Yolov8道路病害检测实战：源码部署、模型训练与评估指标全解析

简介这是一份基于YOLOv8实现的道路病害检测平台项目资源集成前端源码、部署教程、训练好的模型和各类评估指标曲线适合软件工程、计算机、人工智能等专业学生用于毕业设计、课程设计、项目初期演示也可作为深度学习目标检测任务的入门实践。包内共有29个文件包括17个jsx前端页面组件、svg/css样式文件、js/json路由与工程配置、README部署说明以及独立打包的模型zip整体体积仅159KB目录按功能模块组织便于对照阅读和修改。训练好的模型与损失曲线、精度曲线等评估结果均随资源交付配合部署教程可快速还原道路病害检测流程也能从曲线趋势判断模型收敛情况为答辩讲解和文档撰写提供直接素材。已有208人学习下载项目经导师指导通过、代码测试正常适合作为课设或毕设的高分参考项目。1. 道路病害检测为什么绕不开Yolov8这个压缩包到底能帮你什么公路养护里路面裂缝、坑槽、修补区这些病害的巡检过去靠人眼或者半自动的取芯一天下来几公里路眼睛都看花了。现在普遍的做法是拿车载相机或者无人机拍图像再用目标检测模型一帧帧框出来。Yolov8 是当下做这个事最顺手的一套检测框架它自带训练、验证、导出和部署的完整链路而且社区里公开的道路病害数据集很多踩坑记录也多适合做专项优化。这个标题给出的项目包正好是把「源码 部署教程 训练好的模型 评估指标曲线」捆在一起的高分交付物针对的就是想快速跑通并在此基础上做二次开发的从业者。它解决的直接问题有三个一是你不用从零搭环境、写训练脚本解压后按部署教程把依赖装好就能先用现成的权重在图片 / 视频上看到检测效果二是训练好的模型不是黑匣子压缩包里给了各项评估指标曲线你可以判断它到底在裂缝、坑槽哪一类上靠谱哪一类是凑数的三是源码本身可改不管是换数据集、调 anchor、加注意力机制还是往边缘设备上迁移都有现成的起点。适合的人群比较明确做道路养护信息化、智慧公路项目的工程师做毕业设计 / 课程设计的学生以及想把 Yolov8 快速迁移到工业视觉检测方向的算法工程师。如果你只是好奇目标检测是什么想看看 demo这个包对你来说偏重但如果你手头有公路图像数据想在一到两周内做出一版能演示、能出指标的检测模型这个方向值得投入。2. Yolov8检测道路病害的原理与选型从Backbone到损失函数2.1 Yolov8的网络结构C2f模块与解耦检测头Yolov8 的 backbone 沿用了 CSPDarknet 的思路但把 Yolov5 里的 C3 模块换成了 C2f 模块。C2f 的特别之处是它把输入在 Bottleneck 之间做了更密集的跨层连接梯度可以更直接地回流到浅层同时感受野没有因为网络加深而丢失全局上下文。对道路图像来说裂缝是细长目标坑槽是块状目标C2f 这种多分支结构能在同一个特征层上兼顾两种不同尺度的语义漏检率会比老模型低一截。检测头是 Yolov8 最大的变化从耦合检测头改成了解耦检测头。具体说就是分类分支和回归分支各自走一组卷积不再共享输出通道最后分别输出类别概率和边界框坐标。为什么这对病害检测重要因为路面图像里裂缝和坑槽的背景都很复杂——有车道线、影子、水渍、油污分类难度和定位难度不同耦合头容易被背景带偏解耦之后两个任务互相不干扰训练收敛过程更平滑。下面这段是 Yolov8 官方配置里用于小模型的 yolov8n.yaml 的关键片段几乎每个自称 Yolov8 道路病害检测的项目都会从这里改起# Parameters nc: 2 # number of classes 这里改成你的病害类别数 scales: # model compound scaling constants n: [0.33, 0.25, 1024] # depth, width, max_channels s: [0.33, 0.50, 1024] m: [0.67, 0.75, 768] l: [1.00, 1.00, 512] x: [1.00, 1.25, 512] # YOLOv8.0n backbone backbone: - [-1, 1, Conv, [64, 3, 2]] - [-1, 1, Conv, [128, 3, 2]] - [-1, 3, C2f, [128, True]] - [-1, 1, Conv, [256, 3, 2]] - [-1, 6, C2f, [256, True]] - [-1, 1, Conv, [512, 3, 2]] - [-1, 6, C2f, [512, True]] - [-1, 1, Conv, [1024, 3, 2]] - [-1, 3, C2f, [1024, True]] - [-1, 1, SPPF, [1024, 5]]这段配置的关键在于nc参数它直接决定了检测头输出的类别通道数。