基于YOLO26深度学习的路面积水智能检测分割与分析系统【python源码+Pyqt5界面+数据集+训练代码】
《博主简介》
小伙伴们好，我是阿旭。
专注于计算机视觉领域，包括目标检测、图像分类、图像分割和目标跟踪等项目开发，提供模型对比实验、答疑辅导等。
《------往期经典推荐------》
二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~
《------正文------》
目录
基本功能演示
项目演示地址：https://www.bilibili.com/video/BV1RRAtzFELB
摘要：路面积水易引发内涝、拥堵和交通事故，尤其在暴雨多发或排水薄弱区域风险更高。传统监测靠人工或固定传感器，覆盖有限、响应慢，难以实现大范围、实时、精细的动态感知。本文基于
YOLO26深度学习框架，通过2419路面积水相关图片，训练了一个进行积水的目标分割模型，可以检测分割路面积水具体位置及大小，并根据分割面积进行风险等级评估。最终基于此模型开发了一款带UI界面的路面积水智能检测分割与分析系统，可用于实时检测场景中的积水的分割与分析。该系统是基于python与PyQT5开发的，支持图片、批量图片、视频以及摄像头进行目标检测分割，并保存检测结果。本文提供了完整的Python代码和使用教程，给感兴趣的小伙伴参考学习，完整的代码资源文件获取方式见文末。
文章目录
前言
路面积水是引发城市内涝、交通拥堵、车辆打滑甚至交通事故的重要隐患，尤其在暴雨频发季节或排水系统薄弱区域，风险更为突出。传统积水监测依赖人工巡查或固定水位传感器，覆盖范围有限、响应滞后，难以实现大范围、实时、精细化的动态感知。基于深度学习的路面积水分割模型能够从普通监控或车载摄像头画面中精准识别并分割积水区域，并通过计算其占画面比例、几何尺寸等参数，自动评估积水风险等级。本系统构建了一套集检测、分割、量化与预警于一体的智能分析平台，显著提升了道路积水监测的自动化水平和时效性，为智慧交通、城市应急管理和公众出行安全提供了有力支撑。
应用场景
城市道路积水实时监测 :接入城市交通监控网络，对主干道、下穿隧道、低洼路段等易涝点进行全天候积水识别与风险评估。
智能交通诱导与调度:将积水风险信息实时推送至导航平台或可变情报板，引导车辆绕行严重积水路段，缓解交通压力。
市政应急响应支持:在暴雨期间，系统自动标记高风险区域，辅助排水部门快速定位并优先处置严重积水点，提升应急效率。
自动驾驶与辅助驾驶系统:集成于智能网联车辆，帮助自动驾驶系统识别前方路面积水，调整行驶策略（如减速、换道），提升行车安全。
校园、园区与小区内部道路管理:用于封闭或半封闭区域的道路安全监控，在雨天及时预警积水隐患，保障行人与非机动车通行安全。
城市内涝防治与规划评估:长期积累积水时空分布数据，为排水管网改造、海绵城市建设效果评估提供量化依据。
博主通过搜集路面积水的相关图片，根据最前沿的YOLO26目标分割技术，基于python与Pyqt5开发了一款界面简洁的路面积水智能检测分割与分析系统，能够检测分割出积水的具体区域大小、面积占比、长宽等信息，并根据积水面积占比进行风险等级评估,可支持图片、视频以及摄像头检测，同时可以将图片、视频以及摄像头的检测结果进行保存。本文详细的介绍了此系统的核心功能以及所使用到的技术原理与制作流程。
软件初始界面如下图所示：
检测结果界面如下：
一、软件核心功能介绍及效果演示
软件主要功能
1. 可进行路面积水检测分割，检测分割一个类别：积水；
2. 支持图片、图片批量、视频及摄像头进行检测分割；
3. 可显示总分割面积占比以及单个目标的分割面积占比；
4. 根据总分割面积占比进行风险等级划分；
5. 界面可实时显示目标位置、分割结果、分割面积占比、置信度、用时、长宽等信息;
6. 结果保存：支持图片、视频及摄像头的分割结果保存；
界面参数设置说明
置信度阈值：也就是目标检测时的conf参数，只有检测出的目标置信度大于该值，结果才会显示；交并比阈值：也就是目标检测时的iou参数，检测结果中重叠区域小于iou阈值的才会显示，重叠大于阈值的话，只会保留一个；
IoU：全称为Intersection over
