简介这份资源面向计算机、人工智能、自动化等专业的在校学生与教师提供一套基于YOLOv8的工地基坑变形预警完整项目方案可用于毕业设计、课程设计或大作业。压缩包共8个文件约15.91MB包含3个Python脚本、3个模型权重文件与2个说明文本分别承担可视化界面、模型训练、视频检测推理以及部署说明等用途结构清晰便于快速上手。项目已通过运行测试配套完整数据集与可视化页面可生成核心指标曲线、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果及标签分布图方便答辩展示与结果分析。目前已有28人学习下载。对于需要快速搭建目标检测项目、理解YOLOv8训练与推理流程的读者这份资源能提供从数据到界面再到部署的一站式参考也可在此基础上修改扩展实现其他检测功能。1. 基坑变形预警为什么选 YOLOv8一份能直接跑通的毕设级资源工地上基坑边坡的位移监测传统做法靠全站仪打点或者埋测斜管数据准但采样频率低等发现异常往往已经晚了。视觉方案的好处是摄像头架上去就能持续盯成本低、覆盖广。这份资源把 YOLOv8 目标检测用在基坑变形预警上配套源码、可视化界面、完整数据集和部署教程解压后简单配置就能跑起来。它适合正在做毕设或课程设计的同学也适合想快速验证视觉预警思路的工程师。核心逻辑不复杂用标注好的基坑裂缝、位移标志物、支护结构异常等目标训练检测模型推理端接一个可视化界面实时显示告警。下面从环境搭建、数据组织、训练调参、界面联调到避坑一步步拆开讲。2. 环境搭建与依赖安装从零把 YOLOv8 跑起来2.1 选 Python 版本和 PyTorch 安装方式YOLOv8 官方推荐 Python 3.8 以上实际用 3.9 或 3.10 最稳。PyTorch 版本要和 CUDA 对齐如果手头只有 CPU 机器也能跑只是训练慢。常见做法是先用 conda 建独立环境避免和系统 Python 打架。conda create -n yolo_kb python3.10 -y conda activate yolo_kb # CPU 版本安装适合没有独显的机器 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu # 如果有 NVIDIA 显卡换成对应 CUDA 版本的命令 # pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install ultralytics opencv-python PyQt5 numpy pandas matplotlib这里ultralytics是 YOLOv8 的官方库装完就能用yolo命令行。PyQt5是给可视化界面用的如果资源里的界面是 Gradio 或 Streamlit对应换成gradio或streamlit。opencv-python负责视频流读取和画框。参数上唯一要注意的是 PyTorch 和 CUDA 的对应关系装错了会在torch.cuda.is_available()返回 False训练时自动落到 CPU速度差十倍以上。2.2 验证环境和模型加载装完先跑一条命令确认环境没问题from ultralytics import YOLO import torch print(CUDA available:, torch.cuda.is_available()) model YOLO(yolov8n.pt) # 会自动下载预训练权重 results model(https://ultralytics.com/images/bus.jpg) print(results[0].boxes)这段代码做了三件事检查 GPU 是否可用、加载 nano 版预训练权重、对一张示例图做推理。如果boxes有输出说明环境通了。yolov8n.pt是模型规格n 最小最快s/m/l/x 依次增大。基坑场景目标种类不多通常 n 或 s 就够除非要检测细小裂缝才上 m。预训练权重首次运行会自动下载到当前目录离线环境需要提前把.pt文件放好。2.3 资源目录结构梳理解压后一般能看到这样的结构不同打包方式可能略有差异目录/文件作用datasets/基坑图像和标注文件weights/预训练权重和训练产出train.py训练入口脚本detect.py推理脚本ui/可视化界面代码requirements.txt依赖清单README.md部署说明先读README.md确认作者用的 Python 和库版本再对照自己的环境。如果requirements.txt里版本锁得很死建议按它来避免 API 变动导致脚本报错。3. 数据集组织与标注格式转换让 YOLOv8 认得你的基坑图3.1 YOLO 格式的目录约定YOLOv8 要求数据按固定结构放datasets/ images/ train/ val/ labels/ train/ val/图像和标签文件名一一对应标签是.txt每行格式为class_id x_center y_center width height坐标全部归一化到 0~1。基坑场景常见类别有crack裂缝、settlement沉降标志、deformation支护变形、water渗水等具体看资源里data.yaml怎么定义。