如果你只检测裂缝crack和坑槽pothole两类nc就填 2如果还要加修补repair和网状裂缝alligator_crack就改成 4。后面的scales控制模型宽深n是最小版本适合车载嵌入式平台s和m是我们在服务器上训练时常用的折中选择。改nc时注意训练数据的标签文件里类别索引必须从 0 开始连续编号否则检测头输出的维度会对不上训练时会直接报错。2.2 道路病害检测的标签体系与损失函数设计道路病害检测本质上是一个目标检测任务标签体系一般按病害类型划分。常见公开数据集如 RDD2020 和 Crack500 里面类别通常包括横向裂缝、纵向裂缝、网状裂缝、坑槽、修补等。但也有人为了省事只分两类完好和病害实际落地时这样并不可取因为养护部门需要区分裂缝长度和坑槽面积它们对应的修补成本完全不同。训练时 Yolov8 默认使用 TALTask-Aligned Assigner作为正负样本分配策略损失由分类损失BCEWithLogitsLoss和回归损失CIoU Loss两部分组成。TAL 的思路是让分类分数高、预测框与真值框重合度高的样本优先作为正样本其他样本忽略或者作为负样本。这个策略对细长裂缝很友好因为裂缝的 GT 框通常很长很扁早期的 Anchor-based 方法很容易把它误当成背景而 TAL 会综合考虑分类和定位匹配度能保住这类难样本。CIoU 损失除了考虑框的重叠面积还惩罚了中心点距离和长宽比差异。对坑槽检测来说坑槽形状不规则人工标注的框偏大偏小都会影响长宽比CIoU 会比 IoU 损失更耐噪声。需要留意的是Yolov8 的回归损失默认对每个预测框用的是 Distribution Focal LossDFL加 CIoU 的组合DFL 会把边界框坐标回归建模成离散分布这对裂缝边缘的精细定位有帮助但也会让模型对标注框的边界噪声更敏感所以标注时尽量让框紧贴病害边缘不要留太多背景。2.3 为什么不用Yolov5、Yolov7而选Yolov8这个问题几乎每个做公路检测项目的人都会问。从精度上看Yolov8 在 COCO 上的 AP 比 Yolov5 同尺寸模型高 2-3 个点在病害这种小目标多的场景里高出来的点主要来自小目标召回率的提升原因是解耦头加 TAL 的组合对小目标更友好。从部署上看Yolov8 官方仓库原生支持 ONNX、TensorRT、CoreML、TFLite 导出而且导出的 ONNX 算子更规范用 TensorRT 构建 engine 时很少碰到自定义算子这一点我们在 RK3588、Jetson 上踩过不少坑Yolov5 的某些旧版本导出后会带Focus算子必须手动拆层。从训练体验上看Yolov8 把训练、验证、预测、导出都收进了同一个 CLI一个参数切换任务模式写脚本的负担小很多。当然 Yolov8 也不是没有缺点。它在小目标密集场景下偶尔会漏检模型体积因为解耦头比 Yolov5 大一点训练显存占用略高。如果你的硬件实在紧张Yolov8n 在 1080Ti 上训练 640 分辨率也要 4-6G 显存Yolov5n 会少 1G 左右。我的建议是有 GTX1660Ti 以上显卡就无脑 Yolov8只有 CPU 或者 4G 以下显存时先用 Yolov8n 跑通再考虑切 Yolov5 保底。3. 本地部署与源码运行从零把平台跑起来3.1 环境准备CUDA、PyTorch与Yolov8的版本匹配拿到这个压缩包后第一步不是直接运行而是确认环境。Yolov8 官方要求 Python 3.8PyTorch 1.8实际上我们推荐 PyTorch 2.0 以上因为 2.0 的编译优化对卷积加速明显。GPU 环境里 CUDA 版本最好与 PyTorch 的 wheel 对应比如 PyTorch 2.0 默认对应 CUDA 11.7 和 12.1你可以用nvidia-smi看驱动支持的最高 CUDA 版本只要驱动版本够新PyTorch 的 CUDA 运行库可以比驱动低但不能高。很多人装了 CUDA 12.0 的驱动却去下了 CUDA 11.7 的 PyTorch这没问题反过来就会提示找不到 libcudart。