0F0F0; border: 1px solid #CCCCCC;")
result_layout = QtWidgets.QVBoxLayout()
result_layout.addWidget(self.result_img_label)
self.result_group.setLayout(result_layout)
self.left_layout.addWidget(self.result_group)
self.main_layout.addLayout(self.left_layout, stretch=3)
# 右侧布局 (控制面板)
self.right_layout = QtWidgets.QVBoxLayout()
self.right_layout.setSpacing(15)
# 模型选择组
self.model_group = QtWidgets.QGroupBox("模型设置")
self.model_group.setStyleSheet("QGroupBox { font-weight: bold; }")
self.model_layout = QtWidgets.QVBoxLayout()
# 模型选择
self.model_combo = QtWidgets.QComboBox()
self.model_combo.addItems(["best.pt"])
self.model_combo.setCurrentIndex(0)
# 加载模型按钮
self.load_model_btn = QtWidgets.QPushButton(" 加载模型")
self.load_model_btn.setIcon(QIcon.fromTheme("document-open"))
self.load_model_btn.setStyleSheet(
"QPushButton { padding: 8px; background-color: #4CAF50; color: white; border-radius: 4px; }"
"QPushButton:hover { background-color: #45a049; }"
)
self.model_layout.addWidget(self.model_combo)
self.model_layout.addWidget(self.load_model_btn)
self.model_group.setLayout(self.model_layout)
self.right_layout.addWidget(self.model_group)
# 参数设置组
self.param_group = QtWidgets.QGroupBox("检测参数")
self.param_group.setStyleSheet("QGroupBox { font-weight: bold; }")
self.param_layout = QtWidgets.QFormLayout()
self.param_layout.setLabelAlignment(Qt.AlignLeft)
self.param_layout.setFormAlignment(Qt.AlignLeft)
self.param_layout.setVerticalSpacing(15)
# 置信度滑块
self.conf_slider = QtWidgets.QSlider(Qt.Horizontal)
self.conf_slider.setRange(1, 99)
self.conf_slider.setValue(25)
self.conf_value = QtWidgets.QLabel("0.25")
self.conf_value.setAlignment(Qt.AlignCenter)
self.conf_value.setStyleSheet("font-weight: bold; color: #2196F3;")
# IoU滑块
self.iou_slider = QtWidgets.QSlider(Qt.Horizontal)
self.iou_slider.setRange(1, 99)
self.iou_slider.setValue(45)
self.iou_value = QtWidgets.QLabel("0.45")
self.iou_value.setAlignment(Qt.AlignCenter)
self.iou_value.setStyleSheet("font-weight: bold; color: #2196F3;")
self.param_layout.addRow("置信度阈值:", self.conf_slider)
self.param_layout.addRow("当前值:", self.conf_value)
self.param_layout.addRow(QtWidgets.QLabel("")) # 空行
self.param_layout.addRow("IoU阈值:", self.iou_slider)
self.param_layout.addRow("当前值:", self.iou_value)
self.param_group.setLayout(self.param_layout)
self.right_layout.addWidget(self.param_group)
# 功能按钮组
self.func_group = QtWidgets.QGroupBox("检测功能")
self.func_group.setStyleSheet("QGroupBox { font-weight: bold; }")
self.func_layout = QtWidgets.QVBoxLayout()
self.func_layout.setSpacing(10)
# 图片检测按钮
self.image_btn = QtWidgets.QPushButton(" 图片检测")
self.image_btn.setIcon(QIcon.fromTheme("image-x-generic"))
# 视频检测按钮
self.video_btn = QtWidgets.QPushButton(" 视频检测")
self.video_btn.setIcon(QIcon.fromTheme("video-x-generic"))
# 摄像头检测按钮
self.camera_btn = QtWidgets.QPushButton(" 摄像头检测")
self.camera_btn.setIcon(QIcon.fromTheme("camera-web"))
# 停止检测按钮
self.stop_btn = QtWidgets.QPushButton(" 停止检测")
self.stop_btn.setIcon(QIcon.fromTheme("process-stop"))
self.stop_btn.setEnabled(False)
# 保存结果按钮
self.save_btn = QtWidgets.QPushButton(" 保存结果")
self.save_btn.setIcon(QIcon.fromTheme("document-save"))
self.save_btn.setEnabled(False)