3.2 从 Labelme 标注转到 YOLO 格式如果拿到的是 Labelme 的 JSON 标注需要转一道import json import os from PIL import Image def labelme_to_yolo(json_path, output_dir, class_map): with open(json_path, r, encodingutf-8) as f: data json.load(f) img_w data[imageWidth] img_h data[imageHeight] lines [] for shape in data[shapes]: label shape[label] if label not in class_map: continue cls_id class_map[label] points shape[points] xs [p[0] for p in points] ys [p[1] for p in points] x_center (min(xs) max(xs)) / 2 / img_w y_center (min(ys) max(ys)) / 2 / img_h w (max(xs) - min(xs)) / img_w h (max(ys) - min(ys)) / img_h lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}) name os.path.splitext(os.path.basename(json_path))[0] .txt with open(os.path.join(output_dir, name), w) as f: f.write(\n.join(lines)) class_map {crack: 0, settlement: 1, deformation: 2, water: 3} labelme_to_yolo(sample.json, labels/train, class_map)class_map必须和data.yaml里的names顺序一致否则训练出来的类别会错位。归一化用图像实际宽高不是标注框的宽高。Labelme 的矩形标注取两个对角点多边形标注取所有点的外接矩形上面代码统一按外接矩形处理对基坑这种偏矩形的目标够用。3.3 data.yaml 配置path: ./datasets train: images/train val: images/val nc: 4 names: [crack, settlement, deformation, water]nc是类别数names顺序和转换时的class_map对应。path用相对路径时训练脚本的工作目录要对否则会报找不到数据。常见做法是写绝对路径省得来回切目录。4. 训练调参与模型导出基坑场景怎么设才不翻车4.1 训练命令和关键参数yolo detect train \ datadatasets/data.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ lr00.01 \ patience20 \ projectruns/kb \ nameexp1epochs是训练轮数基坑数据集通常几百到几千张100 轮起步。imgsz是输入尺寸640 是默认值裂缝这种细长目标可以提到 960 或 1280但显存占用翻倍。batch根据显存调8G 显存跑 640 尺寸大概能到 16。lr0初始学习率0.01 是 YOLOv8 默认数据集小可以降到 0.001。patience是早停耐心值20 轮验证指标不升就停省时间。4.2 训练过程看什么指标训练日志里重点盯三个box_loss定位损失、cls_loss分类损失、mAP50平均精度。box_loss和cls_loss应该整体下降震荡正常但别一直往上走。mAP50是 IoU 阈值 0.5 下的平均精度基坑场景能到 0.7 以上算可用。如果mAP50卡在 0.3 以下先查标注质量再看类别是否混淆。from ultralytics import YOLO model YOLO(runs/kb/exp1/weights/best.pt) metrics model.val(datadatasets/data.yaml) print(metrics.box.map) # mAP50-95 print(metrics.box.map50) # mAP50 print(metrics.box.map75) # mAP75best.pt是验证集上表现最好的权重last.pt是最后一轮的。部署用best.pt继续训练用last.pt接着跑。4.3 导出 ONNX 和推理加速yolo export modelruns/kb/exp1/weights/best.pt formatonnx imgsz640导出 ONNX 后可以用 ONNX Runtime 推理不依赖 PyTorch部署到边缘设备更方便。imgsz要和训练时一致否则精度会掉。如果资源里提到 RK3588 或类似嵌入式平台通常就是走 ONNX 转 RKNN 的路线转换脚本在部署教程里会有。5. 