Union，表示交并比。在目标检测中，它用于衡量模型生成的候选框与原标记框之间的重叠程度。IoU值越大，表示两个框之间的相似性越高。通常，当IoU值大于0.5时，认为可以检测到目标物体。这个指标常用于评估模型在特定数据集上的检测准确度。
3. 窗口1:显示分割结果：表示是否在检测图片中显示分割结果，默认勾选；
4. 窗口1:显示检测框与标签：表示是否在检测图片中显示检测框与标签，默认勾选；
窗口2:显示Mask或者显示原始分割图片：表示在窗口2中显示分割的Mask或者原始图片分割内容；
显示Mask或者显示原始分割图片选项的功能效果如下：
显示Mask选项效果:
显示原始分割图片效果：
检测与分析结果说明：
总分割面积占比：表示图片中所有分割目标的面积总和占整张图片的百分比；
风险等级：根据总分割面积占比进行等级划分。0-10：代表正常；10-30：代表一般；大于30代表严重；
分割面积占比：表示所选择分割目标的面积占整张图片的百分比；
置信度：表示所选择分割目标的结果置信度大小；
分割宽度px:表示所选择分割目标的最小外接矩形框的宽度大小，单位为像素px；
分割长度px:表示所选择分割目标的最小外接矩形框的长度大小，单位为像素px；
分割中心点坐标:表示所选择分割目标的最小外接矩形框的中心点坐标信息；
检测框位置：表示所选择分割目标的yolov8检测框坐标信息，框左上角坐标(xmin,ymin),框右下角坐标（xmax,ymax）；
表格信息包括：文件路径、目标编号、类别、置信度、检测框位置、分割占比、分割宽度、分割长度、分割中心点坐标。
（1）图片检测演示
1.点击打开图片按钮，选择需要检测的图片，或者点击打开文件夹按钮，选择需要批量检测图片所在的文件夹，操作演示如下：
2.点击目标下拉框后，可以选定指定目标的结果信息进行显示。
3. 点击保存按钮，会对图片检测结果进行保存，存储路径为：save_data目录下。
4.点击表格中的指定行，界面会显示该行表格所写的信息内容。
注：右侧目标位置默认显示置信度最大一个目标位置,可用下拉框进行信息切换。所有检测结果均在表格中显示。
点击保存按钮，会对图片的检测结果进行保存，共会保存3种类型结果，分别是：检测分割结果标识图片、分割的Mask图片以及原图分割后的图片。存储在save_data目录下，保存结果如下：
（2）视频检测演示
1.点击打开视频图标，打开选择需要检测的视频，就会自动显示检测结果。再次点击该按钮，会关闭视频。
2.点击保存按钮，会对视频检测结果进行保存，同样会保存3种类型结果，分别是：检测分割结果标识视频、分割Mask视频以及原视频分割后的视频，存储路径为：save_data目录下。
视频检测保存结果如下：
（3）摄像头检测演示
1.点击打开摄像头按钮，可以打开摄像头，可以实时进行检测，再次点击该按钮，可关闭摄像头；
2.点击保存按钮，可以进行摄像头实时图像的检测结果保存。
（4）检测结果保存
点击保存按钮后，会将当前选择的图片【含批量图片】、视频或者摄像头的分割结果进行保存。结果会存储在save_data目录下，保存内容如下：
图片检测保存的csv文件信息内容如下：
包括：'文件名', '目标编号', '类别', '置信度', '检测框位置','分割占比', '分割宽度','分割长度','分割中心坐标'信息。
二、目标分割模型的训练、评估与推理
1.YOLO26介绍
本项目采用的是最新的YOLO26目标检测模型。YOLO26 是 Ultralytics 2026 年 1 月推出的新一代计算机视觉模型，主打边缘优先、高效部署。它采用端到端免 NMS 架构，移除 DFL 模块，CPU 推理速度较前代提升 43%；搭配 MuSGD 优化器与 ProgLoss+STAL 损失策略，强化小目标检测能力，支持检测、分割、姿势估计等多任务，可无缝适配树莓派、嵌入式设备等终端，广泛应用于智慧农业、安防监控等领域。
YOLO各版本性能对比：
YOLO26创新点
YOLO26的性能飞跃源于四大核心技术创新，从模型架构到训练机制全面优化：
1. 移除DFL模块，简化预测流程
早期YOLO模型依赖分布焦点损失（DFL）提升边界框精度，但这一模块增加了部署复杂度，且存在固定回归限制。YOLO26彻底移除DFL，不仅简化了边界框预测逻辑，提升了硬件兼容性，还解决了超大目标检测的可靠性问题，让模型在边缘设备上的导出与运行更顺畅。
