★ FEATURED ARTICLE 简介基于YOLO11的边坡护坡山坡滑坡检测系统配套PyQt5图形界面面向计算机视觉、人工智能等专业的学生、教师及工程技术人员可用于毕业设计、课程设计或实际边坡安全监测演示。系统针对山区公路、水利工程等场景对“滑坡”单类别进行高准确率检测内置标注好的6600余张图片数据集并提供训练好的模型、评估指标曲线及安装使用教程下载后即可运行。压缩包内共2000个文件主要包括Python源码、PyQt5界面文件、yaml模型配置、xml文件以及大量txt格式的标注数据资源整体约929MB。目前已有682人学习使用内容经过完整测试验证结构清晰适合新手从数据准备到模型部署完整走通流程也便于在此基础上二次开发拓展其他地质灾害检测功能。1. 基于YOLO11深度学习的边坡护坡山坡滑坡检测系统它解决什么、适合谁在工地边坡巡检、地质灾害预警、无人机巡查这几类场景里我见过太多项目最后不是死在算法上而是死在“模型训完不知道怎么给人用”上。基于YOLO11深度学习的边坡护坡山坡滑坡检测系统带GUI界面就是把这条链路完整打包的工程资源Python 源码负责推理PyQt5 负责交互界面6600 多张标注好的图像作为训练底子再配上训练好的权重、评估指标曲线和安装教程。对研究生来说它是能直接出结果再做改进的毕业设计骨架对算法工程师来说它省掉了写前端交互的工作量对做监测系统集成的朋友它是能快速改成 Web API 或者接进软硬件联调的原型。这篇文章会把数据组织、训练逻辑、GUI 启动和常见翻车点逐一拆开讲。2. 从数据到GUI的完整链路YOLO11选型理由与6600张数据集的训练逻辑目标检测项目能不能落地通常不是看网络结构有多新而是看数据、训练配置和推理闭环是否对齐。一个带 GUI 的滑坡检测系统本质上就是三件事模型能识别出画面里的滑坡体或护坡异常区域GUI 能把识别结果显示出来数据能支撑这两个环节反复调优。下面从选型、数据集、评估三个角度拆。2.1 为什么选YOLO11而不是YOLOv8检测性能和部署成本的双重考量YOLO11 是 Ultralytics 生态里目前较新的目标检测基线。相比 YOLOv8它在主干和检测头部分做了结构调整推理速度更快模型体积也更紧凑。滑坡检测这类场景有个特点很多目标是远景中的山体局部、边坡开裂区域或者落石堆目标尺寸偏小且背景和地物纹理非常接近。传统视觉方法在这种环境下几乎必翻车因为颜色特征、边缘特征会被植被和岩壁干扰。而 YOLO11 的解耦检测头能把“目标在哪”和“目标是什么”分开优化对遮挡和尺度变化更友好。从工程角度说选 YOLO11 的另一个理由是 Ultralytics 的 Python 接口足够统一。同一个 YOLO 类既能训练、验证也能直接推理视频流和图片集对写 GUI 程序非常省事。整个循环里GUI 只需要拿到检测框坐标、类别索引和置信度再画到 QLabel 或 QGraphicsView 上不需要关心底层的卷积计算。模型文件可以单独存放换模型权重不需要改界面代码。需要留意的是YOLO11 的模型大小从 n、s、m、l 到 x 逐级增加。带 GUI 的本机如果只用 CPU 推理我一般建议先用 YOLO11n 或 YOLO11s 验证流程再考虑是否换更大的权重。数据量 6600 多张对一个单类别或两三类的项目来说是够用的但分布是否均衡还是要看标注统计不能只看总量。2.2 数据集划分与标注格式检查train/val/test与YOLO txt的关系拿到资源后第一步不是急着跑训练而是打开数据集目录看结构。YOLO 系列的标注文件是一一对应的 txt 文件每行格式是“类别索引 中心x 中心y 宽度 高度”坐标全部归一化到 0-1 之间。图像放在 images 目录下标签放在 labels 目录下训练集、验证集、测试集分别管理。常见的数据集组织方式如下实际路径以资源包目录为准bash dataset/ ├── train/ │ ├── images/ │ ├── labels/ ├── val/ │ ├── images/ │ ├── labels/ ├── test/ │ ├── images/ │ ├── labels/ └── data.yamldata.yaml 是训练和推理的关键配置决定类别数、类别名和路径。我拿典型场景举例里面通常会出现滑坡体、护坡区域这类目标对应的 YAML 配置大概长这样yaml path: ./dataset train: train/images val: val/images test: test/imagesnames: 0: landslide 1: slope_protection 2: rockfall这里有几个容易踩的坑。第一names 的顺序必须和训练时完全一致否则加载新权重后框和标签对不上。