如果你只有 CPU 且系统是 Ubuntu20.04也能跑但推理速度会很感人——640 分辨率的图片用 yolov8n 在 i5 上大约 300-500ms 一次。这种情况下建议至少用mkl版 PyTorch并在推理时开torch.set_num_threads()。部署教程里如果给了 CPU 版环境配置照做即可但不要指望实时视频离线图片分析没问题。检查环境的命令如下# 查看显卡驱动支持的 CUDA 版本 nvidia-smi # 查看当前 Python 与 PyTorch 版本 python -c import torch; print(torch.__version__, torch.cuda.is_available())第一段命令的作用是确认驱动侧的天花板第二段是确认 PyTorch 是否真的能看到 GPU。如果torch.cuda.is_available()输出False说明 PyTorch 安装成了 CPU 版或者 CUDA 版本不搭直接卸载重装比排查半天更省事。命令行里不用担心版本号完全一致只要驱动版本号精简后不低于 PyTorch 要求的 CUDA 版本号即可。3.2 下载源码与安装依赖pip install 那一步常见做法是直接把 ultralytics 仓库 clone 到本地或者用 pip 安装 ultralytics 包。标题里的源码包一般已经内置了 ultralytics 的改动版所以更常见的做法是解压后进入项目根目录先创建一个虚拟环境再装依赖。# 创建虚拟环境避免污染系统 Python python -m venv .venv source .venv/bin/activate # 升级 pip 并安装 PyTorchGPU 版以 CUDA 12.1 为例 pip install --upgrade pip pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 # 安装项目依赖 pip install -r requirements.txt这里用虚拟环境是必须的因为道路病害项目通常依赖特定版本的 opencv-python、numpy、pandas而系统 Python 环境往往被其他项目占用。requirements.txt 里一般会有 ultralytics、opencv-python、matplotlib、scikit-learn 等安装时如果提示numpy版本冲突多数是 opencv-python-headless 和 opencv-python 同时存在导致的先卸掉其中一个再装。安装完成后验证一下模型是否能正常加载# 用官方预训练权重快速验证环境 yolo predict modelyolov8n.pt sourcehttps://ultralytics.com/images/bus.jpg如果这条命令能输出一张带检测框的图说明你的环境没问题。之后再用项目自带的训练好的模型替换这个yolov8n.pt。这一步能帮你把「环境问题」和「项目代码问题」分开避免一上来就甩一个ModuleNotFoundError。3.3 用训练好的模型做推理CLI命令与Python脚本部署教程一般会教你两种推理方式。第一种是命令行适合快速测试# 单张图片推理 yolo predict modelruns/train/exp/weights/best.pt sourcedata/test/0001.jpg conf0.25 # 批量图片推理结果保存到 runs/predict yolo predict modelruns/train/exp/weights/best.pt sourcedata/test/ save_txtTrue save_confTrueconf是置信度阈值道路病害场景里我习惯设 0.25因为裂缝这类小目标模型置信度普遍不高设 0.5 会漏掉一半。save_txtTrue会把每个框的类别、坐标、置信度写到同名 txt 里后续做 GIS 统计分析时非常有用。