基于YOLOv5的裂缝检测实战：从训练调参到树莓派部署

简介一套基于YOLOv5的裂缝检测完整工程包面向深度学习目标检测方向的初学者也适合作为毕业设计、课程设计或期末大作业的参考实践。项目围绕图像识别技术完整展示了如何利用YOLOv5端到端地训练和检测裂缝覆盖从环境搭建、数据配置到图片与实时视频流检测的多个环节。压缩包共51个文件整体大小约2MB包含22个YAML模型与训练参数配置、Python脚本、pyc文件及Shell辅助脚本并附有容器化构建配置、项目说明文档和多张运行效果截图各文件模块职责清晰。已有49人学习配套检测脚本可分别完成实时视频流与静态图片的裂缝识别目录中还提供了可直接加载的模型权重、数据集配置以及训练日志记录便于对模型进行调试与优化。对想快速掌握YOLOv5工程化落地或完成课程项目的读者而言这份资源提供了可运行的项目框架、清晰目录结构和完整的配置思路具有不错的参考与复用价值。1. 这个标题在讲什么拿 YOLOv5 做裂缝检测值不值得上手“基于YOLOv5的裂缝检测设计.zip”这类压缩包多半是课程设计或毕业设计里的一套完整工程YOLOv5 源码、一批裂缝图片和标注、训练脚本。拿到它之后真正要解决的不是“把代码跑起来”而是让模型在你自己的低对比度、复杂纹理图像上不漏检、不误检。裂缝是细长线状目标宽度往往只有几个像素和目标检测最擅长的方形目标完全相反这也是为什么很多人把基础代码跑通后 mAP 却上不去。下面的内容按环境配置、数据准备、训练调参、避坑、部署的顺序把这条链路里的关键参数和常见踩坑点讲透适合应届生照着复现也适合想用目标检测做结构健康检测预研的工程师先读完再决定投入。2. 裂缝检测为什么选 YOLOv5任务特性、源码机制与 conda 环境配置2.1 裂缝检测的任务特性小目标、低对比度决定模型选型不能随便裂缝在图像里是细长条线状目标宽度可能只有 5~15 个像素长度却跨越几十到上百像素。用矩形框去描述它非常别扭框贴紧裂缝时长宽比可能到 10:1框稍微放松一点框内大部分面积是混凝土背景。目标检测模型在训练时会把框内内容当作正样本框内背景占比过高特征就会被背景带偏模型学到的不是“裂缝区域”而是“裂缝和它周围的灰色纹理”。再看对比度。真实场景里的裂缝往往和阴影、水渍、钢筋锈迹、墙砖缝混在一起灰度差异很小。传统视觉方案用 Canny 边缘检测加形态学处理在受控光源下能出结果一换环境就崩。用深度目标检测的好处是能从大量样本里自己学习“什么才是裂缝”不需要手工调阈值但代价是对数据量和标注质量敏感。YOLOv5 的目标检测任务把裂缝问题拆成两步先判断整张图里哪些区域可能有裂缝再对每个区域回归出矩形框。这和直接做像素级分割不同输出是一个框加一个置信度对设计类项目来说更容易评估、更容易部署。后续如果要做裂缝面积计算可以在检测框基础上加一层分割后处理而不是一开始就选 Mask R-CNN。选型上我一般直接劝人放弃 YOLOv5s从 m 起步。原因很直接s 的骨干更浅特征图分辨率更低对细裂缝的召回能力先天不足。显存允许就直接用 m后期提精度靠输入分辨率比换更大的 l 模型更划算。YOLOv5 源码对单类检测非常友好训练、验证、导出脚本齐全整个链路在一个仓库里能跑通适合做设计交付。2.2 YOLOv5 源码里和裂缝检测强相关的三个机制CSP、PANet、自适应锚框YOLOv5 的骨干网络叫 CSPDarknet核心是 CSPCross Stage Partial结构。它会把特征分成两部分一部分继续走卷积另一部分直接和前一部分拼接再用一个过渡层融合。这样可以在减少冗余计算的同时保留深层特征。对裂缝检测的实际意义是在相同显存预算下你有余量把模型从 s 换到 m而不会让训练时间成倍上涨。PANet 是 YOLOv5 的特征融合结构比单纯 FPN 多了一条自底向上的路径。裂缝的边界细节在浅层特征里最清晰语义上下文在深层特征里最可靠。PANet 做的就是让深层语义传回浅层同时把浅层位置信息再传回高层。两条路径交叉之后模型对“细裂缝”和“细小噪声”的区分能力明显比只用 FPN 的模型强。自适应锚框是 YOLOv5 相对早期 YOLO 版本一个很省事的改进。训练前它会用 k-means 对数据集里的真实标签框重新聚类输出一组更匹配的锚框。COCO 预训练权重自带的锚框偏向方形目标裂缝框的长宽比普遍在 1:6 以上如果不重新聚类正样本匹配阶段的 IoU 匹配率会很低很多真实框根本匹配不到锚框训练就很难收敛。有人会问现在有更新的检测器为什么还要守着 YOLOv5。裂缝检测这类垂直任务通常只有几百到几千张标注图数据量撑不起 DETR 这类依赖大规模数据收敛的结构。YOLOv5 的 anchor 机制在数据少、目标形状极端的情况下反而更稳而且源码已经进入维护模式新功能不再加社区踩坑资料多遇到问题搜得到同类案例。做设计交付要的不是最新是可控和可复现。