一、项目介绍

道路坑洼检测对交通安全和基础设施维护至关重要。本文提出了一种基于深度学习YOLOv11的道路坑洼检测系统，通过高效的目标检测算法实现坑洼的精准识别与定位。系统采用自定义YOLO数据集，包含1类目标（'pothole'），其中训练集1265张、验证集401张、测试集118张图像，确保模型训练的全面性和可靠性。结合用户友好的UI界面与登录注册功能，该系统为道路维护部门提供了便捷的检测工具。实验结果表明，YOLOv11在坑洼检测任务中表现出较高的准确率和实时性，为智慧交通管理提供了可行的技术解决方案。

引言
道路坑洼是引发交通事故和车辆损坏的主要因素之一，传统的人工检测方法效率低且成本高昂。近年来，基于深度学习的计算机视觉技术为自动化道路缺陷检测提供了新的思路。本文基于YOLOv11算法，构建了一套端到端的道路坑洼检测系统。该系统针对坑洼目标（'pothole'）进行优化，采用包含1784张图像（训练1265张、验证401张、测试118张）的数据集进行模型训练与评估。此外，系统集成UI界面和用户管理模块，支持多角色协作与数据可视化。研究旨在验证YOLOv11在复杂道路场景中的检测性能，并为道路养护部门提供智能化工具，提升检测效率与准确性。

目录

 一、项目介绍

二、项目功能展示

2.1 用户登录系统

2.2 检测功能

2.3 检测结果显示

2.4 参数配置

2.5 其他功能

3. 技术特点

4. 系统流程

三、数据集介绍

1. 数据集组成

数据集配置文件

四、项目环境配置

创建虚拟环境

安装所需要库

五、模型训练

训练代码

训练结果

六、核心代码

🔐登录注册验证

🎯 多重检测模式

🖼️ 沉浸式可视化

⚙️ 参数配置系统

✨ UI美学设计

🔄 智能工作流

七、项目源码（视频简介）

基于深度学习YOLOv11的道路坑洼识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）_哔哩哔哩_bilibili

基于深度学习YOLOv11的道路坑洼识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

二、项目功能展示

✅ 用户登录注册：支持密码检测和安全性验证。

✅ 三种检测模式：基于YOLOv11模型，支持图片、视频和实时摄像头三种检测，精准识别目标。

✅ 双画面对比：同屏显示原始画面与检测结果。

✅ 数据可视化：实时表格展示检测目标的类别、置信度及坐标。

✅智能参数调节：提供置信度滑块，动态优化检测精度，适应不同场景需求。

✅科幻风交互界面：深色主题搭配动态光效，减少视觉疲劳，提升操作体验。

✅多线程高性能架构：独立检测线程保障流畅运行，实时状态提示，响应迅速无卡顿。

2.1 用户登录系统

  • 提供用户登录和注册功能

  • 用户名和密码验证

  • 账户信息本地存储(accounts.json)

  • 密码长度至少6位的安全要求

2.2 检测功能

  • 图片检测：支持JPG/JPEG/PNG/BMP格式图片的火焰烟雾检测

  • 视频检测：支持MP4/AVI/MOV格式视频的逐帧检测

  • 摄像头检测：实时摄像头流检测(默认摄像头0)

  • 检测结果保存到"results"目录

2.3 检测结果显示

  • 显示原始图像和检测结果图像

  • 检测结果表格展示，包含：

    • 检测到的类别

    • 置信度分数

    • 物体位置坐标(x,y)、

2.4 参数配置

  • 模型选择

  • 置信度阈值调节(0-1.0)

  • IoU(交并比)阈值调节(0-1.0)

  • 实时同步滑块和数值输入框

2.5 其他功能

  • 检测结果保存功能

  • 视频检测时自动保存结果视频

  • 状态栏显示系统状态和最后更新时间

  • 无边框窗口设计，可拖动和调整大小

3. 技术特点

  • 采用多线程处理检测任务，避免界面卡顿

  • 精美的UI设计，具有科技感的视觉效果：

    • 发光边框和按钮

    • 悬停和按下状态效果

    • 自定义滑块、表格和下拉框样式

  • 检测结果保存机制

  • 响应式布局，适应不同窗口大小

4. 系统流程

  1. 用户登录/注册

  2. 选择检测模式(图片/视频/摄像头)

