摘要道路坑洼检测是智慧交通和市政养护中的刚需场景。传统的矩形框检测只能告诉你“这里有坑”而实例分割才能精确回答“这个坑有多大、什么形状”。随着Ultralytics在2025年底正式发布YOLO26其原生端到端推理和无NMS特性让实时像素级分割在边缘设备上成为可能。本文不讲空洞理论完整复盘一个基于YOLO26-Seg的道路坑洼分割项目涵盖数据集构建、标注踩坑、训练调优、模型导出及TensorRT部署全链路附带关键代码和架构图适合有一定CV基础的开发者和工程人员参考。一、为什么选YOLO26做坑洼分割做过路面病害检测的同学应该都有体会坑洼不是标准几何体用目标检测画个框面积估算误差大后续做养护工程量评估时根本没法用。必须上实例分割。但在YOLO26之前实时分割一直是个“既要又要”的难题Mask R-CNN系列精度高但FPS个位数边缘设备跑不动YOLOv8/v11-Seg速度可以但依赖NMS后处理在密集小坑洼场景下容易漏检或重复计数纯语义分割DeepLab等无法区分相邻的两个独立坑洼实例。YOLO26-Seg的核心优势在于三点原生端到端推理默认的一对一检测头直接输出预测结果彻底移除NMS。这意味着在坑洼密集、重叠严重的路面上不会出现传统YOLO因NMS阈值敏感导致的漏检问题。更轻量的分割头移除了分布焦点损失DFL降低了检测头复杂度同时保持无约束回归范围。实测在T4上TensorRT推理延迟低至1.7msn版本分割版本也维持在极低水平。训练配方升级内置MuSGD优化器和Progressive Loss对小目标远处小坑洼的检测能力显著提升这对车载前视摄像头场景至关重要。下面这张图直观展示了YOLO26-Seg在项目中的整体技术路线mAP达标mAP不达标原始路面图像/视频数据清洗与增强Labelme/CVAT多边形标注YOLO格式转换 train/val划分YOLO26-Seg 微调训练模型评估导出ONNX数据分析/超参调整TensorRT引擎构建边缘设备部署 Jetson/工控机实时推理 坑洼面积统计GIS地图上报 / 养护工单生成二、数据集构建比模型更重要的事很多文章一笔带过数据部分但实际上坑洼分割项目中70%的效果差异来自数据质量。2.1 数据来源与规模我们最终使用的数据集由三部分组成来源数量说明Kaggle Pothole Segmentation Dataset800张公开数据集作为baseline自采数据行车记录仪手机1200张覆盖雨天、夜间、阴影、修补路面等长尾场景合成数据Copy-Paste增强500张将真实坑洼mask粘贴到正常路面解决样本不均衡总计约2500张有效标注图像。对于单类别分割任务这个量级配合YOLO26的预训练权重已经足够收敛。2.2 标注规范与踩坑记录工具推荐Labelme或CVAT。坑洼标注有几个容易忽略的细节边界定义坑洼与正常路面的过渡区往往模糊。我们统一规定以“可见深度变化的最外缘”为界宁可稍大不可偏小因为养护评估中漏报比误报代价更高。小目标处理直径小于图像宽度3%的坑洼如果肉眼难以判断边界直接丢弃不标。强行标注噪声标签会严重拉低mAP。多实例分离相邻坑洼即使视觉上连在一起只要存在可辨识的分隔带哪怕很窄就必须标为两个独立实例。这是实例分割区别于语义分割的关键。负样本纳入务必加入10%-15%完全没有坑洼的正常路面图片参与训练否则模型会在干净路面上疯狂产生假阳性。标注完成后使用脚本批量转换为YOLO分割格式# labelme2yolo_seg.py 核心逻辑示意importjson,osfrompathlibimportPathdefconvert_labelme_to_yolo(json_path,output_dir,class_map):withopen(json_path)asf:datajson.load(f)h,wdata[imageHeight],data[imageWidth]lines[]forshapeindata[shapes]:cls_idclass_map.get(shape[label])ifcls_idisNone:continuepointsshape[points]# YOLO seg格式: class_id x1 y1 x2 y2 ... xn yn (归一化坐标)coords .join([f{px/w:.6f}{py/h:.6f}forpx,pyinpoints])lines.append(f{cls_id}{coords})txt_namePath(json_path).stem.txtwithopen(os.path.join(output_dir,txt_name),w)asf:f.write(\n.join(lines))对应的data.yaml配置path:/datasets/pothole_segtrain:images/trainval:images/valnc:1names:[pothole]三、YOLO26-Seg训练实战3.1 环境准备pipinstallultralytics8.4.0# 确保版本支持YOLO26# 验证安装yolo predictmodelyolo26s-seg.ptsourcetest.jpg3.2 训练命令与关键参数解读yolo segment train\modelyolo26s-seg.pt\datadata.yaml\epochs150\imgsz640\batch16\device0\optimizermuSGD\lr00.01\mosaic1.0\mixup0.1\copy_paste0.3\projectruns/pothole_seg\nameyolo26s_baseline几个值得注意的参数选择optimizermuSGDYOLO26引入的新优化器收敛速度比SGD快约20%且对小目标更友好。除非你有特殊理由否则别换回AdamW。copy_paste0.3对坑洼这种不规则目标极其有效。它会将训练集中的坑洼mask随机粘贴到其他图片上相当于免费做了数据增强实测mask mAP提升约2-3个点。