第二种是 Python API适合集成到平台或者做二次开发from ultralytics import YOLO # 加载训练好的模型这里用压缩包内的 best.pt 作为示例 model YOLO(runs/train/exp/weights/best.pt) # 推理单张图片 results model.predict( sourcedata/test/0001.jpg, conf0.25, iou0.5, devicecuda:0 ) # 提取结果类别、框坐标、置信度 for r in results: for box in r.boxes: cls int(box.cls[0]) # 类别编号 conf float(box.conf[0]) # 置信度 xyxy box.xyxy[0].tolist() # [x1, y1, x2, y2] print(fclass{cls}, conf{conf:.3f}, box{xyxy})这个脚本的关键在于读懂results对象r.boxes是一个列表每个元素对应一个检测框.cls是类别索引.conf是置信度.xyxy是左上角和右下角坐标单位是像素。如果你要把检测结果叠加到原图上可以用r.plot()它会返回一张 RGB 数组配合cv2.imwrite就能直接存图。很多部署教程会漏掉device参数导致 CPU 上跑半天这行参数指定推理设备GPU 训练完的模型直接用cuda:0能快 20 倍以上。3.4 部署教程里常见的目录结构与权重文件说明标题里的源码包解压后目录结构通常是这样路径作用runs/train/exp/weights/best.pt训练好的模型验证集上指标最好的一版runs/train/exp/weights/last.pt最后一次迭代的模型可用于断点续训runs/train/exp/results.csv每次迭代的 loss、P、R、mAP 等指标runs/train/exp/PR_curve.pngP-R 曲线评估模型在不同置信度下的表现data/数据集目录包含 images 和 labelsdeploy/ONNX/TensorRT 导出脚本或推理脚本best.pt和last.pt的区别要搞清楚best 是验证集表现最好的last 是训练结束时的状态。如果训练后期过拟合best 会显著优于 last如果两个文件几乎一样说明训练还没到极限可以加大 epochs。使用模型时优先用best.pt。但如果发现 best 在某个病害类别上 mAP 很低而 last 反而更高可能是验证集划分不合理rare 类别样本太少导致 best 在验证集上的波动大。这时建议重新划分数据集而不是纠结用哪个权重。4. 训练自己的道路病害数据集与评估指标曲线4.1 数据标注与目录组织从Labelme到YOLO格式道路病害检测一般不会直接用 COCO 数据而是用你自己的路面图像。常见的数据来源有三个车载相机俯拍、手持相机近拍、无人机航拍。俯拍和航拍视角差异很大如果混在一起训练模型很容易懵建议按场景分开建模。标注工具用 Labelme 或 X-AnyLabeling 都可以。Labelme 默认生成的是 JSON 多边形Yolov8 训练需要的是 YOLO 格式的 txt。转换脚本是每个项目必须有的常见做法是读 JSON 里的shapes把多边形的外接矩形转成 Yolo 格式的归一化坐标import json import os def labelme_to_yolo(json_path, out_path, classes): with open(json_path, encodingutf-8) as f: data json.load(f) img_w, img_h data[imageWidth], data[imageHeight] lines [] # 遍历每个标注多边形 for shape in data[shapes]: label shape[label] if label not in classes: continue cls_id classes[label] points shape[points] # [[x1,y1], [x2,y2], ...] xs [p[0] for p in points] ys [p[1] for p in points] # 计算外接矩形并归一化 x_min, x_max min(xs), max(xs) y_min, y_max min(ys), max(ys) box_w (x_max - x_min) / img_w box_h (y_max - y_min) / img_h c_x (x_min x_max) / 2 / img_w c_y (y_min y_max) / 2 / img_h lines.append(f{cls_id} {c_x:.6f} {c_y:.6f} {box_w:.6f} {box_h:.6f}) out_txt