  3. 调整检测参数(可选)

  4. 开始检测并查看结果

  5. 可选择保存检测结果

  6. 停止检测或切换其他模式

三、数据集介绍

本研究所使用的道路坑洼检测数据集基于YOLO格式构建，专门用于训练和评估YOLOv11模型。数据集包含1个目标类别（pothole），涵盖不同光照条件、道路类型和坑洼形态，以提高模型的泛化能力。

1. 数据集组成

  • 训练集（Training Set）：1,265 张图像

  • 验证集（Validation Set）：401 张图像

  • 测试集（Test Set）：118 张图像

  • 总计：1,784 张标注图像

数据集配置文件

数据集采用标准化YOLO格式组织：

train: F:\道路坑洼检测数据集\道路坑洼检测数据集\images\train
val: F:\道路坑洼检测数据集\道路坑洼检测数据集\images\val
test: # test images (optional)

# Classes
nc: 1  # number of classes
names: ['pothole']  # class names

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 yolov11 python==3.9

激活虚拟环境

conda activate yolov11
 

安装cpu版本pytorch

pip install torch torchvision torchaudio

安装所需要库

pip install -r requirements.txt

pycharm中配置anaconda

五、模型训练

训练代码

from ultralytics import YOLO

model_path = 'yolo11s.pt'
data_path = 'data.yaml'

if __name__ == '__main__':
    model = YOLO(model_path)
    results = model.train(data=data_path,
                          epochs=100,
                          batch=8,
                          device='0',
                          workers=0,
                          project='runs',
                          name='exp',
                          )
根据实际情况更换模型
# yolov11n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。
# yolov11s.yaml (small)：小模型，适合实时任务。
# yolov11m.yaml (medium)：中等大小模型，兼顾速度和精度。
# yolov11b.yaml (base)：基本版模型，适合大部分应用场景。
# yolov11l.yaml (large)：大型模型，适合对精度要求高的任务。
  • --batch 8：每批次8张图像。
  • --epochs 100：训练100轮。
  • --datasets/data.yaml：数据集配置文件。
  • --weights yolov11s.pt：初始化模型权重，yolov11s.pt 是预训练的轻量级YOLO模型。

训练结果

六、核心代码

import sys

import cv2
import numpy as np
from PyQt5.QtWidgets import QApplication, QMessageBox, QFileDialog
from PyQt5.QtCore import QThread, pyqtSignal
from ultralytics import YOLO
from UiMain import UiMainWindow
import time
import os
from PyQt5.QtWidgets import QDialog
from LoginWindow import LoginWindow

class DetectionThread(QThread):
    frame_received = pyqtSignal(np.ndarray, np.ndarray, list)  # 原始帧, 检测帧, 检测结果
    finished_signal = pyqtSignal()  # 线程完成信号

    def __init__(self, model, source, conf, iou, parent=None):
        super().__init__(parent)
        self.model = model
        self.source = source
        self.conf = conf
        self.iou = iou
        self.running = True

    def run(self):
        try:
            if isinstance(self.source, int) or self.source.endswith(('.mp4', '.avi', '.mov')):  # 视频或摄像头
                cap = cv2.VideoCapture(self.source)
                while self.running and cap.isOpened():
                    ret, frame = cap.read()
                    if not ret:
                        break

                    # 保存原始帧
                    original_frame = frame.copy()

                    # 检测
                    results = self.model(frame, conf=self.conf, iou=self.iou)
                    annotated_frame = results[0].plot()

                    # 提取检测结果
                    detections = []
                    for result in results:
                        for box in result.boxes:
                            class_id = int(box.cls)
                            class_name = self.model.names[class_id]
                            confidence = float(box.conf)
                            x, y, w, h = box.xywh[0].tolist()
                            detections.append((class_name, confidence, x, y))

                    # 发送信号
                    self.frame_received.emit(
                        cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB),
                        cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),
                        detections
                    )

                    # 控制帧率
                    time.sleep(0.03)  # 约30fps

                cap.release()
            else:  # 图片
                frame = cv2.imread(self.source)
                if frame is not None:
                    original_frame = frame.copy()
                    results = self.model(frame, conf=self.conf, iou=self.iou)
                    annotated_frame = results[0].plot()

