下水道缺陷实例分割数据集，下水道缺陷实例分割 YOLOv11 + PyQt5![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/30059f384863650e76f92539e81a68f4.png)
6292张，yolo，voc，coco三种标注方式![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/caefb89c8b2ca6a07e877d8025fbf27f.png)

数据集统计信息
====================
图像尺寸:720*960
类别数量: 10 类
训练集图像:5034; 验证集图像:1204; 测试集图像:54
总图像数: 6292![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/eaf5e772340ec4af386a9e64de024bf0.png)
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/b19a00a58709975a8fc71231211002be.png)


类别分布:
类别名称 | 包含该类别的图像数 | 总标注数
----------------------------------------
AJ 支管暗接| 681 | 761
BX 变形 | 751 | 1026
CJ 沉积物 | 548 | 584
CK 错口 | 500 | 963
PL 破裂| 461 | 620
QF 起伏| 660 | 660
SG 树根| 728 | 2510
SL 渗漏| 462 | 869
TJ 脱节| 581 | 662
ZW 障碍物| 804 | 1198![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/fcd4383bd8506bba2e27ca8cbd0cef4d.png)


模型代码：模型训练使用yolov11n-seg训练，80个epoch训练结果，map如描述图所示。![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/7dd9115dda1c8f02b451c07d3ed4407c.png)

qt界面：运行界面采用pyqt5编写，本项目已经训练好模型，配置好环境后可直接使用，运行效果见描述图像![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/c118909dda8f678de2da4e5acc731b7f.png)
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/570c957a9293f657db492f8b717ff33e.png)
# 下水道缺陷实例分割 YOLOv11 + PyQt5 系统完整代码
## 1、环境依赖
```bash
pip install ultralytics opencv-python pyqt5 numpy pillow
```

## 2、数据集yaml（`pipe_defect.yaml`）
```yaml
# 下水道缺陷10类
names:
  0: AJ # 沉积物
  1: BX # 变形
  2: CJ # 沉积
  3: CK # 错口
  4: PL # 破裂
  5: QF # 起伏
  6: SG # 树根
  7: SL # 渗漏
  8: TJ # 脱节
  9: ZW # 障碍物
nc: 10
train: ./datasets/train/images
val: ./datasets/val/images
test: ./datasets/test/images
```

## 3、模型训练代码 `train.py`
```python
from ultralytics import YOLO

if __name__ == '__main__':
    # 加载yolov11分割模型
    model = YOLO("yolo11s-seg.pt")
    # 开始训练
    result = model.train(
        data="pipe_defect.yaml",
        epochs=100,
        imgsz=640,
        batch=8,
        device=0,
        patience=15,
        save=True,
        project="pipe_seg_result",
        name="yolo11s_pipe_defect"
    )
    print("训练完成，最佳权重：", result.save_dir / "weights/best.pt")
```