2. 端到端无NMS推理，降低 latency
传统目标检测需通过非极大值抑制（NMS）进行后处理，过滤重叠预测框——这一步骤会增加延迟、提升部署难度。YOLO26采用原生端到端架构，直接输出最终预测结果，内部自动处理重复预测，彻底省去NMS环节，大幅降低推理延迟与集成风险，完美适配实时边缘场景。
3. ProgLoss+STAL，提升检测精度
- 渐进式损失平衡（ProgLoss）：让模型训练过程更稳定，收敛更平滑，减少训练波动
- 小目标感知标签分配（STAL）：针对小目标、低可见度目标优化学习机制，解决边缘场景中“难检测”问题
两项技术结合，让YOLO26在复杂场景中仍能保持高可靠检测，尤其适用于物联网、机器人、航拍等小目标密集场景。
4. MuSGD优化器，强化训练稳定性
YOLO26采用全新混合优化器MuSGD，融合传统随机梯度下降（SGD）的强泛化能力与大语言模型（LLM）训练中的先进优化思路。该优化器灵感源自Moonshot AI的Kimi K2，能让模型更快达到高性能水平，同时降低训练不稳定性，尤其在大型复杂数据集训练中表现突出。
2. 数据集准备与训练
通过网络上搜集关于路面积水相关图片，并使用Labelme标注工具对每张图片中的分割结果及类别进行标注。一共包含2419张图片，其中训练集包含1693张图片，验证集包含484张图片，测试集包含242张图片,部分图像及标注如下图所示。
数据集的各类别具体分布如下所示：
图片数据的存放格式如下，在项目目录中新建datasets目录，同时将检测的图片分为训练集、验证集放入Data目录下。
同时我们需要新建一个data.yaml文件，用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时，会读取该文件的信息，用于进行模型的训练与验证。data.yaml的具体内容如下：
train: E:\CVProgram\2SegProgram\PuddleSeg\data\data\train\images
val: E:\CVProgram\2SegProgram\PuddleSeg\data\data\val\images
test: E:\CVProgram\2SegProgram\PuddleSeg\data\data\test\images
nc: 1
names: ['puddle']
注：train与val后面表示需要训练图片的路径，建议直接写自己文件的绝对路径。
数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，batch参数用于调整训练的批次大小【根据内存大小调整，最小为1】，代码如下：
#coding:utf-8
from ultralytics import YOLO
import matplotlib
matplotlib.use('TkAgg')
# 模型配置文件
model_yaml_path = "ultralytics/cfg/models/26/yolo26-seg.yaml"
#数据集配置文件
data_yaml_path = r'PuddleSeg/data/data/data.yaml'
#预训练模型
pre_model_name = 'yolo26n-seg.pt'
if __name__ == '__main__':
#加载预训练模型
model = YOLO(model_yaml_path).load(pre_model_name)
#训练模型
results = model.train(data=data_yaml_path,
epochs=150,
batch=32,
name='train_26-puddle')
模型常用训练超参数参数说明：
YOLO11 模型的训练设置包括训练过程中使用的各种超参数和配置。这些设置会影响模型的性能、速度和准确性。关键的训练设置包括批量大小、学习率、动量和权重衰减。此外，优化器、损失函数和训练数据集组成的选择也会影响训练过程。对这些设置进行仔细的调整和实验对于优化性能至关重要。
以下是一些常用的模型训练参数和说明：
| 参数名 | 默认值 | 说明 |
|---|---|---|