os.path.join(out_path, os.path.basename(json_path).replace(.json, .txt)) with open(out_txt, w) as f: f.write(\n.join(lines)) classes {crack: 0, pothole: 1, repair: 2} labelme_to_yolo(data/label/0001.json, data/labels/train, classes)这段脚本的核心是按imageWidth和imageHeight归一化YOLO 格式要求中心点坐标和宽高都是 0-1 之间的小数。要注意直接对多边形取外接矩形会把裂缝两端的背景也包进来标注得越贴合bounding box 越准。坑槽这类不规则形状建议用矩形标注而不是多边形多边形转矩形会损失一部分真值信息矩形标注反而更直接。目录组织也很重要一个标准的 Yolov8 数据集目录长这样data/ images/ train/ road001.jpg val/ road100.jpg labels/ train/ road001.txt val/ road100.txt训练时只需要提供data.yaml里面指定train和val的路径。一个容易翻车的点是images 和 labels 必须保持相同的相对目录结构且文件名完全对应允许后缀不同否则训练时会报找不到标签文件。4.2 训练命令与关键参数img、batch、epochs、patience训练命令很简单但参数需要仔细调。以这个项目里的yolov8s为例yolo train \ modelyolov8s.pt \ datadata.yaml \ imgsz640 \ batch16 \ epochs100 \ patience15 \ device0 \ workers4imgsz是训练分辨率病害检测里 640 是性价比最高的选择。提升到 1280 对小裂缝有微弱提升但显存占用翻 4 倍训练时间也翻倍。batch越大模型收敛效果越一致但受显存限制如果显存 8G640 分辨率下 yolov8s 的 batch 建议不超过 16。patience是早停参数验证集 mAP 连续 15 个 epoch 不提升就自动停止道路病害数据集通常 50-80 epoch 就能收敛不用傻傻跑满 100。训练时还要注意权重的初始化方式。如果直接用modelyolov8s.pt会用 COCO 预训练权重做迁移学习这是首选。如果你已经有一个道路病害最佳模型可以用它接着训练yolo train modelruns/train/exp/weights/best.pt datadata.yaml imgsz640 batch16 epochs50这种做法叫增量训练适合新增一类病害或者用新数据扩充旧模型。但增量训练会在一定程度上改变原有类别上的性能如果旧模型已经很好新数据只是加了少量样本建议把旧权重作为参数初始化而不要冻结 backbone或者直接做数据融合训练。这个尺度需要多试几次没有统一答案。4.3 评估指标曲线P-R曲线、F1曲线、混淆矩阵怎么生成标题里说的「各项评估指标曲线」是判断模型能不能用的关键。训练结束后Yolov8 会在验证集上自动生成PR_curve.png、F1_curve.png、P_curve.png、R_curve.png和confusion_matrix.png这些图都在runs/train/exp/下。另外results.png会画训练和验证的 loss 曲线以及 P、R、mAP50、mAP50-95 的逐 epoch 变化一眼能看出模型有没有过拟合。P-R 曲线最值得看。它的横轴是召回率纵轴是精确率曲线下的面积就是 AP。AP 越接近 1说明模型在保持高精确率的同时还能召回大部分目标。道路病害场景里裂缝的 AP 通常在 0.6-0.85 之间坑槽的 AP 高一些因为目标大。如果曲线在某个置信度阈值附近突然断崖下跌说明模型对该类别的置信度分布不合理需要调整置信度阈值或者补充难例样本。