## 4、PyQt5可视化界面代码 `main_gui.py`
```python
import sys
import cv2
import numpy as np
from PyQt5.QtWidgets import (QApplication, QMainWindow, QPushButton, QFileDialog,
                             QLabel, QWidget, QVBoxLayout, QHBoxLayout, QTableWidget, QTableWidgetItem, QRadioButton, QButtonGroup)
from PyQt5.QtGui import QImage, QPixmap
from PyQt5.QtCore import Qt, QThread, pyqtSignal
from ultralytics import YOLO

class PredictThread(QThread):
    signal_img = pyqtSignal(np.ndarray)
    signal_table = pyqtSignal(list)
    def __init__(self, model, img_path):
        super().__init__()
        self.model = model
        self.img_path = img_path
    def run(self):
        res = self.model(self.img_path, conf=0.3)
        img = cv2.imread(self.img_path)
        img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
        table_data = []
        for r in res:
            boxes = r.boxes
            masks = r.masks
            if masks is not None:
                img = r.plot()
            for box in boxes:
                cls_id = int(box.cls[0])
                conf = float(box.conf[0])
                xyxy = box.xyxy[0].tolist()
                table_data.append([self.model.names[cls_id], round(conf,2), int(xyxy[0]), int(xyxy[1]), f"{xyxy}"])
        self.signal_img.emit(img)
        self.signal_table.emit(table_data)

class MainWindow(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("基于YOLO11的下水道缺陷实例分割系统")
        self.resize(1600,900)
        self.model = YOLO("weights/best.pt")
        self.init_ui()

    def init_ui(self):
        central = QWidget()
        self.setCentralWidget(central)
        main_layout = QVBoxLayout(central)

        # 按钮栏
        btn_layout = QHBoxLayout()
        self.btn_img = QPushButton("选择图片")
        self.btn_img.clicked.connect(self.open_img)
        self.btn_video = QPushButton("选择视频")
        self.btn_cam = QPushButton("摄像头")
        self.btn_save = QPushButton("保存结果")
        btn_layout.addWidget(self.btn_img)
        btn_layout.addWidget(self.btn_video)
        btn_layout.addWidget(self.btn_cam)
        btn_layout.addWidget(self.btn_save)

        # 检测/分割单选
        self.radio_det = QRadioButton("检测模式")
        self.radio_seg = QRadioButton("分割模式")
        self.radio_seg.setChecked(True)
        bg = QButtonGroup()
        bg.addButton(self.radio_det)
        bg.addButton(self.radio_seg)
        btn_layout.addWidget(self.radio_det)
        btn_layout.addWidget(self.radio_seg)

        # 图像展示区域
        img_layout = QHBoxLayout()
        self.label_origin = QLabel("原始图像")
        self.label_result = QLabel("分割结果")
        self.label_origin.setFixedSize(720,600)
        self.label_result.setFixedSize(720,600)
        img_layout.addWidget(self.label_origin)
        img_layout.addWidget(self.label_result)

        # 结果表格
        self.table = QTableWidget()
        self.table.setColumnCount(5)
        self.table.setHorizontalHeaderLabels(["类别","置信度","xmin","ymin","bbox"])

        main_layout.addLayout(btn_layout)
        main_layout.addLayout(img_layout)
        main_layout.addWidget(self.table)

    def open_img(self):
        path,_ = QFileDialog.getOpenFileName(self,"选择图片","","*.jpg;*.png;*.jpeg")
        if not path:return
        ori_img = cv2.imread(path)
        ori_img = cv2.cvtColor(ori_img, cv2.COLOR_BGR2RGB)
        self.show_img(ori_img, self.label_origin)
        # 推理线程
        self.thread = PredictThread(self.model, path)
        self.thread.signal_img.connect(lambda x:self.show_img(x,self.label_result))
        self.thread.signal_table.connect(self.fill_table)
        self.thread.start()

    def show_img(self,img,label):
        h,w,c = img.shape
        qimg = QImage(img.data,w,h,c*w,QImage.Format_RGB888)
        label.setPixmap(QPixmap.fromImage(qimg).scaled(label.size(),Qt.KeepAspectRatio))

    def fill_table(self,data):
        self.table.setRowCount(len(data))
        for i,row in enumerate(data):
            for j,val in enumerate(row):
                self.table.setItem(i,j,QTableWidgetItem(str(val)))

if __name__ == "__main__":
    app = QApplication(sys.argv)
    win = MainWindow()
    win.show()
    sys.exit(app.exec_())
```

## 5、推理单张图片 `predict.py`
```python
from ultralytics import YOLO
model = YOLO("weights/best.pt")
res = model("test_img.jpg",save=True,conf=0.3)
for r in res:
    r.show()
```

## 6、项目功能说明
- 支持图片、视频、摄像头实时下水道缺陷实例分割
- 可视化缺陷掩码+检测框，输出类别、置信度、坐标到右侧表格
- 可切换检测模式 / 实例分割模式
- 支持保存推理结果图片


下水道缺陷实例分割数据集，下水道缺陷实例分割 YOLOv11 + PyQt56292张，yolo，voc，coco三种标注方式

下水道缺陷实例分割 YOLOv11+PyQt5 下水道缺陷实例分割数据集  沉积物、 变形、 沉积、 错口、破裂、起伏、树根、 渗漏、 脱节、 障碍物

人工智能

客户端

基于YOLOv11+PyQt5的下水道缺陷实例分割系统，含6292张标注图像、10类缺陷（破裂、变形、树根等），提供YOLO/VOC/COCO三种格式数据集。支持图片、视频及摄像头实时检测，可视化缺陷掩码与检测框，可输出类别、置信度及坐标至表格，便于快速部署应用。

代码解释

YOLO

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

下水道缺陷实例分割 YOLOv11+PyQt5 下水道缺陷实例分割数据集  沉积物、 变形、 沉积、 错口、破裂、起伏、树根、 渗漏、 脱节、 障碍物-腾讯云开发者社区-腾讯云

下水道缺陷实例分割 YOLOv11+PyQt5 下水道缺陷实例分割数据集沉积物、变形、沉积、错口、破裂、起伏、树根、渗漏、脱节、障碍物

下水道缺陷实例分割 YOLOv11+PyQt5 下水道缺陷实例分割数据集沉积物、变形、沉积、错口、破裂、起伏、树根、渗漏、脱节、障碍物

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

下水道缺陷实例分割 YOLOv11+PyQt5 下水道缺陷实例分割数据集 沉积物、 变形、 沉积、 错口、破裂、起伏、树根、 渗漏、 脱节、 障碍物

下水道缺陷实例分割 YOLOv11+PyQt5 下水道缺陷实例分割数据集 沉积物、 变形、 沉积、 错口、破裂、起伏、树根、 渗漏、 脱节、 障碍物

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

下水道缺陷实例分割 YOLOv11+PyQt5 下水道缺陷实例分割数据集沉积物、变形、沉积、错口、破裂、起伏、树根、渗漏、脱节、障碍物

下水道缺陷实例分割 YOLOv11+PyQt5 下水道缺陷实例分割数据集沉积物、变形、沉积、错口、破裂、起伏、树根、渗漏、脱节、障碍物