2.3 conda 环境配置YOLOv5 基础笔记里最容易被跳过的版本坑环境配置是整个设计里最容易翻车的环节。多数教程会让你直接拿 requirements.txt 一键装但这里有两个坑Python 版本和 torch 的 CUDA 版本。用 conda 单独建环境是最稳的做法不要动系统里已有的 Pythonconda create -n yolov5 python3.8 -y conda activate yolov5 cd yolov5-master pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple逻辑说明python 3.8 是 YOLOv5 官方脚本里兼容性最稳的版本3.10 以上也能跑但个别依赖在 Windows 上容易出编译错误。pip 的 -i 参数只是把源换成清华镜像网络条件正常的环境用官方源也一样。这里真正要盯的是下一步 torch。requirements.txt 默认装的是 CPU 版 torch这是环境配置里最隐蔽的坑。如果你的机器有 NVIDIA 显卡装完后必须确认 torch 能不能调用 GPUpip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 python -c import torch; print(torch.__version__, torch.cuda.is_available())参数说明--index-url 指定从 PyTorch 官方 CUDA 11.8 轮子源拉取安装包torch.cuda.is_available() 输出 True 才说明 GPU 可用。如果输出 False先别怀疑显卡多半是安装时没指定 CUDA 版本这是最常见的血泪经验。用 CPU 硬训一个 100 epoch 的裂缝模型可能要十几个小时换成 GPU 后时间能缩短到三分之一以内。版本对照大致是CUDA 11.7/11.8 对应 torch 1.13~2.x 配 Python 3.8CUDA 12.x 对应 torch 2.1 配 Python 3.10。显卡驱动年份较新时直接用 cu118 往往最省事。环境配好后先不要急着训练跑一次官方示例图验证整个链路python detect.py --weights yolov5s.pt --source data/images/bus.jpg说明yolov5s.pt 权重文件本地没有时YOLOv5 会自动下载到 weights 目录命令能正确输出框坐标并保存到 runs/detect/exp说明环境、依赖、脚本路径都没问题。网络条件一般时建议提前把权重文件放进 weights 目录再执行避免卡在下载环节。这张示例图跑通后后面再遇到问题就能先排除环境因素把排查范围收敛到数据和参数上。3. 训练自己的裂缝数据集从标注规范到拿到 best.pt 的完整路径3.1 数据准备裂缝怎么标、数据集目录怎么组织裂缝检测的第一步是数据不是代码。常见做法是先用公开裂缝数据集把流程跑通再补充 200~500 张自己场景的实拍图做微调。公开数据集的图像尺寸、光照、相机角度都比较统一直接拿来训练换场景后很容易翻车补拍是必须的。标注工具用 LabelImg 即可导出格式选 YOLO每张图片对应一个同名 .txt。标注操作看着简单但几个规则直接决定模型收敛质量一条长裂缝一定要切成多段标注每段短边贴住裂缝边缘长边顺着裂缝走向不要用一个大框把整条裂缝包进去。框内背景占比太高模型学到的是“背景裂缝”的混合特征误检率会明显上升。标注时我习惯让相邻两个框的水平间隔不小于 10 个像素宁可断开也不要大面积重叠否则后面 NMS 阶段会引发合并问题。数据集目录按 YOLOv5 约定的格式组织mkdir -p datasets/crack/images/train datasets/crack/images/val mkdir -p datasets/crack/labels/train datasets/crack/labels/val命令说明images 放图片labels 放同名 txttrain 和 val 严格分开。网上有文章说只建一个 images 目录让 train.py 自动划分实际跑的时候你会发现划分逻辑不受控val 集合里是什么图取决于内部随机种子不方便复现。手工划分最稳。