可视化界面联调与预警逻辑从检测框到告警输出5.1 界面调用推理接口可视化界面一般用 PyQt5 或 Gradio 写核心是调detect.py里的推理函数。以 PyQt5 为例import sys import cv2 from PyQt5.QtWidgets import QApplication, QLabel, QPushButton, QVBoxLayout, QWidget from PyQt5.QtGui import QImage, QPixmap from ultralytics import YOLO class KBWindow(QWidget): def __init__(self): super().__init__() self.model YOLO(runs/kb/exp1/weights/best.pt) self.label QLabel(等待检测) self.btn QPushButton(开始检测) self.btn.clicked.connect(self.run_detect) layout QVBoxLayout() layout.addWidget(self.label) layout.addWidget(self.btn) self.setLayout(layout) def run_detect(self): cap cv2.VideoCapture(0) # 换成基坑摄像头 RTSP 地址 ret, frame cap.read() cap.release() if not ret: return results self.model(frame, conf0.5) annotated results[0].plot() h, w, _ annotated.shape img QImage(annotated.data, w, h, 3 * w, QImage.Format_RGB888).rgbSwapped() self.label.setPixmap(QPixmap.fromImage(img)) app QApplication(sys.argv) win KBWindow() win.show() sys.exit(app.exec_())conf0.5是置信度阈值低于这个值的框不显示。基坑预警建议调低到 0.3~0.4宁可误报别漏报。results[0].plot()直接返回画好框的图省得自己写绘制逻辑。摄像头地址换成 RTSP 流就能接现场球机。5.2 预警逻辑怎么写检测到目标只是第一步预警要加规则。常见做法是统计连续帧里某类目标的数量或面积占比超过阈值再触发告警def check_alarm(results, frame_area, threshold0.05): alarm False for box in results[0].boxes: cls_id int(box.cls[0]) if cls_id in [0, 2]: # crack 或 deformation x1, y1, x2, y2 box.xyxy[0].tolist() area_ratio (x2 - x1) * (y2 - y1) / frame_area if area_ratio threshold: alarm True return alarmthreshold是面积占比阈值0.05 表示目标框占画面 5% 以上才告警。这个值要根据摄像头焦距和距离标定没有通用值。连续帧计数可以用队列存最近 N 帧的结果避免单帧误检触发告警。5.3 部署到现场要注意什么现场部署第一件事是固定摄像头角度每次挪动都要重新标定。光照变化大的工地建议加补光灯或者训练时把不同时段的数据都标进去。网络不稳的地方推理端放本地只把告警结果传回服务器别传视频流。6. 避坑与常见问题排查6.1 训练 loss 不降反升现象box_loss从第一轮就开始涨mAP50一直是 0。原因通常是标注格式错了比如坐标没归一化、类别 ID 从 1 开始、或者图像和标签文件名对不上。解决用yolo detect train前先跑一遍数据检查确认每个.txt里的坐标都在 0~1 之间类别 ID 从 0 开始图像和标签数量一致。6.2 推理时类别全错现象框的位置对但类别标签全是同一个。原因一般是data.yaml里names顺序和训练时不一致或者导出 ONNX 后类别映射丢了。解决训练和推理用同一份data.yaml导出 ONNX 时确认names写进了模型元数据。6.3 可视化界面卡死现象点开始检测后界面无响应。原因是在主线程里跑了推理阻塞了 UI 事件循环。解决把推理放到QThread里通过信号槽把结果传回主线程更新界面。Gradio 和 Streamlit 同理用异步或后台任务。6.4 摄像头读不到流现象cv2.VideoCapture返回 False。原因可能是 RTSP 地址格式不对、网络不通、或者 OpenCV 编译时没带 FFmpeg。解决先用ffplay或 VLC 验证流地址能播再检查 OpenCV 版本pip install opencv-python默认带 FFmpeg如果用的是opencv-python-headless可能缺。