model | None | 指定用于训练的模型文件。接受指向 .pt 预训练模型或 .yaml 配置文件。对于定义模型结构或初始化权重至关重要。 |
data | None | 数据集配置文件的路径（例如 coco8.yaml).该文件包含特定于数据集的参数，包括训练数据和验证数据的路径、类名和类数。 |
epochs | 100 | 训练总轮数。每个epoch代表对整个数据集进行一次完整的训练。调整该值会影响训练时间和模型性能。 |
patience | 100 | 在验证指标没有改善的情况下，提前停止训练所需的epoch数。当性能趋于平稳时停止训练，有助于防止过度拟合。 |
batch | 16 | 批量大小，有三种模式:设置为整数(例如，’ Batch =16 ‘)， 60% GPU内存利用率的自动模式(’ Batch =-1 ‘)，或指定利用率分数的自动模式(’ Batch =0.70 ')。 |
imgsz | 640 | 用于训练的目标图像尺寸。所有图像在输入模型前都会被调整到这一尺寸。影响模型精度和计算复杂度。 |
device | None | 指定用于训练的计算设备：单个 GPU (device=0）、多个 GPU (device=0,1)、CPU (device=cpu)，或苹果芯片的 MPS (device=mps). |
workers | 8 | 加载数据的工作线程数（每 RANK 多 GPU 训练）。影响数据预处理和输入模型的速度，尤其适用于多 GPU 设置。 |
name | None | 训练运行的名称。用于在项目文件夹内创建一个子目录，用于存储训练日志和输出结果。 |
pretrained | True | 决定是否从预处理模型开始训练。可以是布尔值，也可以是加载权重的特定模型的字符串路径。提高训练效率和模型性能。 |
optimizer | 'auto' | 为训练模型选择优化器。选项包括 SGD, Adam, AdamW, NAdam, RAdam, RMSProp 等，或 auto 用于根据模型配置进行自动选择。影响收敛速度和稳定性 |
lr0 | 0.01 | 初始学习率（即 SGD=1E-2, Adam=1E-3) .调整这个值对优化过程至关重要，会影响模型权重的更新速度。 |
lrf | 0.01 | 最终学习率占初始学习率的百分比 = (lr0 * lrf)，与调度程序结合使用，随着时间的推移调整学习率。 |
3. 训练结果评估
在深度学习中，我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv8在训练时主要包含三个方面的损失：定位损失(box_loss)、分类损失(cls_loss)、动态特征损失（dfl_loss）以及分割损失（seg_loss），在训练结束后，可以在runs/目录下找到训练过程及结果文件，如下所示：
各损失函数作用说明：
定位损失box_loss：预测框与标定框之间的误差（GIoU），越小定位得越准；
分类损失cls_loss：计算锚框与对应的标定分类是否正确，越小分类得越准；
动态特征损失（dfl_loss）：DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时，目标框需要缩放到特征图尺度，即除以相应的stride，并与预测的边界框计算Ciou Loss，同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLO11训练流程中的一部分，通过计算DFLLoss可以更准确地调整预测框的位置，提高目标检测的准确性。
实例分割损失（seg_loss）：预测的分割结果与标定分割之前的误差，越小分割的越准确；
语义分割损失（sem_loss）：预测的语义分割结果与标定分割之前的误差，结合了 BCE（Binary Cross Entropy）和 Dice 损失，越小分割的越准确。仅在训练时计算，验证时未计算（所以数值为0）；
本文训练结果如下：
我们通常用PR曲线来体现精确率和召回率的关系，本文训练结果的PR曲线如下。mAP表示Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值。mAP@.5：表示阈值大于0.5的平均mAP。