划分脚本可以直接用下面这段把原始图片和标签按 8:2 比例复制到训练目录和验证目录import os import random import shutil random.seed(42) image_dir raw_images # 原始图片目录 label_dir raw_labels # 原始标签目录 train_ratio 0.85 # 训练集比例 imgs [f for f in os.listdir(image_dir) if f.lower().endswith((.jpg, .png, .jpeg))] random.shuffle(imgs) split int(len(imgs) * train_ratio) for i, img in enumerate(imgs): label img.rsplit(., 1)[0] .txt # 跳过没有对应标签的图片否则会被当成背景负样本 if not os.path.exists(os.path.join(label_dir, label)): continue subset train if i split else val shutil.copy(os.path.join(image_dir, img), fdatasets/crack/images/{subset}/{img}) shutil.copy(os.path.join(label_dir, label), fdatasets/crack/labels/{subset}/{label}) print(f训练集: {min(split, len(imgs))} 张, 验证集: {max(len(imgs) - split, 0)} 张)逻辑说明random.seed(42) 固定随机种子保证同一批数据两次划分结果一致复制而不是移动是为了保留一份原始数据训练中发现标注错误还能回头修算是后悔药。只处理有同名 txt 的图片是因为无标签图会被当成背景参与训练背景过多会压扁正样本比例。输出数字和图片总数对不上时大概率是原始 labels 目录里缺了部分同名 txt需要补标。划分完成后马上做一次数据一致性检查find datasets/crack/images/val -type f | wc -l find datasets/crack/labels/val -type f | wc -l两个命令结果必须相等train 目录同样。不等的情况多半是原始图片有 .jpg 和 .JPG 两种扩展名而前面的划分脚本只匹配了 .jpg大小写混用问题在 Windows 尤其常见。提示val 目录里图片数和标签数相等不代表每张图都有同名 txt还要跑一遍标签存在性检查。文件名大小写不一致时YOLO 会跳过对应图片。3.2 修改 data.yaml 和模型配置把类别数先改对YOLOv5 用 yaml 文件组织数据路径和类别信息新建 datasets/crack/data.yamltrain: datasets/crack/images/train val: datasets/crack/images/val nc: 1 names: [crack]参数说明train/val 相对路径是相对你执行 train.py 的目录怕换终端后路径失效写绝对路径更稳。nc 是类别数这里是单类names 是类别名列表顺序和标注文件里的 class_id 一一对应。很多设计包原样保留了 COCO 的 80 类名只改了 nc导致训练时一直报索引越界排查半天才发现是 names 里还留着其他类。模型配置文件 models/yolov5m.yaml 只需要改一处nc: 1其他 depth_multiple、width_multiple 参数保持默认。这些参数控制模型深度和宽度倍数改动会让网络结构偏离预训练权重迁移学习的效果变差。模型加载 yolov5m.pt 时输出层类别数从 COCO 的 80 变成 1原输出层权重会被丢弃并重新初始化。3.3 训练命令与超参数先跑通整条链路再谈提精度第一次训练的目标不是 mAP 多高而是全程不报错、能生成权重、能用检测脚本画出框。先不要调参按下面这个命令跑python train.py \ --data datasets/crack/data.yaml \ --cfg models/yolov5m.yaml \ --weights yolov5m.pt \ --epochs 100 \ --batch-size 16 \ --img-size 640 \ --device 0参数说明--weights 填 yolov5m.pt 是用 COCO 预训练权重做迁移学习骨干特征已经具备通用物体感知如果改成空字符串从零训练几百张裂缝图很难收敛。--epochs 100 是预算值YOLOv5 默认早停会在指标不再提升时提前结束不会真的跑满。--batch-size 16 大约需要 20GB 显存8GB 显存改成 8再小就要用第 5 章说的梯度累积。--img-size 640 是输入分辨率裂缝细的话后续优先提到 1280而不是换更大的 l 模型。训练日志里重点看 P精确率、R召回率、mAP0.5、mAP0.5:0.95 四个输出。