裂缝检测模型训练结果报告

项目：Tunnel裂缝检测
时间：2026-05-14
训练设备：NVIDIA GeForce RTX 2080 Ti (22GB)
软件环境：Ultralytics 8.4.50, PyTorch 2.4.1, CUDA 12.1

---

📁 项目结构

tunnel/
├── train/images/          # 训练集: 3185张图片
├── train/labels/          # 训练标注
├── valid/images/          # 验证集: 442张图片
├── valid/labels/          # 验证标注
├── test/images/           # 测试集: 120张图片
├── data.yaml              # 数据集配置
├── train_tunnel.py        # 训练脚本
├── infer_tunnel.py        # 推理脚本
└── runs/                  # 训练结果目录
    └── detect/
        ├── tunnel_crack/          # 第一次训练 (YOLOv8n)
        │   ├── weights/
        │   │   ├── best.pt        # 最佳模型
        │   │   └── last.pt        # 最终模型
        │   ├── results.csv        # 训练日志
        │   ├── results.png        # 训练曲线
        │   └── confusion_matrix.png
        └── tunnel_crack-2/        # 第二次训练 (YOLO26s)
            └── ... (相同结构)

---

📊 数据集分析

基本信息

参数	数值
类别数	4
训练图片	3,185
验证图片	442
测试图片	120
图片尺寸	640×640
标注格式	YOLO

类别分布

训练集

类别	实例数	占比	说明
0	2,258	44.1%	主要类别（裂缝）
stone	1,115	21.8%	石块/异物
2	963	18.8%	次要裂缝类型
1	788	15.4%	少数类别

类别不平衡: 类别0是类别1的 2.9倍

验证集

类别	实例数	占比
0	474	70.1%
2	109	16.1%
stone	81	12.0%
1	12	1.8%

---

🏃 训练详情

训练1: YOLOv8n

python
model = YOLO("yolov8n.pt")
model.train(
    data="tunnel/data.yaml",
    epochs=100,
    imgsz=640,
    batch=32,
    device=0,
    optimizer="Adam",
    patience=20,
)

训练参数:

• 模型: YOLOv8n (YOLO第8代 nano版本)
• 参数量: ~3M
• 训练时间: 23.7分钟
• 学习率: 0.01 (Adam)
• 数据增强: Mosaic, RandAugment

保存路径:

• runs/detect/runs/tunnel_crack/weights/best.pt
• runs/detect/runs/tunnel_crack/weights/last.pt

---

训练2: YOLO26s

python
model = YOLO("yolo26s.pt")
model.train(
    data="tunnel/data.yaml",
    epochs=100,
    imgsz=640,
    batch=32,
    device=0,
    optimizer="Adam",
    patience=20,
)

训练参数:

• 模型: YOLO26s (YOLO第26代 small版本)
• 参数量: ~9.5M
• 训练时间: 52.8分钟
• 学习率: 0.01 (Adam)
• 数据增强: Mosaic, RandAugment

保存路径:

• runs/detect/runs/tunnel_crack-2/weights/best.pt
• runs/detect/runs/tunnel_crack-2/weights/last.pt

---

📈 性能对比

整体性能

指标	YOLOv8n	YOLO26s	差异
参数量	3.0M	9.5M	+217%
训练时间	23.7分钟	52.8分钟	+123%
mAP50	0.570	0.562	-1.4%
mAP50-95	0.378	0.347	-8.2%
Precision	0.843	0.612	-27.4%
Recall	0.487	0.489	+0.4%
推理速度	3.0ms/张	3.0ms/张	持平

结论

• YOLOv8n 胜出：速度更快，精度更高
• YOLO26s 欠拟合：参数量大3倍，但100轮训练不足

---

🔍 各类别详细对比

类别 0（主要类别）

指标	YOLOv8n	YOLO26s
Precision	0.932	0.862
Recall	0.673	0.705
mAP50	0.865	0.822
mAP50-95	0.556	0.485

分析: YOLOv8n在类别0上全面领先，特别是定位精度(mAP50-95)高14.6%

---

类别 1（小样本）

指标	YOLOv8n	YOLO26s
Precision	0.513	0.658
Recall	0.583	0.583
mAP50	0.499	0.586
mAP50-95	0.392	0.393

分析: YOLO26s在小样本类别上有优势，但提升有限

---

类别 2

指标	YOLOv8n	YOLO26s
Precision	0.926	0.889
Recall	0.693	0.665
mAP50	0.860	0.813
mAP50-95	0.549	0.498

分析: YOLOv8n全面领先

---

stone 类别

指标	YOLOv8n	YOLO26s
Precision	1.0	0.038
Recall	0	0.002
mAP50	0.055	0.034
mAP50-95	0.015	0.011

