### Python 道路坑洼检测 示例代码 以下是基于YOLOv8的道路坑洼检测示例代码，该代码可以加载预训练模型并对测试数据集中的图像进行预测。最终结果会保存到CSV文件中。 #### 加载并运行模型 ```python import pandas as pd from ultralytics import YOLO # 定义函数用于执行推理并将结果存储至 CSV 文件 def detect_potholes(model_path, data_yaml, output_csv): # 加载训练好的模型 model = YOLO(model_path) # 执行验证过程 results = model.val(data=data_yaml) # 使用 val 方法评估模型性能[^1] # 初始化列表以存储检测结果 detection_results = [] # 假设我们已经定义好了 test_images 和对应的标签路径 from pathlib import Path test_image_dir = "./test_images/" # 替换为实际的测试图片目录 image_paths = list(Path(test_image_dir).glob("*.jpg")) + list(Path(test_image_dir).glob("*.png")) for img_path in image_paths: result = model(img_path)[0] # 对单张图片进行推断 boxes = result.boxes.cpu().numpy() # 获取边界框信息 confidences = boxes.conf.tolist() classes = boxes.cls.astype(int).tolist() # 判断是否有坑洼检测到 is_pothole_detected = any(cls == 0 for cls in classes) # 假设类别0表示坑洼 detection_results.append({"image": str(img_path), "is_pothole": int(is_pothole_detected)}) # 将结果转换为 DataFrame 并保存到 CSV 文件 df = pd.DataFrame(detection_results) df.to_csv(output_csv, index=False) if __name__ == "__main__": # 设置参数 MODEL_PATH = "runs/train/yolov8_custom_defect_detection/weights/best.pt" DATA_YAML = "./road_defect_detection/data.yaml" OUTPUT_CSV = "detection_results.csv" # 调用函数 detect_potholes(MODEL_PATH, DATA_YAML, OUTPUT_CSV) ``` 此脚本实现了以下几个功能： 1. **加载模型**：使用 `ultralytics` 库加载训练完成后的最佳权重文件。 2. **批量处理测试图片**：遍历指定目录下的所有测试图片，并逐一进行推断。 3. **判断是否存在坑洼**：如果检测到属于“坑洼”类别的目标，则标记为存在坑洼；否则标记为正常道路。 4. **保存结果**：将每张图片及其对应的结果写入CSV文件中。 --- ### 关键点说明 - 数据标注应遵循标准格式，通常需要提供带有边界框坐标的标注文件（如COCO或VOC格式）。这些标注文件可以通过工具生成，例如LabelImg或Roboflow[^3]。 - 如果未安装必要的库，可使用以下命令安装依赖项： ```bash pip install ultralytics pandas ``` - 推理过程中使用的 `model.val()` 函数能够帮助快速评估模型的整体表现，而不仅仅是针对单一图片的操作[^2]。 --- ###