定位结果的PR曲线如下：
分割结果的PR曲线如下：
从上面图片曲线结果可以看到：定位的平均精度为0.915，分割的平均精度为0.921，结果还是非常不错的。
4. 模型推理
模型训练完成后，我们可以得到一个最佳的训练结果模型best.pt文件，在runs/trian/weights目录下。我们可以使用该文件进行后续的推理检测。
图片检测代码如下：
#coding:utf-8
from ultralytics import YOLO
import cv2
# 所需加载的模型目录
path = 'models/best.pt'
# 需要检测的图片地址
img_path = "TestFiles/image38_jpeg_jpg.rf.64a367e9de9d50a1b9b46f4ec1b31fbc.jpg"
# 加载预训练模型
# conf 0.25 object confidence threshold for detection
# iou 0.7 intersection over union (IoU) threshold for NMS
model = YOLO(path, task='segment')
# 检测图片
results = model(img_path)
res = results[0].plot()
# res = cv2.resize(res,dsize=None,fx=0.5,fy=0.5,interpolation=cv2.INTER_LINEAR)
cv2.imshow("Res", res)
cv2.imwrite("res.jpg", res)
cv2.waitKey(0)
执行上述代码后，会将执行的结果直接标注在图片上，结果如下：
更多检测结果展示如下：
四、可视化系统制作
基于上述训练出的分割模型，为了给此检测系统提供一个用户友好的操作平台，使用户能够便捷、高效地进行检测任务。博主基于Pyqt5开发了一个可视化的系统界面，通过图形用户界面（GUI），用户可以轻松地在图片、视频和摄像头实时检测之间切换，无需掌握复杂的编程技能即可操作系统。【系统详细展示见第一部分内容】
Pyqt5详细介绍
关于Pyqt5的详细介绍可以参考之前的博客文章：《Python中的Pyqt5详细介绍：基本机构、部件、布局管理、信号与槽、跨平台》，地址：
https://a-xu-ai.blog.csdn.net/article/details/143273797
系统制作
博主基于Pyqt5框架开发了此款路面积水智能检测分割与分析系统，即文中第一部分的演示内容，能够很好的支持图片、视频及摄像头进行检测，同时支持检测结果的保存。
通过图形用户界面（GUI），用户可以轻松地在图片、视频和摄像头实时检测之间切换，无需掌握复杂的编程技能即可操作系统。这不仅提升了系统的可用性和用户体验，还使得检测过程更加直观透明，便于结果的实时观察和分析。此外，GUI还可以集成其他功能，如检测结果的保存与导出、检测参数的调整，从而为用户提供一个全面、综合的检测工作环境，促进智能检测技术的广泛应用。
本系统基于深度学习实现了对路面积水的高精度实时分割与量化分析，通过面积占比等指标自动划分风险等级，突破了传统监测手段在覆盖范围、响应速度和精细化程度上的局限。它不仅为交通管理、应急响应和公众出行提供了智能化决策支持，也为构建韧性城市和智慧基础设施奠定了技术基础。随着视觉感知与边缘计算能力的持续提升，此类系统将在未来城市安全治理中发挥越来越关键的作用。
关于该系统涉及到的完整源码、UI界面代码、数据集、训练代码、测试图片视频等相关文件，均已打包上传，感兴趣的小伙伴可以通过下载链接自行获取。
【获取方式】
本文涉及到的完整全部程序文件：包括环境配置文档说明、python源码、数据集、训练代码、UI文件、测试图片视频等（见下图），获取方式见文末：
注意：该代码基于Python3.9开发，运行界面的主程序为
MainProgram.py，其他测试脚本说明见上图。为确保程序顺利运行，请按照程序运行说明文档txt配置软件运行所需环境。
助力广东及东莞地区开发者，代码托管、在线学习与竞赛、技术交流与分享、资源共享、职业发展，成为松山湖开发者首选的工作与学习平台
更多推荐
55
0- 0
已为社区贡献14条内容
所有评论(0)