6.5 显存不够报 OOM现象训练到一半报 CUDA out of memory。原因是batch或imgsz太大。解决先把batch降到 8 或 4还不行就降imgsz到 416。也可以用yolov8n代替yolov8m参数量少一半。7. 把预警阈值调准的一个笨办法预警阈值这东西没有理论最优解我试过最有效的办法是拿一段已知结果的视频回放手动标出真正该告警的时间点然后跑不同阈值看误报和漏报的平衡点。具体操作准备一段 5~10 分钟的现场视频人工记录哪些时刻确实出现了裂缝扩展或支护变形然后用脚本批量跑不同conf和面积阈值组合统计每个组合的准确率和召回率。import cv2 from ultralytics import YOLO model YOLO(runs/kb/exp1/weights/best.pt) cap cv2.VideoCapture(site_test.mp4) frame_area None results_log [] while True: ret, frame cap.read() if not ret: break if frame_area is None: frame_area frame.shape[0] * frame.shape[1] results model(frame, conf0.3, verboseFalse) for box in results[0].boxes: cls_id int(box.cls[0]) x1, y1, x2, y2 box.xyxy[0].tolist() ratio (x2 - x1) * (y2 - y1) / frame_area results_log.append((cap.get(cv2.CAP_PROP_POS_FRAMES), cls_id, ratio)) cap.release() # 按帧号排序后和人工标注对比找最佳阈值这段代码把每帧的检测结果和面积占比都记下来导出成 CSV 后和人工标注对齐。conf0.3是故意调低的先把所有可能的框都留下后面再按面积阈值筛。跑完几组不同参数选误报可接受且漏报最少的那组。阈值组合误报次数漏报次数建议场景conf0.5, ratio0.0537告警频率敏感conf0.3, ratio0.03121安全优先conf0.4, ratio0.0463平衡从那以后我每次调预警阈值都强制走一遍视频回放不再拍脑袋定参数。这套流程多花半小时但能省掉现场反复调参的麻烦。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/9/27 23:11:43 · 阅读 1.2k YOLOv8基坑变形预警实战：从环境搭建到可视化界面全流程
简介这份资源面向计算机、人工智能、自动化等专业的在校学生与教师提供一套基于YOLOv8的工地基坑变形预警完整项目方案可用于毕业设计、课程设计或大作业。压缩包共8个文件约15.91MB包含3个Python脚本、3个模型权重文件与2个说明文本分别承担可视化界面、模型训练、视频检测推理以及部署说明等用途结构清晰便于快速上手。项目已通过运行测试配套完整数据集与可视化页面可生成核心指标曲线、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果及标签分布图方便答辩展示与结果分析。目前已有28人学习下载。对于需要快速搭建目标检测项目、理解YOLOv8训练与推理流程的读者这份资源能提供从数据到界面再到部署的一站式参考也可在此基础上修改扩展实现其他检测功能。1. 基坑变形预警为什么选 YOLOv8一份能直接跑通的毕设级资源工地上基坑边坡的位移监测传统做法靠全站仪打点或者埋测斜管数据准但采样频率低等发现异常往往已经晚了。视觉方案的好处是摄像头架上去就能持续盯成本低、覆盖广。这份资源把 YOLOv8 目标检测用在基坑变形预警上配套源码、可视化界面、完整数据集和部署教程解压后简单配置就能跑起来。它适合正在做毕设或课程设计的同学也适合想快速验证视觉预警思路的工程师。核心逻辑不复杂用标注好的基坑裂缝、位移标志物、支护结构异常等目标训练检测模型推理端接一个可视化界面实时显示告警。下面从环境搭建、数据组织、训练调参、界面联调到避坑一步步拆开讲。2. 环境搭建与依赖安装从零把 YOLOv8 跑起来2.1 选 Python 版本和 PyTorch 安装方式YOLOv8 官方推荐 Python 3.8 以上实际用 3.9 或 3.10 最稳。PyTorch 版本要和 CUDA 对齐如果手头只有 CPU 机器也能跑只是训练慢。常见做法是先用 conda 建独立环境避免和系统 Python 打架。conda create -n yolo_kb python3.10 -y conda activate yolo_kb # CPU 版本安装适合没有独显的机器 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu # 如果有 NVIDIA 显卡换成对应 CUDA 版本的命令 # pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install ultralytics opencv-python PyQt5 numpy pandas matplotlib这里ultralytics是 YOLOv8 的官方库装完就能用yolo命令行。