第二txt 标注里的类别索引从 0 开始如果原始标注是在 Labelme 里画的 JSON转成 YOLO 格式时必须检查转换脚本有没有把类别映射错位。第三检查一下 labels 目录里是否有和 images 目录同名的文件漏标、空标注文件都会直接影响训练结果。我一般会在跑训练前先用脚本扫一遍标注分布确认没有大面积空标注或者类别严重失衡。可以用下面的脚本快速统计python import os from collections import Counterdef inspect_labels(label_dir): total_boxes 0 class_counter Counter() empty_files 0 file_count 0for name in os.listdir(label_dir): if not name.endswith(.txt): continue path os.path.join(label_dir, name) with open(path, r, encodingutf-8) as f: lines [line.split() for line in f.read().strip().splitlines()] file_count 1 total_boxes len(lines) if len(lines) 0: empty_files 1 for line in lines: if len(line) 0: class_counter[int(line[0])] 1 avg total_boxes / max(1, file_count) print(f标注文件数: {file_count}) print(f空标注文件数: {empty_files}) print(f平均每张图目标数: {avg:.2f}) print(f类别分布: {dict(class_counter)})inspect_labels(dataset/train/labels)脚本逻辑很简单遍历标签目录下所有 txt统计文件数量、空文件和类别索引分布。如果某个类别的目标数特别少训练时就要考虑复制粘贴增强或加权重。这个统计脚本本身也是检查“标注好的数据集”是否干净的最笨但最有效的方法。2.3 评估指标怎么读precision、recall、mAP50和曲线文件资源里附带训练好的模型和评估指标曲线常见文件是 results.png、confusion_matrix.png、val_batch0_pred.jpg 这些。很多人只看 loss 曲线这是常见误区。对滑坡检测这种实际工程场景真正要优先看的是精确率和召回率。精确率代表模型标出的框里有多少是正确的召回率代表所有真正的滑坡区域里模型找出了多少。在边坡监测场景中漏报比误报更危险所以阈值设置通常要适当牺牲精确率来换召回率。mAP50 指的是 IOU 阈值为 0.5 时的平均精度mAP50-95 则是在 0.5 到 0.95 范围内综合评估。资源里的指标曲线我建议重点看 P/R 曲线和 F1-Confidence 曲线前者能看出置信度怎么设最合理后者能直接指导 GUI 里的阈值滑块默认值。下面用表格把几个关键指标和适用场景说明一下指标关注点滑坡检测场景下的建议Precision框出的目标有多少是对的阈值设高时数值好看但可能漏检Recall真实目标有多少被找出来滑坡监测应保证较高的召回率mAP50综合性能的简单参考0.85 以上属于可部署水平mAP50-95对边框精度的严格考核边框不稳的小目标会比较吃亏F1-Confidence不同阈值下的综合得分用来确定默认置信度最直接如果发现 mAP 高但实际 GUI 里漏检多十有八九是预测时的 conf 设得比训练验证高后面第四章会详细说参数调整。3. 本地环境配置与Windows安装把Python源码和PyQt5界面跑起来这类带 GUI 的检测系统最容易卡住用的不是模型本身而是环境。YOLO11 需要 PyTorchPyQt5 需要 Qt 运行库两者一旦版本冲突就会出现各种玄学报错。为了不把系统 Python 搞乱一律先建虚拟环境。3.1 环境隔离与依赖安装Python版本和PyQt5的坑Windows 下用 Conda 建环境是最稳妥的方式。Python 版本选 3.10 或 3.9 都可以pyqt 和 ultralytics 的兼容性都还不错。不建议一上来就装最新 Python 3.13很多编译好的轮子还没跟上容易翻车。bash conda create -n yolo11 python3.10 -y conda activate yolo11 pip install -U pip pip install PyQt55.15.10 pip install ultralytics这里把 PyQt5 锁到 5.15.10 是我反复试过的版本5.15 系列在 Win10、Win11 下表现比较稳定。