简介基于YOLOv8的智慧城市地下管廊积水渗漏检测系统完整方案面向计算机相关专业学生与毕业设计、课程设计场景。项目融合深度学习、目标检测与可视化界面提供可直接运行的源码、完整数据集及部署说明覆盖模型训练、视频检测、可视化页面设计等核心环节适合作为毕设答辩或课程项目的高完成度素材。资源包共8个文件包含3个Python脚本、3个模型权重文件.pt和2个说明文档.txt压缩包大小约15.91MB。Python脚本对应可视化界面、视频检测与模型训练模块权重文件为训练好的模型文本说明提供使用指导与辅助信息结构清晰、即下即用。目前已有42人学习/下载。项目代码经测试运行成功可产出核心指标曲线图、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果与标签分布图帮助读者快速理解检测效果。配套部署教程降低上手门槛修改后可扩展其他功能是答辩评审认可度较高的实用资源。1. YOLOv8落地地下管廊积水渗漏检测源码、数据集与界面打包好的可复现工程地下管廊积水渗漏检测真正的难点其实不在算法而在“有没有一份能直接训练的数据集”和“模型训完能不能可视化地跑起来”。YOLOv8本身已经很成熟但要做到打开界面就能看到检测框、报警状态跟着画面实时变化需要把数据准备、模型训练、界面联动整个链路串起来。这套基于YOLOv8的智慧城市地下管廊积水渗漏检测系统正好把这条链路做成了现成工程源码直接部署完整数据集拿来就能训练可视化界面和部署教程也都配齐。它适合正在做毕业设计或课程设计的计算机视觉方向学生也适合想快速验证YOLOv8在工业场景落地的工程师。2. 数据集构建管廊积水与渗漏的标注格式、目录组织与划分方式2.1 类别定义为什么把“积水”和“渗漏”分开标地下管廊的实际画面大致分成两类目标地面上的积水区域以及墙面或管壁上的渗漏痕迹。两者形态差异很大。积水通常是大面积、边缘不规则的亮色区域渗漏则往往是沿管道走向的长条状水渍。把这两类分开标训练出来的模型才能分别给出两类检出结果界面里也才能分开报警而不是笼统地报一个“有水”。标注工具我一般用CVAT多人协作标注方便导出YOLO格式也就是点两下的事。单人标注用LabelImg也够。无论用哪个导出时注意COCO、VOC、YOLO三种格式别选错。这份资源里的数据集默认就是YOLO格式每个图片对应一个同名txt文件放在labels目录下。2.2 YOLO标注格式与类别ID对照YOLO格式的每一行是class_id x_center y_center width height前两个坐标和宽高全部归一化到0到1的小数。比如一张640x480的图里一个积水区域左上角在(160, 120)、右下角在(480, 360)中心点是(320, 240)宽320高240归一化后就是(0.5, 0.5, 0.5, 0.5)。一个典型的label文件长这样0 0.500000 0.500000 0.500000 0.500000 1 0.780000 0.340000 0.220000 0.120000第一列是类别ID0代表积水1代表渗漏具体ID顺序以资源里的data.yaml为准。后面四列是归一化的框坐标。这里特别提醒框坐标必须是中心点形式不是左上角加宽高这和OpenCV里(x, y, w, h)的画框习惯正好相反我第一次转格式时就在这翻过车导出后所有框位置全偏了。类别ID标签名典型特征0water地面反光、大面积亮色区域1leak沿墙面的长条水渍、滴挂痕迹2.3 目录组织与dataset.yaml配置训练前要把图片和标签严格分开train/val各自有一套images和labels目录ultralytics训练器只认这种结构datasets/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yamldata.yaml里的路径建议写成绝对路径或者相对ultralytics工作目录的路径否则换机器部署时经常报“找不到图片”path: ./datasets train: images/train val: images/val nc: 2 names: [water, leak]path是数据集根目录train和val是相对path的子目录nc是类别数names按类别ID顺序列出。这个文件会直接传给训练命令路径写错是新手最常见的问题之一报错时优先检查这一项。2.4 数据划分按场景分不能按随机分划分train/val有个容易被忽略的原则同一摄像头、同一时间段抽出来的帧内容高度相似。如果随机划分意味着验证集里混进了大量和训练集几乎一样的画面训练过程看着val loss很漂亮换上真实摄像头画面立刻打回原形。常见做法是先按视频文件分组再按组划分。