你也可以用脚本手动绘制Yolov8 的results.curves_results可以直接拿到各阈值下的 P、R 数据from ultralytics import YOLO model YOLO(runs/train/exp/weights/best.pt) metrics model.val(datadata.yaml, splitval) # 各类别的 mAP print(metrics.box.map) # mAP0.5:0.95 print(metrics.box.map50) # mAP0.5 for cls_name, ap50, ap in zip(metrics.names.values(), metrics.box.ap50, metrics.box.ap): print(f{cls_name}: AP50{ap50:.3f}, AP{ap:.3f})这段代码的输出结果比 curve 图更直接。如果某个类别的 AP50 低于 0.5说明模型基本没学会这个类先查数据量是不是太少再看标注框是否太松。metrics.box.map是 COCO 风格的 mAP0.5:0.95道路病害评估报告里通常用 mAP50因为病害的边界模糊iou 阈值太高会让人工标注误差被放大。4.4 用训练好的模型做验证val模式与测试集训练时 Yolov8 会在每个 epoch 结束后对验证集做一次评估但我们需要对独立测试集训练中没见过的图像再做一次验证得到最终的评估指标。这一步直接用 val 命令yolo val modelruns/train/exp/weights/best.pt datadata.yaml splittest注意splittest要求data.yaml里配置了test路径。如果你只配置了 train 和 valYolov8 会默认用 val 做测试指标会比真实场景略好。在道路病害项目里测试集最好是另一段路的图像哪怕相机参数相同不同路面的纹理也有差异这才能真正反映模型的泛化能力。如果 val 结果与训练时结果差异很大先确认测试集图像是否经过预处理。Yolov8 内部会自动做 resize、归一化但你如果测试的是视频帧别忘了帧率导致的运动模糊也会影响检测效果。建议在 val 前人工抽看一下测试集的标注排除错标和漏标样本——指标曲线不会告诉你是标注错了还是模型错了这一步只能自己排查。5. 部署与训练中的常见问题排查5个踩坑记录5.1 现象Ubuntu20.04 CPU版环境跑起来特别慢第一次在这个项目里运行预测时一张 640×640 的路面图片在 i5-9400F 上跑了快 1 秒视频流直接掉到不到 1 FPS。一开始以为是模型太大后来发现是 PyTorch 装成了 OpenBLAS 版本没有使用 Intel 的 MKL 加速。原因是 CPU 版 PyTorch 在 Ubuntu 上的默认矩阵运算库不一定是 MKLOpenBLAS 在多线程调度上效率低。解决方法是安装 MKL 版 PyTorch或者改用官方 Intel CPU 轮子pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu并在推理前设置torch.set_num_threads(8)。设置后单张推理降到 200ms 左右虽然仍然不能实时但批量处理图片已经可以接受。另外把imgsz降到 416速度还能再快一半。5.2 现象训练时显存溢出OOM在 8G 显存的 GTX1070 上用 yolov8m 训练batch 设 32刚开始 200 步就报 CUDA out of memory。原因是imgsz640且 workers8 时数据加载器也会占用一部分显存另外 Yolov8 在训练时会额外保留两倍的梯度用于自动混合精度。解决方法是先开 AMP 混合精度Yolov8 默认开着但老版本可能没开然后把 batch 降为 8workers改为 4如果还不够换模型版本yolov8s 比 m 省 30% 显存。还有一招是把cacheTrue关掉因为缓存数据集到显存/内存会瞬间抬高占用。最实用的排查命令是nvidia-smi看到其他进程占显存时用fuser -v /dev/nvidia*找出并杀掉残留的训练进程这个坑很多人忽略。5.3 现象模型把路面裂缝识别成车道线在验收时发现模型把新旧沥青接缝、白色车道线都框成了裂缝精确率直线下滑。原因是训练集里全是干净路面上的裂缝没有加入带车道线、接缝、阴影的负样本模型没有见过「看起来像裂缝但其实不是」的干扰项。解决方法是收集足够多的 hard negative 样本单独建一个文件夹把它们的标签文件留空txt 只有 0 字节放进训练数据里。Yolov8 会把这些图片作为背景类参与训练从而抑制误检。另外数据增强里的hsv_h、hsv_s等参数会让颜色扰动过大把路面颜色搅乱导致模型依赖纹理忽视频色特征建议在道路病害数据上把颜色增强幅度调低比如hsv_h0.01。