                    # 提取检测结果
                    detections = []
                    for result in results:
                        for box in result.boxes:
                            class_id = int(box.cls)
                            class_name = self.model.names[class_id]
                            confidence = float(box.conf)
                            x, y, w, h = box.xywh[0].tolist()
                            detections.append((class_name, confidence, x, y))

                    self.frame_received.emit(
                        cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB),
                        cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),
                        detections
                    )

        except Exception as e:
            print(f"Detection error: {e}")
        finally:
            self.finished_signal.emit()

    def stop(self):
        self.running = False


class MainWindow(UiMainWindow):
    def __init__(self):
        super().__init__()

        # 初始化模型
        self.model = None
        self.detection_thread = None
        self.current_image = None
        self.current_result = None
        self.video_writer = None
        self.is_camera_running = False
        self.is_video_running = False
        self.last_detection_result = None  # 新增：保存最后一次检测结果

        # 连接按钮信号
        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)

        # 初始化模型
        self.load_model()

    def load_model(self):
        try:
            model_name = self.model_combo.currentText()
            self.model = YOLO(f"{model_name}.pt")  # 自动下载或加载本地模型
            self.update_status(f"模型 {model_name} 加载成功")
        except Exception as e:
            QMessageBox.critical(self, "错误", f"模型加载失败: {str(e)}")
            self.update_status("模型加载失败")

    def detect_image(self):
        if self.detection_thread and self.detection_thread.isRunning():
            QMessageBox.warning(self, "警告", "请先停止当前检测任务")
            return

        file_path, _ = QFileDialog.getOpenFileName(
            self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)")

        if file_path:
            self.clear_results()
            self.current_image = cv2.imread(file_path)
            self.current_image = cv2.cvtColor(self.current_image, cv2.COLOR_BGR2RGB)
            self.display_image(self.original_image_label, self.current_image)

            # 创建检测线程
            conf = self.confidence_spinbox.value()
            iou = self.iou_spinbox.value()
            self.detection_thread = DetectionThread(self.model, file_path, conf, iou)
            self.detection_thread.frame_received.connect(self.on_frame_received)
            self.detection_thread.finished_signal.connect(self.on_detection_finished)
            self.detection_thread.start()

            self.update_status(f"正在检测图片: {os.path.basename(file_path)}")

    def detect_video(self):
        if self.detection_thread and self.detection_thread.isRunning():
            QMessageBox.warning(self, "警告", "请先停止当前检测任务")
            return

        file_path, _ = QFileDialog.getOpenFileName(
            self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)")

        if file_path:
            self.clear_results()
            self.is_video_running = True

            # 初始化视频写入器
            cap = cv2.VideoCapture(file_path)
            frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
            frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
            fps = cap.get(cv2.CAP_PROP_FPS)
            cap.release()

            # 创建保存路径
            save_dir = "results"
            os.makedirs(save_dir, exist_ok=True)
            timestamp = time.strftime("%Y%m%d_%H%M%S")
            save_path = os.path.join(save_dir, f"result_{timestamp}.mp4")

            fourcc = cv2.VideoWriter_fourcc(*'mp4v')
            self.video_writer = cv2.VideoWriter(save_path, fourcc, fps, (frame_width, frame_height))

            # 创建检测线程
            conf = self.confidence_spinbox.value()
            iou = self.iou_spinbox.value()
            self.detection_thread = DetectionThread(self.model, file_path, conf, iou)
            self.detection_thread.frame_received.connect(self.on_frame_received)
            self.detection_thread.finished_signal.connect(self.on_detection_finished)
            self.detection_thread.start()

            self.update_status(f"正在检测视频: {os.path.basename(file_path)}")

    def detect_camera(self):
        if self.detection_thread and self.detection_thread.isRunning():
            QMessageBox.warning(self, "警告", "请先停止当前检测任务")
            return

        self.clear_results()
        self.is_camera_running = True

        # 创建检测线程 (默认使用摄像头0)
        conf = self.confidence_spinbox.value()
        iou = self.iou_spinbox.value()
        self.detection_thread = DetectionThread(self.model, 0, conf, iou)
        self.detection_thread.frame_received.connect(self.on_frame_received)
        self.detection_thread.finished_signal.connect(self.on_detection_finished)
        self.detection_thread.start()

        self.update_status("正在从摄像头检测...")