我用一段小脚本做场景感知划分import os import random from collections import defaultdict img_root datasets/images label_root datasets/labels train_ratio 0.85 # 按文件名前缀归组cam01_20250216_001.jpg - cam01 videos defaultdict(list) for img_name in os.listdir(img_root): video_tag img_name.split(_)[0] videos[video_tag].append(img_name) train_files, val_files [], [] for tag, imgs in videos.items(): random.shuffle(imgs) split_idx int(len(imgs) * train_ratio) for i, img in enumerate(imgs): if i split_idx: train_files.append(img) else: val_files.append(img) # 后续把 train_files / val_files 里的文件名 # 分别移动或符号链接到对应 train / val 目录 print(ftrain: {len(train_files)} val: {len(val_files)})这段脚本先按文件名前缀把图片归到对应监控位再在每个监控位内部做随机划分最后移动文件的部分略过。关键在train_ratio取0.85还是0.8数据量只有几百张时训练集占比高一点没坏处数据够多再降回0.8也安全。划分完最好看一眼val里每个类别的框数量类别极端不均衡时在训练参数里调权重比硬分割更有效。3. 环境配置与训练参数在GTX 1660 Ti上把YOLOv8训练跑通3.1 环境搭建用conda隔离依赖是成本最低的方式YOLOv8基于ultralytics框架环境核心是Python、PyTorch、CUDA三件套。我的习惯是先用conda建独立环境避免和已有项目抢依赖。版本选择上Python 3.9或3.10都行PyTorch装2.1以上CUDA选11.8或12.x显卡驱动版本注意跟上。conda create -n yolo_env python3.10 -y conda activate yolo_env pip install ultralytics装完后用一段小代码验证GPU真的可用这一步别省很多人到训练时报CUDA错误才发现torch装成了CPU版import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))第二个print返回True说明PyTorch能调用显卡返回False就先重装GPU版torch常见做法是卸载后按官方CUDA版本对应关系安装。GTX 1660 Ti显存6G跑yolov8s训练是够的跑m能把batch降到很小但不建议在这块卡上硬跑yolov8m以上。3.2 训练命令与关键参数解释训练直接调yolo命令即可这是ultralytics封装好的入口。以这份资源里的数据为例我一般这样起训练yolo detect train \ datadata.yaml \ modelyolov8s.pt \ epochs150 \ imgsz640 \ batch8 \ lr00.01 \ optimizerSGD \ ampTrue模型权重选择上n、s、m三档在这张卡上的区别很明显模型显存占用推理速度适用场景yolov8n约3G最快快速验证流程yolov8s约4.5G快精度与速度均衡毕设首选yolov8m约6G较慢小目标多时尝试1660Ti吃力epochs150对几千张图的数据集基本够用看loss不再下降就提前停。lr00.01是SGD的常见起点换AdamW时lr0要降到0.001附近否则前几个epoch loss容易爆。ampTrue开混合精度6G显存强烈建议开着能在接近无损的前提下省显存。3.3 训练结果与损失曲线怎么看训练结束后runs/detect/train目录下会生成weights/、results.csv、results.png。results.png里就是训练过程的损失曲线图包含train/box_loss、train/cls_loss、train/dfl_loss和对应的val曲线。读这张图时重点看两个点第一val曲线有没有在某个epoch后掉头向上掉头说明过拟合回退到掉头前的权重就好第二box_loss能降到什么量级。地下管廊积水大多是中等偏大的目标box_loss降到0.03以下基本翻身。如果想自己重画一张更平滑的曲线图用results.csv就能做。csv里每一行是一个epoch的记录画loss曲线代码如下import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(runs/detect/train/results.csv) # 列名是 train/box_loss、val/box_loss 这种带斜杠的写法 plt.plot(df[epoch], df[train/box_loss], labeltrain box_loss) plt.plot(df[epoch], df[val/box_loss], labelval box_loss) plt.xlabel(epoch) plt.ylabel(box_loss) plt.legend() plt.savefig(loss_curve.png, dpi200)画出来的图里两条曲线如果始终粘在一起要警惕是不是验证集划分出了问题回头检查第2章提到的按场景划分脚本而不是怀疑模型。