如果直接 pip install PyQt5 装到最新版有时会出现 QWidget 显示异常或 Qt 平台插件报错。Ultralytics 库本身会主动带上 torch 和 opencv-python 依赖不需要单独装但国内网络环境下建议把 PyTorch 的安装源切到国内镜像否则下载速度会让人怀疑人生。注意如果你电脑上已经有 Nvidia 驱动想要 GPU 加速可以加装对应 CUDA 版本的 PyTorch。如果只是先把 GUI 跑通用 CPU 版本也完全足够YOLO11n 在 CPU 上单张图片推理大概几百毫秒不影响功能验证。提示不要图省事直接 conda install pyqt5 装到 base 环境。后续一旦跑其他深度学习项目pyqt 的 Qt 版本和 opencv 依赖会互相打架到时候删除都删不干净。3.2 模型权重与数据集YAML的组织方式环境装好后打开资源包先确认几个关键文件是不是都在GUI 主程序通常是 main.py、权重目录weights/best.pt、数据集配置data.yaml和 demo 图片或视频。我拿标准化推理流程演示先加载权重并打印模型的类别映射python from ultralytics import YOLOmodel YOLO(weights/best.pt) model.info()print(模型类别:, model.names)这段代码做了两件事。第一model.info() 会打印模型的参数量、层数和输入尺寸通过它可以确认权重文件是否真的被正确解析避免加载到损坏文件。第二model.names 是一个字典比如 {0: landslide, 1: slope_protection}这一步能直接看出训练时用的类别顺序。如果这里打印的类别和 GUI 界面里显示的类别文案对不上那说明权重和界面设置的类别映射有偏差得检查代码里的类名列表。通常这个项目的 GUI 会从 data.yaml 读取 names也可能会在 GUI 代码里硬编码一份。最稳的做法是让推理模块统一从 model.names 拿标签而不是自己写死这样以后换数据集训练时界面自动适配。3.3 启动GUI和第一次推理从main.py到检测结果确认文件齐全后在虚拟环境里切换到资源包根目录执行启动命令bash python main.py正常情况下会弹出 PyQt5 窗口窗口上有一个图像显示区域、一个“选择图片”按钮、一个“开始检测”按钮以及置信度阈值调节滑块。先选一张 demo 图片点击检测如果模型正常工作图像上会出现带类别的矩形框旁边是对应置信度。第一次跑通时如果窗口弹出但点按钮没反应最常见的原因是模型推理过程没有放进子线程导致界面在等待推理结果时卡死。后续版本通常在代码里用 QThread 处理但如果拿到的是精简版源码就得自己包一层。这个问题在第五章会专门讲。另一个容易忽略的事是第一次推理会自动下载一些配置文件或模型文件如果网络受限建议先手动确认 weights 路径下的 best.pt 存在且大小合理再重新运行。提示如果点击检测直接报“No module named torch”或“CUDA unavailable”说明虚拟环境里 torch 没装好。不要急着卸载重来先执行 python -c import torch; print(torch.version) 看看能不能正常导入再决定下一步。4. 用GUI和脚本做推理置信度、NMS与批量检测参数跑通 GUI 只是第一步真正要能应对实际使用必须理解置信度和 NMS 这两个参数。很多用户拿到手后觉得“模型检测不准”其实是 GUI 里的阈值和场景不匹配。4.1 PyQt5界面操作流程加载图片、调节阈值、看结果典型 GUI 的操作顺序是点击“选择图片”按钮通过 QFileDialog 选定一张 jpg 或 png图像显示到界面中央拖动置信度滑块调整阈值点击“开始检测”结果显示在原图上并在状态栏打印检测数量。滑块值的范围通常会设成 0.05 到 0.95步长 0.05。推荐把默认值放在 0.25 到 0.35 之间。边坡和滑坡这类目标不像人脸那样特征集中在无人机视角下有时目标很小若默认置信度 0.5会漏掉大量边缘和远景目标。之前帮一个做尾矿库监测的朋友调系统他把置信度从 0.5 降到 0.3漏报少了将近一半虽然误报框也多了但宁可多看几个框再人工筛也不能让危险区域被吞掉。PyQt5 界面里的“保存结果”按钮通常是把带检测框的图像写回磁盘。如果想自己实现核心逻辑就是拿推理结果在 cv2 图像上画框然后 cv2.imwrite。画面上的框颜色建议对误报更显眼的暖色系比如滑坡目标用红色护坡区域用黄色方便巡检员第一眼看到高危部位。