🔐登录注册验证

对应文件：LoginWindow.py

# 账户验证核心逻辑
def handle_login(self):
    username = self.username_input.text().strip()
    password = self.password_input.text().strip()
    
    if not username or not password:
        QMessageBox.warning(self, "警告", "用户名和密码不能为空！")
        return
    
    if username in self.accounts and self.accounts[username] == password:
        self.accept()  # 验证通过
    else:
        QMessageBox.warning(self, "错误", "用户名或密码错误！")

# 密码强度检查（注册时）
def handle_register(self):
    if len(password) < 6:  # 密码长度≥6位
        QMessageBox.warning(self, "警告", "密码长度至少为6位！")

🎯 多重检测模式

对应文件：main.py

图片检测

def detect_image(self):
    file_path, _ = QFileDialog.getOpenFileName(
        self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)")
    if file_path:
        self.detection_thread = DetectionThread(self.model, file_path, conf, iou)
        self.detection_thread.start()  # 启动检测线程

视频检测

def detect_video(self):
    file_path, _ = QFileDialog.getOpenFileName(
        self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)")
    if file_path:
        self.video_writer = cv2.VideoWriter()  # 初始化视频写入器
        self.detection_thread = DetectionThread(self.model, file_path, conf, iou)

实时摄像头

def detect_camera(self):
    self.detection_thread = DetectionThread(self.model, 0, conf, iou)  # 摄像头设备号0
    self.detection_thread.start()

🖼️ 沉浸式可视化

对应文件：UiMain.py

双画面显示

def display_image(self, label, image):
    q_img = QImage(image.data, w, h, bytes_per_line, QImage.Format_RGB888)
    pixmap = QPixmap.fromImage(q_img)
    label.setPixmap(pixmap.scaled(label.size(), Qt.KeepAspectRatio))  # 自适应缩放

结果表格

def add_detection_result(self, class_name, confidence, x, y):
    self.results_table.insertRow(row)
    items = [
        QTableWidgetItem(class_name),  # 类别列
        QTableWidgetItem(f"{confidence:.2f}"),  # 置信度
        QTableWidgetItem(f"{x:.1f}"),  # X坐标
        QTableWidgetItem(f"{y:.1f}")   # Y坐标
    ]

⚙️ 参数配置系统

对应文件：UiMain.py

双阈值联动控制

# 置信度阈值同步
def update_confidence(self, value):
    confidence = value / 100.0
    self.confidence_spinbox.setValue(confidence)  # 滑块→数值框
    self.confidence_label.setText(f"置信度阈值: {confidence:.2f}")

# IoU阈值同步  
def update_iou(self, value):
    iou = value / 100.0
    self.iou_spinbox.setValue(iou)

✨ UI美学设计

对应文件：UiMain.py

科幻风格按钮

def create_button(self, text, color):
    return f"""
    QPushButton {{
        border: 1px solid {color};
        color: {color};
        border-radius: 6px;
    }}
    QPushButton:hover {{
        background-color: {self.lighten_color(color, 10)};
        box-shadow: 0 0 10px {color};  # 悬停发光效果
    }}
    """

动态状态栏

def update_status(self, message):
    self.status_bar.showMessage(
        f"状态: {message} | 最后更新: {time.strftime('%H:%M:%S')}"  # 实时时间戳
    )

🔄 智能工作流

对应文件：main.py

线程管理

class DetectionThread(QThread):
    frame_received = pyqtSignal(np.ndarray, np.ndarray, list)  # 信号量通信
    
    def run(self):
        while self.running:  # 多线程检测循环
            results = self.model(frame, conf=self.conf, iou=self.iou)
            self.frame_received.emit(original_frame, result_frame, detections)

七、项目源码（视频简介）

基于深度学习YOLOv11的道路坑洼识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）_哔哩哔哩_bilibili

基于深度学习YOLOv11的道路坑洼识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

# 深度学习 # ui # 目标检测 # python # 人工智能 # 计算机视觉
Logo
魔乐社区

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

cover

「极限压缩 量化未来」Modelers GeekDay上海站圆满落幕

avatar 魔乐社区
cover

量化挑战赛冠军专访：4小时啃下W4A8量化，我靠的是这些经验

avatar 魔乐社区
cover

魔乐社区月度精选（26年3月）

avatar 魔乐社区