第一次跑通时 mAP 低很正常关键是 epoch 后没有出现 NaN、权重能保存。训练结束后会生成 runs/train/exp/weights/best.pt用 detect.py 看几张 val 图python detect.py \ --weights runs/train/exp/weights/best.pt \ --source datasets/crack/images/val \ --conf-thres 0.3如果这一步能画出框你的“基于YOLOv5的裂缝检测设计”就已经完成了最核心的链路接下来才是让指标变好看的过程。4. YOLOv5 裂缝检测的必调参数与后处理把 mAP 从 0.6 拉到 0.85 的路线4.1 图像尺寸、batch、epoch、锚框四个超参数怎么联动先说结论裂缝检测提升 mAP优先动输入分辨率其次动锚框最后才动网络宽度和深度。原因是裂缝目标的尺度很极端提高分辨率等于直接把目标放大给模型看效果立竿见影。图像尺寸的选择直接受显存约束。把 img-size 从 640 提到 1280特征图面积变成原来的 4 倍显存占用大约翻两倍以上训练时间也变长。常见配置对照如下img-size显存占用趋势训练耗时趋势小裂缝召回适用场景640基准基准一般快速验证流程1280约 2~3 倍约 1.5~2 倍明显提升裂缝较细、显卡 24GB1536更高更长趋于饱和只对极细裂缝有增量这里的数字是量级趋势不是精确测量值不同显卡、不同 batch 下会有差异。数据以路面裂缝为主、宽度在 10 像素以上时640 就够如果是桥梁混凝土细微裂缝宽度只有 3~5 像素别犹豫直接上 1280。batch 决定 BN 层的统计稳定性。裂缝数据集通常只有几百到上千张batch 太小时每个 batch 的样本方差大BN 均值来回跳loss 会震荡。常见做法是 batch 尽量大最小不要低于 8。显存不够时优先降 img-size 而不是降 batch640 配 batch 16 的效果通常优于 512 配 batch 32。epoch 和早停绑定看。YOLOv5 的数据集小一般 60~80 轮就收敛。训练日志里 Best fitness 连续 30 轮不更新就可以 CtrlC 手动停权重保留的是 best.pt 而不是最后一轮的 last.pt。跑满 100 轮不收敛问题通常不在 epoch 上回数据里找原因。锚框是裂缝检测最值得花时间的参数。YOLOv5 训练前会自动运行 k-means 聚类日志会打印类似 AutoAnchor、BPR 的信息。如果 BPR 低于 0.9说明默认锚框严重不匹配要把聚类出的新锚框写进模型 yaml 的 anchors 段再重新训练。锚框的数值不是固定的但排列思路固定小尺度特征图配小锚框大尺度特征图配大锚框每组里必须要有长宽比接近 1:6~1:10 的细长条用来匹配裂缝。除了 train.py 的命令行参数YOLOv5 的超参数文件 data/hyps/hyp.scratch-low.yaml 也直接影响裂缝训练。裂缝是结构表面缺陷大幅的颜色扰动没有意义建议把 hsv_h 从 0.015 降到 0.005translate 从 0.1 降到 0.05。有些教程推荐 fliplr0.5 开随机翻转对裂缝检测反而有问题裂缝走向不是对称特征翻转会改变方向分布建议关掉或降到 0.1。4.2 后处理conf-thres 与 iou-thres 是裂缝框质量的开关很多设计交付只讲训练不讲后处理detect.py 一跑输出图上一堆碎框看起来像“标得比裂缝还密”。这里的开关就是两个参数conf-thres 和 iou-thres。conf-thres 是置信度阈值低于阈值的候选框直接丢弃。默认 0.25 偏向召回适合通用检测裂缝框数量多、局部响应强同一段裂缝经常出现多个候选框阈值提到 0.35~0.40 后碎框明显收敛。但如果裂缝本身很淡阈值一提就把真裂缝过滤了所以这个值要结合下一节的误检统计来定。iou-thres 是 NMS 使用的 IoU 阈值NMS 会把 IoU 高于阈值的候选框合并成一个。方形目标默认 0.45 合理裂缝长条框之间重叠面积天然偏大两段相接的断裂缝很容易被并成一个框。把 iou-thres 降到 0.3可以让断裂缝保留为两个独立框代价是同一段裂缝可能拆出多个框需要配合可视化结果微调。实际调参命令python detect.py \ --weights runs/train/exp/weights/best.pt \ --source datasets/crack/images/val \ --conf-thres 0.35 \ --iou-thres 0.3 \ --img-size 1280 \ --save-txt参数说明--save-txt 会把每个框的类别、置信度、坐标保存成 txt方便后续做漏检统计--img-size 必须和训练时一致训练用 1280 而推理用 640 会让框坐标整体偏移这个问题在部署章节还会遇到。