这个现象在管廊这类画面高度重复的数据里很常见属于典型的“曲线太完美反而有问题”。4. 检测逻辑与可视化界面联动推理结果如何变成报警状态4.1 推理与界面分离QThread方案拿到训练好的best.pt接下来的问题是视频流里每帧推理一次把结果实时画在界面上。最容易踩的坑是直接在UI线程里跑model.predict()画面上就是视频一卡一卡帧率掉到个位数。原因很简单YOLOv8推理是CPU加GPU密集型任务和UI刷屏抢同一个线程必然互相拖死。我一般会在可视化界面上采用推理线程加UI主线程分离的结构。关键线程类写法是这样from PyQt5.QtCore import QThread, pyqtSignal import cv2 from ultralytics import YOLO class DetectWorker(QThread): frame_signal pyqtSignal(object) status_signal pyqtSignal(bool) def __init__(self, video_path, model_path, conf0.35, iou0.45): super().__init__() self.cap cv2.VideoCapture(video_path) self.model YOLO(model_path) self.conf conf self.iou iou def run(self): while self.cap.isOpened(): ret, frame self.cap.read() if not ret: break # 单帧推理返回结果列表 results self.model.predict(frame, confself.conf, iouself.iou, verboseFalse) # results[0].plot() 返回画好检测框的numpy数组 annotated results[0].plot() self.frame_signal.emit(annotated) self.status_signal.emit(self._check_alarm(results[0])) self.msleep(30) def _check_alarm(self, result): # 把所有检测框面积累加除以画面总面积判断积水占比 if len(result.boxes) 0: return False total_area sum(box.xywh[0][2] * box.xywh[0][3] for box in result.boxes) ratio total_area / (result.orig_shape[0] * result.orig_shape[1]) return ratio 0.15run()里循环读帧、推理、发射信号UI主线程接收frame_signal就把带框画面刷新到QLabel上接收status_signal就切换报警灯颜色。conf是置信度阈值0.35这个值对管廊场景算保守调太高会漏掉模糊的渗漏痕迹iou是NMS的IoU阈值保持0.45即可。_check_alarm里把当前所有检测框面积相加除以画面总面积超过15%就触发报警这个比例阈值可以在资源源码里直接改。4.2 多帧确认机制不能让单帧误检触发报警单帧检测结果直接触发报警实际跑起来会被闪一下的反光骗得叮咚乱响。管廊墙面常有管道反光、水渍反光瞬间亮度和积水区域很像。常见的做法是加一个连续帧判定连续N帧都判定为有积水才真正触发报警否则认为是噪声。这个逻辑在界面主线程里维护一个计数器ALARM_FRAMES 5 if status_signal True: self.alarm_count 1 else: self.alarm_count 0 if self.alarm_count ALARM_FRAMES: self.alarm_state True else: self.alarm_state False连续5帧约等于0.15秒既不会因为一帧闪光乱报也不会因为反应太慢错过渗漏突发。N取5这个数是我在实际回放录像时试出来的。取3帧误报还是多取8帧紧急情况反应偏慢。4.3 界面模块与功能对照资源里的可视化界面拆开看是这几个模块界面模块功能关键参数视频显示区显示带检测框的实时画面帧率约25-30fps报警状态区报警灯加报警时间记录连续N帧判定控制区开始/停止检测、模型切换模型路径可配置日志区检测记录与置信度输出每次报警写一行csv这样一个界面搭下来毕设答辩时能演示的内容就很完整打开视频文件或摄像头看到检测框跟着积水区域走积水面积超阈值时报警灯变红日志区同步输出记录。整套东西在这份资源里是现成的不需要从零写界面。5. 部署与排查从权重文件到可运行系统的避坑记录5.1 最简单的部署方式直接加载权重推理下载这份资源后最快跑起来的方式就是在项目根目录下起一个推理脚本。部署教程里给的核心逻辑其实就是把训练得到的best.pt加载进来对视频或摄像头逐帧推理。这一步不需要额外训练环境只要Python和ultralytics包就行。