分析: 两个模型在stone类别上都失败，可能是数据分布问题

原因分析:

• 验证集只有81个stone实例（12%）
• 验证集分布与训练集不一致
• 建议检查stone样本质量或重新采样

---

🧪 实际推理对比

测试图片对比（5张）

图片	YOLOv8n检测结果	YOLO26s检测结果	胜者
95_png...	1个目标, conf=0.517	1个目标, conf=0.816	YOLO26s
Image_-696...	1个目标, conf=0.774	1个目标, conf=0.764	YOLOv8n
Image_-698...	1个目标, conf=0.443	1个目标, conf=0.669	YOLO26s
Image_-702...	1个目标, conf=0.506	1个目标, conf=0.298	YOLOv8n
Image_-731...	3个目标 (0.826, 0.640, 0.264)	0个目标	YOLOv8n 🏆

关键发现

第5张图最关键:

YOLOv8n: 检测到3个目标（类别2 + 2个类别1）
YOLO26s: 完全漏检（0个目标）

统计:

指标	YOLOv8n	YOLO26s
检测到目标的图片	5/5	4/5
检测到的总目标数	7	4
多目标检测能力	强	弱

---

📉 损失函数对比

最终损失值（Epoch 100）

损失类型	YOLOv8n	YOLO26s	分析
box_loss	0.902	1.135	v8n定位更准
cls_loss	0.712	0.891	v8n分类更准
dfl_loss	1.242	0.021	s模型dfl收敛好

关键发现:

• YOLO26s的box_loss和cls_loss都比YOLOv8n高
• 说明YOLO26s欠拟合，100轮训练不足
• YOLO26s需要更多训练轮数才能发挥优势

---

✅ 最终结论

推荐模型: YOLOv8n ✅

理由:

1. ✅ 速度更快: 训练时间只有一半 (23.7分钟 vs 52.8分钟)
2. ✅ 精度更高: mAP50-95领先8.2% (0.378 vs 0.347)
3. ✅ 检测更全面: 多目标场景表现好，不漏检
4. ✅ Precision更高: 0.843 vs 0.612（误检更少）

模型路径:

runs/detect/runs/tunnel_crack/weights/best.pt

---

YOLO26s 失败原因

1. 训练不足: 100轮对9.5M参数不够，建议200轮+
2. batch可能过大: 32对s模型可能不稳定，建议16
3. 欠拟合: 损失函数未充分收敛

改进方案:

python
model = YOLO("yolo26s.pt")
model.train(
    data="tunnel/data.yaml",
    epochs=200,        # 100 → 200
    batch=16,          # 32 → 16
    patience=50,       # 20 → 50
    # 其他参数不变
)

---

🚀 使用指南

加载最佳模型

python
from ultralytics import YOLO

# 推荐：YOLOv8n
model = YOLO("runs/detect/runs/tunnel_crack/weights/best.pt")

# 验证
metrics = model.val()
print(f"mAP50: {metrics.box.map50:.4f}")

# 推理单张图片
results = model("path/to/image.jpg")
results[0].show()

# 推理文件夹
results = model("tunnel/test/images", save=True)

导出部署

python
# 导出ONNX格式
model.export(format="onnx")

# 导出TensorRT格式（更快，需GPU）
model.export(format="engine")

# 导出CoreML格式（iOS/Mac）
model.export(format="coreml")

---

📊 性能指标速查

指标	含义	YOLOv8n值	评价
mAP50	IoU=0.5时的平均精度	0.570	良好
mAP50-95	IoU=0.5:0.95平均精度	0.378	中等
Precision	精确率	0.843	优秀
Recall	召回率	0.487	一般
推理速度	单张图片时间	3.0ms	极快 (~333 FPS)

---

🔧 后续优化建议

1. 数据增强

   python
   model.train(
       augment=True,
       mixup=0.1,
       copy_paste=0.1,
   )
   

2. 类别平衡

   • 对类别1和stone进行过采样
   • 或使用类别权重

3. stone类别排查

   • 检查标注质量
   • 重新划分train/val

4. 尝试更大模型

   • 如果YOLOv8n精度不够，可尝试YOLOv8s
   • 训练200轮+小batch

---

📁 附件说明

文件	说明
results.csv	每轮训练详细数据
results.png	训练曲线图（loss、mAP等）
confusion_matrix.png	混淆矩阵
labels.jpg	数据集标签分布可视化
train_batch*.jpg	训练批次可视化
val_batch*_pred.jpg	验证集预测结果

---

📞 备注

• 训练日志保存在 runs/detect/runs/tunnel_crack/
• 推理结果保存在 runs/detect/predict/
• 使用 tensorboard --logdir runs 可查看训练可视化

---

报告生成时间: 2026-05-14
作者: Claude Code
项目: Tunnel裂缝检测系统