基于深度学习YOLOV11桥梁缺陷分割系统 桥梁损伤实例分割数据集![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/3817e34d2e46acba933862f4f27ca381.png)

），3261张，yolo，voc，coco三种标注方式
图像尺寸:512*512
类别数量:5类![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/f9a8da1d9529587f9ac00ebda6aa4bd8.png)

训练集图像数量:2936; 验证集图像数量:162； 测试集图像数量:163
类别名称: 每一类图像数 ，每一类标注数![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/d81785446cfb02fd02496e60bb7fba04.png)

Crack-Detection - 裂缝检测：1391, 2208
Exposed Rebar - 钢筋外露：483, 663
Spalling - 混凝土剥落：484, 675
Break - 断裂：472, 493
Efflorescence - 泛碱：422, 2143
image num: 3261
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/523cf193431e18f2afea563f440523b0.png)

模型代码：模型训练使用yolov11n-seg训练，60个epoch训练结果，map如描述图所示。![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/dc189acfd99efd5ec379454085e5a1f2.png)

qt界面：运行界面采用pyqt编写，本项目已经训练好模型，配置好环境后可直接使用，运行效果见描述图像![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/f49f8eaf0412d1c0031323ff5e053ed0.png)
# 桥梁损伤实例分割数据集

## 数据集信息表

| 项目 | 详情 |
| --- | --- |
| 数据集名称 | 桥梁损伤实例分割数据集 |
| 图像总数 | 3261张 |
| 图像尺寸 | 512×512 |
| 标注格式 | YOLO、VOC、COCO三种标注 |
| 类别总数 | 5类 |
| 训练集 | 2936张 |
| 验证集 | 162张 |
| 测试集 | 163张 |
| 类别明细 | Crack-Detection（裂缝检测）：图像1391张，标注2208个   Exposed Rebar（钢筋外露）：图像483张，标注663个   Spalling（混凝土剥落）：图像484张，标注675个   Break（断裂）：图像472张，标注493个   Efflorescence（泛碱）：图像422张，标注2143个 |
| 训练模型 | YOLOv11n-seg |
| 训练轮次 | 60 epoch |
| 配套资源 | 训练好权重、全套源码、PyQt可视化界面 |

## 1、数据集yaml配置 bridge_damage.yaml

```
path: ./bridge_damage
train: images/train
val: images/val
test: images/test

names:
  0: Crack-Detection
  1: Exposed Rebar
  2: Spalling
  3: Break
  4: Efflorescence
```

## 2、训练代码 train.py

```
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO("yolo11n-seg.pt")
    results = model.train(
        data="bridge_damage.yaml",
        epochs=60,
        imgsz=512,
        batch=12,
        device=0,
        pretrained=True,
        patience=8
    )
    print("训练完成，best权重路径：runs/segment/train/weights/best.pt")
```

## 3、单图推理 predict.py

```
from ultralytics import YOLO
import cv2
import numpy as np

model = YOLO("runs/segment/train/weights/best.pt")

def seg_img(img_path):
    img = cv2.imread(img_path)
    res = model(img, conf=0.25)
    for r in res:
        boxes = r.boxes
        masks = r.masks
        if masks is not None:
            masks = masks.data.cpu().numpy()
            for seg, box in zip(masks, boxes):
                seg = seg.astype(np.uint8)
                color_mask = np.zeros_like(img)
                color_mask[seg>0] = (0,255,0)
                img = cv2.addWeighted(img,1,color_mask,0.4,0)
                x1,y1,x2,y2 = map(int,box.xyxy[0])
                cls_name = model.names[int(box.cls[0])]
                conf = float(box.conf[0])
                cv2.rectangle(img,(x1,y1),(x2,y2),(255,0,0),2)
                cv2.putText(img,f"{cls_name} {conf:.2f}",(x1,y1-5),cv2.FONT_HERSHEY_SIMPLEX,0.5,(255,0,0),2)
    cv2.imwrite("result.jpg",img)
    return img

if __name__ == "__main__":
    seg_img("test.jpg")
```

