深度学习基于 YOLOv11工地尘土实例分割系统  施工尘土实例分割数据集![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/3abf8bad19b6f66c3aa4d08e946ae961.png)
，1192张图像，提供yolo，voc，coco三种标注方式
数据集统计信息
====================
图像尺寸:640*640
类别数量: 1 类
训练集图像:1038; 验证集图像:109; 测试集图像:45
总图像数: 1192
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/f4cd65f04c9a0541c1f6de5040656a21.png)

类别分布:
类别名称 | 包含该类别的图像数 | 总标注数
----------------------------------------
DUST | 1188 | 1528
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/eb8a393ab6fcf1cabaf79e05b7994eee.png)

，模型代码：模型训练使用yolov11n-seg训练，提供训练好的yoloseg模型、训练指标结果图和对应的全部源代码，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/f95c55f9474a8178a91dc090b0dc766c.png)
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/4292285d189c9948cd4d2fdeaebe841e.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/e24f684ee71b603c5eb5c018482d8706.png)
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/cbd77a04f9074ad187219617a6bd163c.png)
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/f844faa06e6b383e1be7a320d713642d.png)
# 工地尘土实例分割系统 YOLOv11 完整代码
## 1. 数据集配置文件 dust.yaml
```yaml
# 数据集路径
path: ./dust_dataset
train: images/train
val: images/val
test: images/test

# 类别
names:
  0: DUST
nc: 1
```

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

if __name__ == "__main__":
    # 加载yolov11-seg模型
    model = YOLO("yolo11n-seg.yaml").load("yolo11n-seg.pt")

    # 训练参数
    results = model.train(
        data="dust.yaml",
        epochs=100,
        imgsz=640,
        batch=8,
        device=0,
        patience=15,
        save=True,
        project="runs/train",
        name="dust_segment"
    )
    print("训练完成！")
```

## 3. 推理预测 predict.py
```python
from ultralytics import YOLO
import cv2

model = YOLO("./runs/train/dust_segment/weights/best.pt")

def predict_image(img_path):
    img = cv2.imread(img_path)
    res = model(img, conf=0.25)
    # 绘制mask
    plotted = res[0].plot()
    cv2.imwrite("result.jpg", plotted)
    return plotted

if __name__ == "__main__":
    predict_image("test.jpg")
```

## 4. PyQt GUI 可视化系统app.py![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/e33b4319871b6bc86707882bf1a114f7.png)

```python
import sys
import cv2
from PyQt5.QtWidgets import *
from PyQt5.QtGui import QImage, QPixmap
from PyQt5.QtCore import Qt
from ultralytics import YOLO

class DustSegWindow(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("基于YOLO11的工地尘土实例分割系统")
        self.resize(1600,900)
        self.model = YOLO("runs/train/dust_segment/weights/best.pt")
        self.img_path = None

        # 控件
        self.btn_open = QPushButton("选择图片")
        self.btn_video = QPushButton("选择视频")
        self.btn_cam = QPushButton("摄像头")
        self.btn_save = QPushButton("保存结果")
        self.label_ori = QLabel("原始图像")
        self.label_res = QLabel("分割结果")
        self.table = QTableWidget()
        self.table.setColumnCount(4)
        self.table.setHorizontalHeaderLabels(["类别","置信度","xmin","ymin"])

        layout_top = QHBoxLayout()
        layout_top.addWidget(self.btn_open)
        layout_top.addWidget(self.btn_video)
        layout_top.addWidget(self.btn_cam)
        layout_top.addWidget(self.btn_save)

        layout_img = QHBoxLayout()
        layout_img.addWidget(self.label_ori)
        layout_img.addWidget(self.label_res)

        layout_main = QVBoxLayout()
        layout_main.addLayout(layout_top)
        layout_main.addLayout(layout_img)
        layout_main.addWidget(self.table)

        central = QWidget()
        central.setLayout(layout_main)
        self.setCentralWidget(central)

        self.btn_open.clicked.connect(self.load_image)

    def load_image(self):
        file, _ = QFileDialog.getOpenFileName(self,"选择图片","","Images(*.jpg *.png)")
        if not file:
            return
        self.img_path = file
        img = cv2.imread(file)
        img_rgb = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
        h,w,c = img_rgb.shape
        qimg = QImage(img_rgb.data,w,h,c*w,QImage.Format_RGB888)
        self.label_ori.setPixmap(QPixmap.fromImage(qimg).scaled(640,640,Qt.KeepAspectRatio))

        #推理
        res = self.model(img,conf=0.25)[0]
        plot_img = res.plot()
        plot_rgb = cv2.cvtColor(plot_img,cv2.COLOR_BGR2RGB)
        h2,w2,c2 = plot_rgb.shape
        qimg2 = QImage(plot_rgb.data,w2,h2,c2*w2,QImage.Format_RGB888)
        self.label_res.setPixmap(QPixmap.fromImage(qimg2).scaled(640,640,Qt.KeepAspectRatio))

        #填充表格
        self.table.setRowCount(len(res.boxes))
        for i,box in enumerate(res.boxes):
            cls = res.names[int(box.cls)]
            conf = float(box.conf)
            xmin,ymin,_,_ = box.xyxy[0]
            self.table.setItem(i,0,QTableWidgetItem(cls))
            self.table.setItem(i,1,QTableWidgetItem(f"{conf:.2f}"))
            self.table.setItem(i,2,QTableWidgetItem(f"{int(xmin)}"))
            self.table.setItem(i,3,QTableWidgetItem(f"{int(ymin)}"))

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

## 环境安装
```bash
pip install ultralytics opencv-python pyqt5 torch
```



深度学习基于 YOLOv11工地尘土实例分割系统  施工尘土实例分割数据集，1192张图像，提供yolo，voc，coco三种标注方式

深度学习基于 YOLOv11工地尘土实例分割系统 施工尘土实例分割数据集 智慧工地扬尘分割分割检测数据集

人工智能

开发工具

客户端

基于YOLOv11的工地尘土实例分割系统，提供1192张图像数据集（640x640），支持YOLO/VOC/COCO三种标注格式。训练采用yolov11n-seg模型，包含完整代码和PyQt5图形界面，可实现图像、视频及摄像头实时分割，精度高，开箱即用。

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

深度学习基于 YOLOv11工地尘土实例分割系统 施工尘土实例分割数据集 智慧工地扬尘分割分割检测数据集-腾讯云开发者社区-腾讯云

深度学习基于 YOLOv11工地尘土实例分割系统施工尘土实例分割数据集智慧工地扬尘分割分割检测数据集

深度学习基于 YOLOv11工地尘土实例分割系统施工尘土实例分割数据集智慧工地扬尘分割分割检测数据集

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

深度学习基于 YOLOv11工地尘土实例分割系统 施工尘土实例分割数据集 智慧工地扬尘分割分割检测数据集

深度学习基于 YOLOv11工地尘土实例分割系统 施工尘土实例分割数据集 智慧工地扬尘分割分割检测数据集

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

深度学习基于 YOLOv11工地尘土实例分割系统施工尘土实例分割数据集智慧工地扬尘分割分割检测数据集

深度学习基于 YOLOv11工地尘土实例分割系统施工尘土实例分割数据集智慧工地扬尘分割分割检测数据集