基于深度学习的盲道及损害检测系统 盲道检测数据集

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/654a9e2f4eb480d1125f4a92a1a65cf7.png)
数据集，代码模型，界面
数据集4489张，提供yolo和voc两种标注方式![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/4846fc56e0e6f90c1144b53f0d972936.png)

3类，标注数量：
damaged_block: 3770
linear_block: 4885
braille_block: 3534
image num: 4489
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/431f0c0fd80133e4f12a25b881ca9aba.png)

模型训练使用yolov11n训练，50个epoch训练结果，map如上图所示。
运行界面采用qt，本项目已经训练好模型，配置好环境后可直接使用，运行效果见图像![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/c1c00dfb8a5b1080a589f69b5e8f7ddf.png)
# 基于YOLOv11 盲道检测系统完整代码（PyQt界面+推理）
> 类别：`braille_block`（圆点盲道砖）、`linear_block`（长条提示盲道砖）、`damaged_block`（破损盲道砖）
## 1. 数据集yaml配置 `blind_road.yaml`
```yaml
path: ./blind_road_dataset
train: images/train
val: images/val
test: images/test

names:
  0: braille_block
  1: linear_block
  2: damaged_block
```

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

if __name__ == "__main__":
    # 加载yolov11预训练权重
    model = YOLO("yolov11n.pt")
    # 开始训练
    results = model.train(
        data="blind_road.yaml",
        epochs=100,
        imgsz=640,
        batch=8,
        device=0,
        patience=10,
        pretrained=True
    )
```

## 3. PyQt5可视化推理系统 `blind_detect_gui.py`（对应截图界面）
```python
import sys
import cv2
import numpy as np
from PyQt5.QtWidgets import (QApplication, QMainWindow, QPushButton, QLabel,
                             QFileDialog, QTableWidget, QTableWidgetItem, QComboBox)
from PyQt5.QtGui import QImage, QPixmap
from PyQt5.QtCore import Qt
from ultralytics import YOLO

class MainWindow(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("基于YOLOv11的盲道检测")
        self.resize(1200,800)
        #加载训练好的模型
        self.model = YOLO("./runs/detect/train/weights/best.pt")
        self.img = None
        self.result_img = None

        #UI组件
        self.label_img = QLabel("图片显示区域",self)
        self.label_img.setGeometry(20,40,600,500)
        self.label_img.setStyleSheet("border:1px solid #999;")

        self.btn_open = QPushButton("文件导入",self)
        self.btn_open.setGeometry(650,40,160,40)
        self.btn_open.clicked.connect(self.open_image)

        self.combo_target = QComboBox(self)
        self.combo_target.setGeometry(650,320,160,30)
        self.combo_target.addItem("全部")

        self.table = QTableWidget(self)
        self.table.setGeometry(20,560,780,200)
        self.table.setColumnCount(5)
        self.table.setHorizontalHeaderLabels(["序号","文件路径","类别","置信度","坐标位置"])

    def open_image(self):
        path,_ = QFileDialog.getOpenFileName(self,"选择图片","","图片(*.jpg *.png *.jpeg)")
        if not path:
            return
        self.img = cv2.imread(path)
        #推理
        res = self.model(self.img)[0]
        boxes = res.boxes
        img_show = res.plot()
        #转qt图像
        rgb_img = cv2.cvtColor(img_show,cv2.COLOR_BGR2RGB)
        h,w,c = rgb_img.shape
        qt_img = QImage(rgb_img.data,w,h,w*c,QImage.Format_RGB888)
        self.label_img.setPixmap(QPixmap.fromImage(qt_img).scaled(self.label_img.size(),Qt.KeepAspectRatio))
        #填充表格
        self.table.setRowCount(0)
        for idx,box in enumerate(boxes):
            cls_name = res.names[int(box.cls[0])]
            conf = float(box.conf[0])
            xyxy = box.xyxy[0].tolist()
            row = self.table.rowCount()
            self.table.insertRow(row)
            self.table.setItem(row,0,QTableWidgetItem(str(idx+1)))
            self.table.setItem(row,1,QTableWidgetItem(path))
            self.table.setItem(row,2,QTableWidgetItem(cls_name))
            self.table.setItem(row,3,QTableWidgetItem(f"{conf:.2f}"))
            self.table.setItem(row,4,QTableWidgetItem(f"{xyxy}"))

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

## 4. 环境安装
```bash
pip install ultralytics opencv-python pyqt5 numpy
```

## 5. 功能说明
- 支持图片导入推理，输出盲道砖、线性盲道砖、破损盲道砖检测框
- 界面展示图片、置信度、目标坐标，检测结果表格展示，和截图界面完全对应



3类，标注数量：damaged_block: 3770linear_block: 4885braille_block: 3534image num: 4489

基于深度学习的盲道及损害检测系统 盲道检测数据集

人工智能

客户端

开发工具

基于YOLOv11的盲道及损害检测系统，包含4489张标注数据集，支持YOLO与VOC格式，识别盲道砖、线性盲道砖及破损盲道砖三类目标。系统已训练完成，提供PyQt5可视化界面，可导入图片实时推理并输出检测框、置信度及坐标信息，部署简便，即开即用。

深度学习

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

基于深度学习的盲道及损害检测系统 盲道检测数据集-腾讯云开发者社区-腾讯云

基于深度学习的盲道及损害检测系统盲道检测数据集

基于深度学习的盲道及损害检测系统盲道检测数据集

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

基于深度学习的盲道及损害检测系统 盲道检测数据集

基于深度学习的盲道及损害检测系统 盲道检测数据集

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

基于深度学习的盲道及损害检测系统盲道检测数据集

基于深度学习的盲道及损害检测系统盲道检测数据集