mosaic1.0全程开启。坑洼尺度变化极大从近处大坑到远处小点Mosaic强制模型适应多尺度输入。imgsz640坑洼分割不需要1280分辨率。640在精度和速度之间取得最佳平衡如果你的部署目标是Jetson Nano级别设备甚至可以降到480。3.3 训练监控与调优训练过程中重点关注三个指标seg/mAP50-95核心指标低于0.45说明数据或标注有问题seg/precision vs recall曲线如果recall远高于precision说明假阳性太多检查负样本比例和置信度阈值loss趋势YOLO26的ProgLoss会在训练后期自动调整小目标权重如果val loss在80 epoch后还在缓慢下降不要提前停止。我们最终在2500张数据集上训练150 epochYOLO26s-Seg达到seg/mAP500.89, seg/mAP50-950.62相比同等条件下YOLOv8s-Seg提升了约4个点的mAP50-95主要收益来自小坑洼的召回率改善。四、模型导出与TensorRT部署YOLO26的端到端特性使得部署流程比老版本YOLO更简洁——不需要在后处理阶段手写NMS逻辑。4.1 导出ONNXyoloexportmodelruns/pothole_seg/yolo26s_baseline/weights/best.pt\formatonnx\opset17\simplifyTrue\dynamicFalse\imgsz640⚠️注意YOLO26-Seg导出的ONNX包含mask prototype和mask coefficient两个输出分支解码方式与YOLOv8-Seg不同。使用自定义推理代码时务必参考Ultralytics官方文档中的YOLO26分割解码逻辑直接套用v8的解码器会得到错误mask。4.2 TensorRT加速在Jetson Orin NX或T4 GPU上构建TRT引擎trtexec--onnxbest.onnx\--saveEnginepothole_yolo26s_fp16.engine\--fp16\--minShapesimages:1x3x640x640\--optShapesimages:1x3x640x640\--maxShapesimages:4x3x640x640实测性能对比640×640输入单batch推理后端延迟(ms)FPS备注PyTorch (T4)18.255FP32ONNX Runtime (T4)12.580FP16TensorRT (T4)6.8147FP16TensorRT (Orin NX)9.1110FP16, INT8可再提30%对于车载实时监测100 FPS意味着可以轻松处理30fps视频流并留出充足的业务逻辑余量。4.3 Python推理示例精简版fromultralyticsimportYOLO modelYOLO(pothole_yolo26s_fp16.engine)# 直接加载TRT引擎resultsmodel.predict(sourceroad_video.mp4,conf0.45,iou0.5,# 注意YOLO26端到端模式下iou参数仅用于mask NMS不影响检测saveTrue,show_labelsTrue,show_confTrue)# 获取像素级mask用于面积计算forrinresults:masksr.masks# Masks对象ifmasksisnotNone:areasmasks.area()# 每个实例的像素面积# 结合相机标定参数可转换为实际物理面积(m²)print(f检测到{len(areas)}个坑洼, 面积:{areas})五、工程落地中的几个现实问题5.1 域偏移应对训练数据和实际部署场景的光照、路面材质差异是最大杀手。我们的解决方案部署初期收集100-200张现场图片用已有模型做伪标签人工校验后混入训练集做一轮fine-tune推理时加入自适应直方图均衡化CLAHE作为预处理对阴天/隧道场景效果显著。5.2 坑洼严重程度分级单纯检测出坑洼不够养护部门需要知道优先级。我们在分割结果基础上叠加了简易规则引擎面积 0.1m² 且 深度估计 3cm→ 紧急工单面积 0.02-0.1m²→ 常规维修队列面积 0.02m²→ 记录观察暂不处理深度估计可通过双目立体视觉或单目深度估计模型辅助获得这部分超出本文范围但架构上预留了接口。5.3 持续迭代闭环部署不是终点。我们设计了自动难例挖掘机制是否线上推理置信度 0.3-0.5自动截取保存正常处理每周人工审核补充标注入库月度增量训练OTA更新模型低置信度样本往往是新出现的坑洼形态或恶劣天气场景自动收集这些“边界案例”比盲目扩充数据高效得多。六、总结与建议YOLO26-Seg在道路坑洼分割这个细分场景上确实做到了精度与部署友好性的新平衡。回顾整个项目几点经验供同行参考数据 模型与其折腾各种魔改backbone不如多花一周时间清洗标注、补充长尾场景善用YOLO26原生特性MuSGD、ProgLoss、Copy-Paste这些内置功能是经过充分验证的别急着替换成自己的“祖传配方”端到端部署要趁早既然选了YOLO26就别再写NMS后处理了直接从ONNX/TRT层面适配新的输出格式建立数据飞轮上线后的难例收集比上线前的数据准备更重要这才是系统长期可用的保障。希望这篇实战记录能帮到正在做类似项目的同学。如果有具体的部署问题或数据标注疑问欢迎评论区交流。参考资料Ultralytics YOLO26 Official DocumentationYOLO26 Paper: Architecture Innovations for Edge DeploymentKaggle Pothole Image Segmentation DatasetTensorRT Developer Guide, NVIDIA声明本文所有实验数据均来自实际项目脱敏后的结果代码片段已简化以适应文章篇幅生产环境使用请参考Ultralytics官方仓库完整实现。