5.4 现象P-R曲线极其反常AP为0或恒定训练结束后查看PR_curve.png发现某一类别的 PR 曲线是一条水平线AP 为 0。排查后发现这个类别在训练集中只有 20 张图而且全部集中在验证集划分后的一小部分训练时几乎没有收敛到该类。原因是样本不平衡和划分不均匀。解决方法是先用train/val/test 7/2/1按文件夹分层采样而不是随机划分对小类别做增强复制或者用class_weight调高损失权重。另外如果某个类别在验证集里只有 1-2 个目标AP 波动会非常大建议每类至少 50 个检测目标再评估否则那根曲线只能说明数据划分有问题不代表模型能力。5.5 现象导出ONNX后推理结果与PyTorch不一致把best.pt导出成 ONNX 再部署到 RK3588 上发现同一个置信度阈值下ONNX 的检测框比 PyTorch 少了一半。用 ONNX Runtime 仔细对比后发现输出张量里的坐标值和小目标置信度都有细微差异原因是导出时没有固定输入尺寸。Yolov8 的export默认支持动态尺寸ONNX 里的 NMS 算子与 ultralytics 处理逻辑不一致也会造成差异。解决方法是导出时固定尺寸并关闭推理模式以外的附加输出yolo export modelbest.pt formatonnx imgsz640 dynamicFalse opset12导出后用onnxruntime跑一遍相同的图片对比输出的检测数量确认差异可接受。如果差异大检查是否用torch.no_grad()导出以及模型是否在 eval 模式。还有一个常见坑是导出前忘了把权重切到float16Pytorch 上没问题但板端推理时半精度会丢掉小目标建议导出后先量化校准再部署。6. 进阶用 RK3588 部署道路病害模型的完整思路如果你的项目不是演示完就结束而是想装在巡检车上那绕不开边缘部署。RK3588 是目前国产边缘板里性价比很能打的选择8 核 CPU 6 TOPS NPU能跑 Yolov8s 量化的模型。部署的核心思路不是把 PyTorch 搬到板子上而是转成 RKNN 格式。6.1 模型导出与量化先在 PC 上用 ONNX 做中间格式再用 RKNN-Toolkit2 转成 RKNN。导出命令保持一致yolo export modelbest.pt formatonnx imgsz640 opset12 dynamicFalse然后在 PC 上的 rknn-toolkit2 环境里执行转换关键参数是量化类型和数据集。from rknn.api import RKNN rknn RKNN() # 配置 NPU 核心数、量化精度 rknn.config(target_platformrk3588, quantized_dtypew8a8, batch_size1) # 加载 ONNX 模型 rknn.load_onnx(modelbest.onnx) # 使用 100 张训练集图片做量化校准 rknn.build(do_quantizationTrue, datasetquant_dataset.txt) rknn.export_rknn(best.rknn)量化数据集quant_dataset.txt里每一行是图片路径文件内容就是待导入的图片列表。这里用训练集而不是验证集因为量化校准只需要表征数据分布训练集量大更有代表性。rknn 转换后建议在 PC 上先做板端仿真推理预览误检情况再上板。6.2 板端推理验证与性能对比在 RK3588 上用 Python 的 RKNN Toolkit 或 C API 跑推理测量精度和延迟。通常 w8a8 量化后mAP50 会下降 2-5 个百分点这个幅度对道路病害可接受因为裂缝本身边界模糊。如果下降超过 10 个点优先检查量化是否忽略了hsv增强导致的颜色分布偏移或者尝试改成 w8a16。我的经验是先跑 100 张现场图片对比原版 best.pt 和量化后模型的检测框确认没有大面积漏检再上实车。部署完成后要保留原始 ONNX 和量化脚本方便复现不要只留一个.rknn文件否则后续调优还得重新摸索。最后说句实在话道路病害检测这个方向模型只是起点真正决定项目能不能交付的是数据质量和部署时的边界情况。我自己的习惯是每次接到新路段的图像先拿旧模型跑一遍把漏检和误检图挑出来补进训练集里做一轮增量训练再更新部署模型。这个流程看起来笨但效果比换任何新模型都稳。希望帮到你。本文还有配套的精品资源点击获取