PyQt5是给可视化界面用的如果资源里的界面是 Gradio 或 Streamlit对应换成gradio或streamlit。opencv-python负责视频流读取和画框。参数上唯一要注意的是 PyTorch 和 CUDA 的对应关系装错了会在torch.cuda.is_available()返回 False训练时自动落到 CPU速度差十倍以上。2.2 验证环境和模型加载装完先跑一条命令确认环境没问题from ultralytics import YOLO import torch print(CUDA available:, torch.cuda.is_available()) model YOLO(yolov8n.pt) # 会自动下载预训练权重 results model(https://ultralytics.com/images/bus.jpg) print(results[0].boxes)这段代码做了三件事检查 GPU 是否可用、加载 nano 版预训练权重、对一张示例图做推理。如果boxes有输出说明环境通了。yolov8n.pt是模型规格n 最小最快s/m/l/x 依次增大。基坑场景目标种类不多通常 n 或 s 就够除非要检测细小裂缝才上 m。预训练权重首次运行会自动下载到当前目录离线环境需要提前把.pt文件放好。2.3 资源目录结构梳理解压后一般能看到这样的结构不同打包方式可能略有差异目录/文件作用datasets/基坑图像和标注文件weights/预训练权重和训练产出train.py训练入口脚本detect.py推理脚本ui/可视化界面代码requirements.txt依赖清单README.md部署说明先读README.md确认作者用的 Python 和库版本再对照自己的环境。如果requirements.txt里版本锁得很死建议按它来避免 API 变动导致脚本报错。3. 数据集组织与标注格式转换让 YOLOv8 认得你的基坑图3.1 YOLO 格式的目录约定YOLOv8 要求数据按固定结构放datasets/ images/ train/ val/ labels/ train/ val/图像和标签文件名一一对应标签是.txt每行格式为class_id x_center y_center width height坐标全部归一化到 0~1。基坑场景常见类别有crack裂缝、settlement沉降标志、deformation支护变形、water渗水等具体看资源里data.yaml怎么定义。3.2 从 Labelme 标注转到 YOLO 格式如果拿到的是 Labelme 的 JSON 标注需要转一道import json import os from PIL import Image def labelme_to_yolo(json_path, output_dir, class_map): with open(json_path, r, encodingutf-8) as f: data json.load(f) img_w data[imageWidth] img_h data[imageHeight] lines [] for shape in data[shapes]: label shape[label] if label not in class_map: continue cls_id class_map[label] points shape[points] xs [p[0] for p in points] ys [p[1] for p in points] x_center (min(xs) max(xs)) / 2 / img_w y_center (min(ys) max(ys)) / 2 / img_h w (max(xs) - min(xs)) / img_w h (max(ys) - min(ys)) / img_h lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}) name os.path.splitext(os.path.basename(json_path))[0] .txt with open(os.path.join(output_dir, name), w) as f: f.write(\n.join(lines)) class_map {crack: 0, settlement: 1, deformation: 2, water: 3} labelme_to_yolo(sample.json, labels/train, class_map)class_map必须和data.yaml里的names顺序一致否则训练出来的类别会错位。归一化用图像实际宽高不是标注框的宽高。Labelme 的矩形标注取两个对角点多边形标注取所有点的外接矩形上面代码统一按外接矩形处理对基坑这种偏矩形的目标够用。