from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) model.predict( sourcertsp://your_camera_stream, saveTrue, conf0.35, iou0.45, projectoutput )source可以换成视频文件路径也可以换成摄像头RTSP地址。saveTrue会把标注结果保存成视频文件方便回看。conf和iou沿用训练时的取值不要随意改改高了漏检改低了误报。5.2 边缘设备部署导出ONNX的常规路线如果后续想把模型放到边缘盒子或嵌入式设备上跑比如RK3588这类常见边缘算力平台最稳妥的方式是把best.pt导出为ONNX中间格式再经由目标平台的工具链转成专用推理格式。这一步在这份资源的部署教程里也有说明核心命令是yolo export modelruns/detect/train/weights/best.pt formatonnx opset12opset12是兼容性比较稳的选择太高的opset在某些芯片工具链上会报不支持的算子。导出后用onnxruntime做一个精度对比确认导出前后检出结果一致再谈上板。上板后batch size固定为1输入尺寸固定为640比动态尺寸稳妥。5.3 避坑记录训练到部署的五条血泪经验这一节把我在复现这类YOLOv8项目时真正撞过的坑列出来每一条都是在管廊积水检测这个场景下遇到的。坑一训练中途loss变成nan现象训练到20多个epoch时输出的loss突然变成nan后面所有epoch都是nan。原因学习率对当前数据集偏大或者数据集里混入了损坏图片一张全黑的jpg就能让梯度爆掉。解决先查数据集里有没有损坏图片把大小为0或解码失败的图片删掉再把lr0从0.01降到0.005重新训练。这两个动作里前者治本后者治标。坑二CUDA out of memory现象一启动训练就报CUDA out of memory1660Ti的6G显存直接被吃满。原因默认batch size对这张卡太大imgsz640下的默认配置训m模型必然爆显存。解决batch降到4或者换yolov8s或者开着amp混合精度。我这块卡试下来yolov8s加batch8加amp是显存占用和训练速度最舒服的组合。坑三验证集指标很好换摄像头就漏检现象训练val集mAP有0.85换一个角度和光照的摄像头画面积水区域大量漏检。原因训练和验证的数据来自同一批摄像头角度模型把角度特征当成积水特征了。解决重新划分数据集让某个摄像头的完整视频完全进入验证集不回收进训练集。这条对应第2章的按场景划分原则到现场部署时特别容易显现。坑四界面卡顿视频帧率掉到5fps现象打开可视化界面后画面严重拖影点击按钮没反应。原因推理和画框都在UI主线程里执行GPU推理阻塞了界面刷新。解决按第4章的QThread方案推理扔给工作线程界面只负责渲染信号里传过来的画面。资源源码里如果看到界面卡顿优先检查线程分离。坑五画面旋转或镜像导致检测框错位现象界面里检测框位置和实际积水位置明显对不上偏上或偏左。原因摄像头在管道内安装时画面旋转了90度或RTSP流默认做了镜像而训练图片是正向的。解决在读取帧之后、送入模型之前用cv2.rotate或cv2.flip统一调整到训练时的方向。这类问题在部署阶段出现时先看一帧原始画面别急着怀疑模型。6. 进阶验证阈值扫描与热力图检查把模型调到敢用6.1 置信度阈值扫描先扫表再定参数模型训练完、界面跑起来离“敢用”还差两步验证一是置信度阈值到底定多少二是模型到底在看画面的哪个区域。这两步做好了答辩或交付时才能说清楚参数为什么这么设。置信度阈值不能拍脑袋定我用验证集做一次完整扫描输出不同阈值下的Precision和Recallfrom ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) for conf in [0.2, 0.25, 0.3, 0.35, 0.4, 0.45, 0.5]: metrics model.val(datadata.yaml, confconf, verboseFalse) print(fconf{conf} precision{metrics.box.mp:.3f} recall{metrics.box.mr:.3f})跑一遍看趋势conf调高precision上去但recall下降。积水这类安全相关检测我更偏向保住recall漏一次渗漏比误报一次代价大。我最终定的0.35就是在这样一张表里权衡出来的然后写进界面代码作为默认值。6.2 热力图抽查模型注意力热力图方面使用Grad-CAM思路检查模型关注的区域。方法是对一张有明确积水区域的图向前传播取最后一层特征图再反向传播取梯度做加权得到模型最看重的图像区域。如果热力区域集中在积水边缘而不是管道反光上说明模型学到的是积水特征如果热力图散落在管道结构上就得回看训练数据里是不是反光样本太多、标注框又没有压准。从那以后我每次部署这类检测系统都会强制走一遍“验证集阈值扫描加热力图抽查”的流程阈值扫描表直接贴进项目说明里热力图打印两份一份正常样本一份反光样本。这么做不是走形式真的能在一小时之内暴露数据问题和模型问题。这套YOLOv8地下管廊积水渗漏检测系统资源里源码、数据集、可视化界面和部署教程都是齐全的下载后照着部署教程把环境搭好训练完先别急着上界面按上面两步把参数确认清楚再跑全流程会少走很多弯路。希望帮到你。本文还有配套的精品资源点击获取