# 设置按钮样式
button_style = """
QPushButton {
padding: 10px;
background-color: #2196F3;
color: white;
border: none;
border-radius: 4px;
text-align: left;
}
QPushButton:hover {
background-color: #0b7dda;
}
QPushButton:disabled {
background-color: #cccccc;
}
"""
for btn in [self.image_btn, self.video_btn, self.camera_btn,
self.stop_btn, self.save_btn]:
btn.setStyleSheet(button_style)
self.func_layout.addWidget(btn)
self.func_group.setLayout(self.func_layout)
self.right_layout.addWidget(self.func_group)
# 检测结果表格组
self.table_group = QtWidgets.QGroupBox("检测结果详情")
self.table_group.setStyleSheet("QGroupBox { font-weight: bold; }")
self.table_layout = QtWidgets.QVBoxLayout()
self.result_table = QtWidgets.QTableWidget()
self.result_table.setColumnCount(4)
self.result_table.setHorizontalHeaderLabels(["类别", "置信度", "左上坐标", "右下坐标"])
self.result_table.horizontalHeader().setSectionResizeMode(QHeaderView.Stretch)
self.result_table.verticalHeader().setVisible(False)
self.result_table.setSelectionBehavior(QtWidgets.QAbstractItemView.SelectRows)
self.result_table.setEditTriggers(QtWidgets.QAbstractItemView.NoEditTriggers)
# 设置表格样式
self.result_table.setStyleSheet("""
QTableWidget {
border: 1px solid #e0e0e0;
alternate-background-color: #f5f5f5;
}
QHeaderView::section {
background-color: #2196F3;
color: white;
padding: 5px;
border: none;
}
QTableWidget::item {
padding: 5px;
}
""")
# 设置居中代理
delegate = CenteredDelegate(self.result_table)
self.result_table.setItemDelegate(delegate)
self.table_layout.addWidget(self.result_table)
self.table_group.setLayout(self.table_layout)
self.right_layout.addWidget(self.table_group, stretch=1)
self.main_layout.addLayout(self.right_layout, stretch=1)
MainWindow.setCentralWidget(self.centralwidget)
# 状态栏
self.statusbar = QtWidgets.QStatusBar(MainWindow)
self.statusbar.setStyleSheet("QStatusBar { border-top: 1px solid #c0c0c0; }")
MainWindow.setStatusBar(self.statusbar)
# 初始化变量
self.model = None
self.cap = None
self.timer = QTimer()
self.is_camera_running = False
self.current_image = None
self.current_result = None
self.video_writer = None
self.output_path = "output"
# 创建输出目录
if not os.path.exists(self.output_path):
os.makedirs(self.output_path)
# 连接信号槽
self.load_model_btn.clicked.connect(self.load_model)
self.image_btn.clicked.connect(self.detect_image)
self.video_btn.clicked.connect(self.detect_video)
self.camera_btn.clicked.connect(self.detect_camera)
self.stop_btn.clicked.connect(self.stop_detection)
self.save_btn.clicked.connect(self.save_result)
self.conf_slider.valueChanged.connect(self.update_conf_value)
self.iou_slider.valueChanged.connect(self.update_iou_value)
self.timer.timeout.connect(self.update_camera_frame)
# 设置全局样式
self.set_style()
def set_style(self):
style = """
QMainWindow {
background-color: #f5f5f5;
}
QGroupBox {
border: 1px solid #e0e0e0;
border-radius: 5px;
margin-top: 10px;
padding-top: 15px;
}
QGroupBox::title {
subcontrol-origin: margin;
left: 10px;
padding: 0 3px;
}
QLabel {
color: #333333;
}
QComboBox {
padding: 5px;
border: 1px solid #cccccc;
border-radius: 3px;
}
QSlider::groove:horizontal {
height: 6px;
background: #e0e0e0;
border-radius: 3px;
}
QSlider::handle:horizontal {
width: 16px;
height: 16px;