调参时不要只看一两张图拉 30~50 张 val 图跑一遍记录误检数和漏检数再定。4.3 验证阶段看什么混淆矩阵、PR 曲线和漏检图训练完的 runs/train/exp 目录下会有 confusion_matrix.png 和 PR_curve.png这两张图比 mAP 数字更能定位问题。混淆矩阵里关注背景列和裂缝行的交叉项。背景被大量预测成裂缝说明正样本不够需要在训练集里补背景负样本或者提高 conf-thres裂缝被预测成背景说明裂缝样本多样性不足光照和角度覆盖不够。很多笔记只说“mAP 不高就加数据”实际先看混淆矩阵能省去一整周瞎折腾。PR 曲线的形状同样直观。曲线尾部断崖式下跌说明存在一小批难样本模型在它们身上召不回。对裂缝检测来说难样本通常是低照度下的细微裂缝此时把 hyp 文件里的 hsv_s 调高让模型多看些饱和度变化后的裂缝比单纯加大训练集管用。漏检图分析是容易被人忽略的一步。detect.py 的 --save-txt 会输出所有检测结果漏检就是“有真实标签但没有检测框”的图可以用脚本挑出来import os import cv2 gt_dir datasets/crack/labels/val det_dir runs/detect/exp/labels img_dir datasets/crack/images/val for file in os.listdir(gt_dir): det_path os.path.join(det_dir, file) if not os.path.exists(det_path): # 真实标签存在且检测结果为空判定为漏检 img_path os.path.join(img_dir, file.replace(.txt, .jpg)) if os.path.exists(img_path): img cv2.imread(img_path) cv2.imwrite(fmiss_{file.replace(.txt, .jpg)}, img)逻辑说明遍历 val 的每个真实标签如果同名检测结果不存在说明模型在这张图上没输出任何框。批量导出后单独看一遍你会发现自己数据的“盲区”比预想中集中可能是逆光、可能是模板缝和真裂缝长得像。这一步做完下一轮训练该增强什么、该改哪个阈值心里就有底了。5. 裂缝检测常见问题与排查训练翻车、数据错乱、路径踩坑的记录5.1 训练 loss 正常下降val mAP 却一直为 0现象train loss 从 0.08 一路降到 0.03训练集 mAP 接近 0.9验证集 mAP 固定为 0detect.py 在 val 图上完全画不出框。原因最常见的是数据切分错位。划分脚本只按图片后缀匹配导致 val 里部分图片没有对应标签YOLOv5 把它们当作背景图参与验证或者是标签和图片同名但大小写不一致Windows 上尤其常见。解决先对比 val 目录里图片数和标签数再用脚本找出缺标签的图片import os image_dir datasets/crack/images/val label_dir datasets/crack/labels/val imgs [f for f in os.listdir(image_dir) if f.endswith(.jpg)] for img in imgs: label img.replace(.jpg, .txt) if not os.path.exists(os.path.join(label_dir, label)): print(f缺失标签: {img})逻辑说明脚本检查每张图片的同名 txt 是否存在缺一个就能立即定位。特意保留这个简单版而不是合并进划分脚本是为了从别处拷来数据集时可以独立验证。吃了几次这个亏之后我养成了训练前必跑一遍的习惯。数据量小时发现问题直接补标签比重新训练省时间。5.2 NMS 把裂缝框合并成一整条或者同一段裂缝被拆成两个框现象检测结果里两段断裂的裂缝被一个大框包住另一种情况是同一段连续裂缝被拆成两个框中间有重叠。原因两个现象方向相反但都指向 IoU 阈值。iou-thres 太高NMS 把重叠区域大的不同目标合并太低同一目标的多候选框无法有效抑制。裂缝是长条框IoU 分布和方形目标差异很大网上默认参数没有参考价值。解决detect.py 里把 --iou-thres 从默认 0.45 降到 0.3跑同一批 val 图对比。拆框变严重就回调到 0.35合并问题依旧就继续降到 0.25。每次调整把预测图保存下来不要只看命令行输出的 mAP 数字。注意这个问题是后处理层面的重新训练解决不了调 NMS 参数就够。