3.3 data.yaml 配置path: ./datasets train: images/train val: images/val nc: 4 names: [crack, settlement, deformation, water]nc是类别数names顺序和转换时的class_map对应。path用相对路径时训练脚本的工作目录要对否则会报找不到数据。常见做法是写绝对路径省得来回切目录。4. 训练调参与模型导出基坑场景怎么设才不翻车4.1 训练命令和关键参数yolo detect train \ datadatasets/data.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ lr00.01 \ patience20 \ projectruns/kb \ nameexp1epochs是训练轮数基坑数据集通常几百到几千张100 轮起步。imgsz是输入尺寸640 是默认值裂缝这种细长目标可以提到 960 或 1280但显存占用翻倍。batch根据显存调8G 显存跑 640 尺寸大概能到 16。lr0初始学习率0.01 是 YOLOv8 默认数据集小可以降到 0.001。patience是早停耐心值20 轮验证指标不升就停省时间。4.2 训练过程看什么指标训练日志里重点盯三个box_loss定位损失、cls_loss分类损失、mAP50平均精度。box_loss和cls_loss应该整体下降震荡正常但别一直往上走。mAP50是 IoU 阈值 0.5 下的平均精度基坑场景能到 0.7 以上算可用。如果mAP50卡在 0.3 以下先查标注质量再看类别是否混淆。from ultralytics import YOLO model YOLO(runs/kb/exp1/weights/best.pt) metrics model.val(datadatasets/data.yaml) print(metrics.box.map) # mAP50-95 print(metrics.box.map50) # mAP50 print(metrics.box.map75) # mAP75best.pt是验证集上表现最好的权重last.pt是最后一轮的。部署用best.pt继续训练用last.pt接着跑。4.3 导出 ONNX 和推理加速yolo export modelruns/kb/exp1/weights/best.pt formatonnx imgsz640导出 ONNX 后可以用 ONNX Runtime 推理不依赖 PyTorch部署到边缘设备更方便。imgsz要和训练时一致否则精度会掉。如果资源里提到 RK3588 或类似嵌入式平台通常就是走 ONNX 转 RKNN 的路线转换脚本在部署教程里会有。5. 可视化界面联调与预警逻辑从检测框到告警输出5.1 界面调用推理接口可视化界面一般用 PyQt5 或 Gradio 写核心是调detect.py里的推理函数。以 PyQt5 为例import sys import cv2 from PyQt5.QtWidgets import QApplication, QLabel, QPushButton, QVBoxLayout, QWidget from PyQt5.QtGui import QImage, QPixmap from ultralytics import YOLO class KBWindow(QWidget): def __init__(self): super().__init__() self.model YOLO(runs/kb/exp1/weights/best.pt) self.label QLabel(等待检测) self.btn QPushButton(开始检测) self.btn.clicked.connect(self.run_detect) layout QVBoxLayout() layout.addWidget(self.label) layout.addWidget(self.btn) self.setLayout(layout) def run_detect(self): cap cv2.VideoCapture(0) # 换成基坑摄像头 RTSP 地址 ret, frame cap.read() cap.release() if not ret: return results self.model(frame, conf0.5) annotated results[0].plot() h, w, _ annotated.shape img QImage(annotated.data, w, h, 3 * w, QImage.Format_RGB888).rgbSwapped() self.label.setPixmap(QPixmap.fromImage(img)) app QApplication(sys.argv) win KBWindow() win.show() sys.exit(app.exec_())conf0.5是置信度阈值低于这个值的框不显示。基坑预警建议调低到 0.3~0.4宁可误报别漏报。results[0].plot()直接返回画好框的图省得自己写绘制逻辑。摄像头地址换成 RTSP 流就能接现场球机。