## 4、PyQt5界面完整代码 main_ui.py

```
import sys
import cv2
import numpy as np
from PyQt5.QtWidgets import QApplication,QMainWindow,QPushButton,QFileDialog,QLabel,QTableWidget,QTableWidgetItem
from PyQt5.QtGui import QImage,QPixmap
from PyQt5.QtCore import Qt
from ultralytics import YOLO

class MainWin(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("YOLOv11-seg桥梁损伤分割系统")
        self.setGeometry(60,60,1600,900)
        self.model = YOLO("runs/segment/train/weights/best.pt")
        self.result_img = None
        self.initUI()

    def initUI(self):
        self.label_origin = QLabel("原始图像",self)
        self.label_origin.setGeometry(20,30,700,550)
        self.label_origin.setStyleSheet("border:1px solid #777")

        self.label_result = QLabel("分割结果",self)
        self.label_result.setGeometry(760,30,700,550)
        self.label_result.setStyleSheet("border:1px solid #777")

        self.btn_img = QPushButton("选择图片",self)
        self.btn_img.setGeometry(20,600,130,40)
        self.btn_img.clicked.connect(self.load_image)
        self.btn_video = QPushButton("选择视频",self)
        self.btn_video.setGeometry(170,600,130,40)
        self.btn_cam = QPushButton("摄像头",self)
        self.btn_cam.setGeometry(320,600,130,40)
        self.btn_save = QPushButton("保存结果",self)
        self.btn_save.setGeometry(470,600,130,40)

        self.table = QTableWidget(self)
        self.table.setGeometry(20,660,1440,200)
        self.table.setColumnCount(5)
        self.table.setHorizontalHeaderLabels(["序号","类别","置信度","xmin,ymin","bbox"])

    def load_image(self):
        file_path,_ = QFileDialog.getOpenFileName(self,"打开图片",".","Image(*.png *.jpg *.bmp)")
        if not file_path:
            return
        img_ori = cv2.imread(file_path)
        img_rgb = cv2.cvtColor(img_ori,cv2.COLOR_BGR2RGB)
        h,w,c = img_rgb.shape
        qimg_ori = QImage(img_rgb.data,w,h,w*c,QImage.Format_RGB888)
        self.label_origin.setPixmap(QPixmap.fromImage(qimg_ori).scaled(self.label_origin.size(),Qt.KeepAspectRatio))

        res = model(img_ori,conf=0.25)
        img_out = img_ori.copy()
        self.table.setRowCount(0)
        for r in res:
            boxes = r.boxes
            masks = r.masks
            if masks is not None:
                mask_data = masks.data.cpu().numpy()
                for seg,box in zip(mask_data,boxes):
                    seg = seg.astype(np.uint8)
                    mask_color = np.zeros_like(img_out)
                    mask_color[seg>0] = (0,255,0)
                    img_out = cv2.addWeighted(img_out,1,mask_color,0.4,0)
                    x1,y1,x2,y2 = map(int,box.xyxy[0])
                    cls_name = model.names[int(box.cls[0])]
                    conf = float(box.conf[0])
                    cv2.rectangle(img_out,(x1,y1),(x2,y2),(255,0,0),2)
                    cv2.putText(img_out,f"{cls_name} {conf:.2f}",(x1,y1-5),cv2.FONT_HERSHEY_SIMPLEX,0.5,(255,0,0),2)
                    row = self.table.rowCount()
                    self.table.insertRow(row)
                    self.table.setItem(row,0,QTableWidgetItem(str(row+1)))
                    self.table.setItem(row,1,QTableWidgetItem(cls_name))
                    self.table.setItem(row,2,QTableWidgetItem(f"{conf:.2f}"))
                    self.table.setItem(row,3,QTableWidgetItem(f"{x1},{y1}"))
                    self.table.setItem(row,4,QTableWidgetItem(f"[{x1},{y1},{x2},{y2}]"))
        img_out_rgb = cv2.cvtColor(img_out,cv2.COLOR_BGR2RGB)
        ho,wo,co = img_out_rgb.shape
        qimg_out = QImage(img_out_rgb.data,wo,ho,wo*co,QImage.Format_RGB888)
        self.label_result.setPixmap(QPixmap.fromImage(qimg_out).scaled(self.label_result.size(),Qt.KeepAspectRatio))
        self.result_img = img_out

if __name__ == "__main__":
    app = QApplication(sys.argv)
    win = MainWin()
    win.show()
    sys.exit(app.exec_())
```

## 环境安装命令

```
pip install ultralytics opencv-python pyqt5 numpy
```

## PR曲线绘图代码

```
from ultralytics import YOLO
model = YOLO("runs/segment/train/weights/best.pt")
metrics = model.val()
print(f"mAP@0.5:{metrics.seg.map50}")
```


），3261张，yolo，voc，coco三种标注方式图像尺寸:512*512类别数量:5类

基于深度学习YOLOV11桥梁缺陷分割系统 桥梁损伤实例分割数据集 裂缝检测：钢筋外露 混凝土剥落 断裂 泛碱

人工智能

开发工具

算法

基于YOLOv11n-seg的桥梁缺陷实例分割系统，含3261张512×512图像，覆盖裂缝、钢筋外露、混凝土剥落、断裂、泛碱五类损伤。提供YOLO/VOC/COCO三种标注格式，已训练60轮并配备PyQt5可视化界面，支持图像、视频及实时摄像头检测。

深度学习

代码解释

YOLO

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

基于深度学习YOLOV11桥梁缺陷分割系统 桥梁损伤实例分割数据集 裂缝检测：钢筋外露 混凝土剥落 断裂 泛碱-腾讯云开发者社区-腾讯云

基于深度学习YOLOV11桥梁缺陷分割系统桥梁损伤实例分割数据集裂缝检测：钢筋外露混凝土剥落断裂泛碱

基于深度学习YOLOV11桥梁缺陷分割系统桥梁损伤实例分割数据集裂缝检测：钢筋外露混凝土剥落断裂泛碱

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

基于深度学习YOLOV11桥梁缺陷分割系统 桥梁损伤实例分割数据集 裂缝检测：钢筋外露 混凝土剥落 断裂 泛碱

基于深度学习YOLOV11桥梁缺陷分割系统 桥梁损伤实例分割数据集 裂缝检测：钢筋外露 混凝土剥落 断裂 泛碱

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

基于深度学习YOLOV11桥梁缺陷分割系统桥梁损伤实例分割数据集裂缝检测：钢筋外露混凝土剥落断裂泛碱

基于深度学习YOLOV11桥梁缺陷分割系统桥梁损伤实例分割数据集裂缝检测：钢筋外露混凝土剥落断裂泛碱