5.3 裂缝正样本太少模型把所有目标都预测成背景现象训练完成后 P 和 R 都很低可视化结果是整张图干干净净没有一个框但 val loss 看起来并不奇怪。原因这是典型的正负样本不均衡。裂缝是细线一张 640x640 图里真实框面积可能只占 1%~3%。数据只有两三百张时网络发现“什么都不输出”就能让 loss 停在低位。另一个常见原因是标签 class_id 和 names 不对应比如 class_id 写成了 1但 names 里只有 index 0。解决先检查标签内容确认 class_id 全部是 0。然后做三件事把长裂缝切成子框增加正样本数量在 hyp 文件里适度增强 scale 和 translation用预训练权重做迁移学习不要从零训练。做了这些还不收敛就把训练集每张图的标签可视化出来看有没有标注框被意外丢出图像边界。5.4 Windows 下数据集路径带中文或空格训练中途崩溃现象训练开始正常一两个 epoch 后突然报 cv2.error 或 FileNotFoundError重跑可能换一个 epoch 崩。原因YOLOv5 读取图片依赖 OpenCV 的 imread它对非 ASCII 路径支持很弱中文路径还会在数据加载的多进程里触发编码错误。项目目录放在“桌面/毕业设计/裂缝检测”下是必踩的坑。解决把项目整个路径改成纯英文目录名不要带空格。如果已经训练到一半先停掉把数据集和 yolov5 目录一起移动到 D:/crack_detection 下再改 data.yaml 里的路径epoch 数改成剩余数继续训练。移动过程中不要删 runs 目录权重还在只是重新跑时会从头记录日志。5.5 显存不足时盲目缩小 batch 或模型训练反而更慢现象显卡只有 8GB按教程把 batch 从 16 改成 2训练时间反而拉长loss 还震荡。原因batch2 时 GPU 计算单元利用率低BN 统计量不稳定模型朝一个方向还没走稳就换方向把模型从 m 换成 s 虽然省显存但小模型在裂缝这种小目标上精度下降需要更多 epoch 补偿总时间并没有省下来。解决先降 img-size 到 512再降 batch 到 8。如果还是不够用 YOLOv5 的梯度累积参数train.py 后加 --nbs 64。nbs 是名义 batch size代码会把 batch8 的多次迭代梯度累积后更新一次权重模拟 batch64 的效果。训练时间会比正常 batch 长一点但比 batch2 的震荡收敛快得多显存占用基本不变。6. 树莓派 5 上部署自训练的 YOLOv5 裂缝模型导出、推理与掉帧的取舍6.1 从 PyTorch 到 NCNN树莓派上最常走的部署路径树莓派上直接跑 PyTorch 不现实内存和算力都撑不住。常见做法是先把 PyTorch 权重转成 ONNX再用 NCNN 的 onnx2ncnn 工具转成树莓派可用的 param/bin 格式。YOLOv5 自带导出脚本第一步命令是python export.py --weights runs/train/exp/weights/best.pt --include onnx --img-size 640参数说明--img-size 要和训练分辨率一致不一致会改变输出特征图的尺度部署后框会偏移。导出后用 onnx-simplifier 优化一遍再走 NCNN 的工具链转格式。树莓派 5 的 CPU 有 4 个性能核NCNN 推理延迟会明显优于直接跑 PyTorch具体帧率和模型宽度、输入分辨率强相关。这里给不出一个万能数字你在自己的板子上跑一遍 benchmark 最靠谱。6.2 部署时的输入分辨率取舍416 还是 320必须重新验证很多设计包只教导出不教重新验证把训练时的 640 输入原样拿到树莓派上跑帧率直接掉到个位数。换到边缘端输入分辨率一般要降到 416 或 320但代价是细裂缝进入模型后只剩几十个像素检测精度会掉。用降分辨率模型跑那批标准 val 图对比 mAP 和单帧耗时才算完成部署验证。输入分辨率帧率趋势精度趋势适用场景640基准基准后台批处理不要求实时416提升明显轻微下降实时巡检但裂缝较粗320最快下降较多只做预筛选需要二次确认实际项目里我一般先用 416 跑因为裂缝本来就是小目标320 下容易整条漏掉省下来的帧率没有意义。6.3 部署后别只盯 FPS漏检率和困难集才是验收标准部署完成后录一段 10 秒连续画面跑一遍逐帧统计漏检数。只看 FPS 很容易把问题盖住一段画面里漏了三条裂缝帧率再高也不能交付。我通常会把部署后漏检最集中的样本单独存成“困难集”之后每次调参都拿它回归。习惯是先在桌面端把 mAP 调到满意再到树莓派上换分辨率、做量化最后用困难集验收而不是一开始就在边缘端反复试参数。这个顺序能帮你把调参和部署两个变量拆开哪一步出问题都能单独定位。希望帮到你。本文还有配套的精品资源点击获取