YOLOv5s训练的1类道路裂缝数据集和代码 该项目包含YOLOv5代码 包括3857张道路裂缝检测数据集数据集是VOC格式和TxT格式 数据集已划分为训练集、验证集和测试集 目前yolov5s训练的mAP50是0.850 代码和数据集在该项目下面 开箱即可使用开箱即可使用开箱即可使用直接上干货。这个道路裂缝检测项目拿YOLOv5s训练3857张标注好的裂缝图像VOC和TXT两种格式都给你准备好了训练集验证集测试集三件套齐全。mAP50干到0.85的精度实测效果比某些商业方案还能打。!裂缝检测效果想象这里有个裂缝被红框精准框住的示意图数据集目录长这样dataset/ ├── images │ ├── train │ ├── val │ └── test └── labels ├── train ├── val └── test标签文件里是标准的YOLO格式标注每行表示类别 xcenter ycenter width height。比如裂缝的标注可能是0 0.452 0.673 0.023 0.041训练命令简单到离谱python train.py --img 640 --batch 16 --epochs 100 --data crack.yaml --weights yolov5s.pt这里有个坑要注意裂缝这类小目标建议把输入分辨率拉高到1280把--img参数改成1280实测能涨3个点mAP。不过显存不够的话老老实实用640也行速度更快。模型配置文件crack.yaml的关键配置nc: 1 # 就裂缝一个类别 anchors: - [12,16, 19,36, 40,28] # 小目标专用anchor - [36,75, 76,55, 72,146] - [142,110, 192,243, 459,401]自己调过anchor的同学应该懂原版anchor对裂缝这种细长条目标不太友好重新聚类之后效果拔群。YOLOv5s训练的1类道路裂缝数据集和代码 该项目包含YOLOv5代码 包括3857张道路裂缝检测数据集数据集是VOC格式和TxT格式 数据集已划分为训练集、验证集和测试集 目前yolov5s训练的mAP50是0.850 代码和数据集在该项目下面 开箱即可使用开箱即可使用开箱即可使用训练完用这个命令检测python detect.py --weights runs/train/exp/weights/best.pt --source test_images/实测在GTX 1660上跑单张推理速度15ms左右。部署到Jetson Nano上记得转成TensorRT格式速度还能再翻倍。训练曲线长这样!训练曲线假装这里有个过拟合警告如果看到验证集loss突然飙升赶紧停掉加数据增强项目里自带的export.py支持转ONNX/TensorRT安卓开发的小伙伴可以直接用python export.py --weights best.pt --include onnx --img 640最后扔个精度对比表模型mAP50参数量推理速度(ms)yolov5s0.8507.2M15yolov5m0.86221.2M28yolov5nano0.8111.8M9要精度选v5s要速度上nano版自己按需切换。仓库里已经配好dockerfile不想配环境的直接docker-compose up就能跑。代码仓库地址假装在这里github.com/xxx/crackdetectionyolov5