margin: -5px 0;
background: #2196F3;
border-radius: 8px;
}
QSlider::sub-page:horizontal {
background: #2196F3;
border-radius: 3px;
}
"""
self.centralwidget.setStyleSheet(style)
def load_model(self):
model_name = self.model_combo.currentText().split(" ")[0]
try:
self.model = YOLO(model_name)
self.statusbar.showMessage(f"模型 {model_name} 加载成功", 3000)
self.image_btn.setEnabled(True)
self.video_btn.setEnabled(True)
self.camera_btn.setEnabled(True)
except Exception as e:
QMessageBox.critical(None, "错误", f"模型加载失败: {str(e)}")
def update_conf_value(self):
conf = self.conf_slider.value() / 100
self.conf_value.setText(f"{conf:.2f}")
def update_iou_value(self):
iou = self.iou_slider.value() / 100
self.iou_value.setText(f"{iou:.2f}")
def detect_image(self):
if self.model is None:
QMessageBox.warning(None, "警告", "请先加载模型")
return
file_path, _ = QFileDialog.getOpenFileName(
None, "选择图片", "",
"图片文件 (*.jpg *.jpeg *.png *.bmp);;所有文件 (*)"
)
if file_path:
try:
# 读取图片
img = cv2.imread(file_path)
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 显示原始图片
self.display_image(img, self.original_img_label)
self.current_image = img.copy()
# 检测图片
conf = self.conf_slider.value() / 100
iou = self.iou_slider.value() / 100
self.statusbar.showMessage("正在检测图片...")
QtWidgets.QApplication.processEvents() # 更新UI
results = self.model.predict(img, conf=conf, iou=iou)
result_img = results[0].plot()
# 显示检测结果
self.display_image(result_img, self.result_img_label)
self.current_result = result_img.copy()
# 更新结果表格
self.update_result_table(results[0])
self.save_btn.setEnabled(True)
self.statusbar.showMessage(f"图片检测完成: {os.path.basename(file_path)}", 3000)
except Exception as e:
QMessageBox.critical(None, "错误", f"图片检测失败: {str(e)}")
self.statusbar.showMessage("图片检测失败", 3000)
def detect_video(self):
if self.model is None:
QMessageBox.warning(None, "警告", "请先加载模型")
return
file_path, _ = QFileDialog.getOpenFileName(
None, "选择视频", "",
"视频文件 (*.mp4 *.avi *.mov *.mkv);;所有文件 (*)"
)
if file_path:
try:
self.cap = cv2.VideoCapture(file_path)
if not self.cap.isOpened():
raise Exception("无法打开视频文件")
# 获取视频信息
fps = self.cap.get(cv2.CAP_PROP_FPS)
width = int(self.cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(self.cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
# 创建视频写入器
timestamp = datetime.datetime.now().strftime("%Y%m%d_%H%M%S")
output_file = os.path.join(self.output_path, f"output_{timestamp}.mp4")
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
self.video_writer = cv2.VideoWriter(output_file, fourcc, fps, (width, height))
# 启用停止按钮，禁用其他按钮
self.stop_btn.setEnabled(True)
self.save_btn.setEnabled(True)
self.image_btn.setEnabled(False)
self.video_btn.setEnabled(False)
self.camera_btn.setEnabled(False)
# 开始处理视频
self.timer.start(30) # 30ms间隔
self.statusbar.showMessage(f"正在处理视频: {os.path.basename(file_path)}...")
except Exception as e:
QMessageBox.critical(None, "错误", f"视频检测失败: {str(e)}")
self.statusbar.showMessage("视频检测失败", 3000)
七、项目源码
演示与介绍视频：
基于深度学习YOLOv8的道路坑洼识别检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili
基于深度学习YOLOv8的道路坑洼识别检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）
魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。
更多推荐
26
0- 0
已为社区贡献38条内容
所有评论(0)