5.2 预警逻辑怎么写检测到目标只是第一步预警要加规则。常见做法是统计连续帧里某类目标的数量或面积占比超过阈值再触发告警def check_alarm(results, frame_area, threshold0.05): alarm False for box in results[0].boxes: cls_id int(box.cls[0]) if cls_id in [0, 2]: # crack 或 deformation x1, y1, x2, y2 box.xyxy[0].tolist() area_ratio (x2 - x1) * (y2 - y1) / frame_area if area_ratio threshold: alarm True return alarmthreshold是面积占比阈值0.05 表示目标框占画面 5% 以上才告警。这个值要根据摄像头焦距和距离标定没有通用值。连续帧计数可以用队列存最近 N 帧的结果避免单帧误检触发告警。5.3 部署到现场要注意什么现场部署第一件事是固定摄像头角度每次挪动都要重新标定。光照变化大的工地建议加补光灯或者训练时把不同时段的数据都标进去。网络不稳的地方推理端放本地只把告警结果传回服务器别传视频流。6. 避坑与常见问题排查6.1 训练 loss 不降反升现象box_loss从第一轮就开始涨mAP50一直是 0。原因通常是标注格式错了比如坐标没归一化、类别 ID 从 1 开始、或者图像和标签文件名对不上。解决用yolo detect train前先跑一遍数据检查确认每个.txt里的坐标都在 0~1 之间类别 ID 从 0 开始图像和标签数量一致。6.2 推理时类别全错现象框的位置对但类别标签全是同一个。原因一般是data.yaml里names顺序和训练时不一致或者导出 ONNX 后类别映射丢了。解决训练和推理用同一份data.yaml导出 ONNX 时确认names写进了模型元数据。6.3 可视化界面卡死现象点开始检测后界面无响应。原因是在主线程里跑了推理阻塞了 UI 事件循环。解决把推理放到QThread里通过信号槽把结果传回主线程更新界面。Gradio 和 Streamlit 同理用异步或后台任务。6.4 摄像头读不到流现象cv2.VideoCapture返回 False。原因可能是 RTSP 地址格式不对、网络不通、或者 OpenCV 编译时没带 FFmpeg。解决先用ffplay或 VLC 验证流地址能播再检查 OpenCV 版本pip install opencv-python默认带 FFmpeg如果用的是opencv-python-headless可能缺。6.5 显存不够报 OOM现象训练到一半报 CUDA out of memory。原因是batch或imgsz太大。解决先把batch降到 8 或 4还不行就降imgsz到 416。也可以用yolov8n代替yolov8m参数量少一半。7. 把预警阈值调准的一个笨办法预警阈值这东西没有理论最优解我试过最有效的办法是拿一段已知结果的视频回放手动标出真正该告警的时间点然后跑不同阈值看误报和漏报的平衡点。具体操作准备一段 5~10 分钟的现场视频人工记录哪些时刻确实出现了裂缝扩展或支护变形然后用脚本批量跑不同conf和面积阈值组合统计每个组合的准确率和召回率。import cv2 from ultralytics import YOLO model YOLO(runs/kb/exp1/weights/best.pt) cap cv2.VideoCapture(site_test.mp4) frame_area None results_log [] while True: ret, frame cap.read() if not ret: break if frame_area is None: frame_area frame.shape[0] * frame.shape[1] results model(frame, conf0.3, verboseFalse) for box in results[0].boxes: cls_id int(box.cls[0]) x1, y1, x2, y2 box.xyxy[0].tolist() ratio (x2 - x1) * (y2 - y1) / frame_area results_log.append((cap.get(cv2.CAP_PROP_POS_FRAMES), cls_id, ratio)) cap.release() # 按帧号排序后和人工标注对比找最佳阈值这段代码把每帧的检测结果和面积占比都记下来导出成 CSV 后和人工标注对齐。conf0.3是故意调低的先把所有可能的框都留下后面再按面积阈值筛。跑完几组不同参数选误报可接受且漏报最少的那组。阈值组合误报次数漏报次数建议场景conf0.5, ratio0.0537告警频率敏感conf0.3, ratio0.03121安全优先conf0.4, ratio0.0463平衡从那以后我每次调预警阈值都强制走一遍视频回放不再拍脑袋定参数。这套流程多花半小时但能省掉现场反复调参的麻烦。希望帮到你。本文还有配套的精品资源点击获取