4.2 推理脚本参数说明conf、iou、imgsz、device抛开 GUI直接调 Ultralytics 接口可以更精确地观察参数作用。下面这段代码把单张图片推理的完整过程写出来了python from ultralytics import YOLO import cv2model YOLO(weights/best.pt) image cv2.imread(demo/slope_01.jpg)results model.predict( sourceimage, conf0.30, iou0.50, imgsz640, classes[0, 1], verboseFalse )[0]for box in results.boxes: x1, y1, x2, y2 map(int, box.xyxy[0]) cls int(box.cls[0]) score float(box.conf[0]) label f{model.names[cls]} {score:.2f}cv2.rectangle(image, (x1, y1), (x2, y2), (0, 0, 255), 2) cv2.putText(image, label, (x1, y1 - 8), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)cv2.imwrite(output/slope_01_result.jpg, image) print(检测到目标个数:, len(results.boxes))代码逻辑分三段。第一段是模型加载第二段是 predict 推理第三段是结果绘制和保存。参数里 conf0.30 代表只保留置信度不低于 0.30 的框iou0.50 代表当两个框的交并比超过 0.5 时合并成一个imgsz640 是把输入图像缩放到 640x640 再推理这个值直接影响小目标检测效果。classes[0, 1] 用来过滤类别只检测滑坡体和护坡区域落石类别如果不想看可以直接排除掉。关于 imgsz这里有讲究。如果原图是 4000x3000 的无人机航拍图直接缩到 640 会把细微裂缝和边坡局部完全抹平导致漏检。我一般优先用 1024 或 1280 推理大图再把检测框坐标按比例映射回原图坐标。代码里的 box.xyxy 是归一化前的像素坐标只要 predict 的 source 是原始图返回的 xyxy 就是原图坐标可以直接画框。4.3 视频与批量图片检测线程和显存处理如果是批量图片或视频文件不能一次性把所有帧都送进模型否则显存和内存都会爆掉。推荐用 streamTrue 模式逐帧处理python from ultralytics import YOLOmodel YOLO(weights/best.pt)for idx, result in enumerate( model.predict( sourcedemo/slope_video.mp4, streamTrue, conf0.30, iou0.50, imgsz640, device0 ) ): if result.boxes is not None: result.save(foutput/frame_{idx:04d}.jpg)这里把 device0 表示使用第一张显卡如果只有 CPU 就改成 devicecpu。streamTrue 的作用是把推理变成生成器每处理完一帧才拿下一帧不会一次性把整个视频读进内存。对于 GUI 应用视频流场景还应该把模型实例放在主线程外面只在后台线程里调用 model.predict界面线程负责刷新 QImage否则视频画面会掉帧严重甚至出现窗口未响应。5. YOLO11PyQt5踩坑排查从安装报错到检测结果全为0带 GUI 的深度学习项目报错类型百分之六十在环境百分之四十在数据或推理逻辑。我把实际遇到的高频问题按阶段整理成清单每一条都按“现象、原因、解决”说明。5.1 安装和启动阶段Pip冲突、ImportError、Qt平台插件丢失现象一pip install PyQt5 时自动卸载了其他包或者提示“ERROR: pip’s dependency resolver does not currently take into account all the packages”。原因当前环境中已存在其他版本 Qt 或 opencv 依赖pip 解析时发生冲突。解决不要硬扛新建 conda 虚拟环境只安装 PyQt5 和 ultralytics确保系统里没有混装的 pyqt4、pyqt5、pyqt6。装完执行 pip list 检查有没有多余的 Qt 包有冲突就统一卸载后重新装。现象二运行 main.py 时提示“ImportError: cannot import name ‘QtWidgets’ from ‘PyQt5’”。原因当前 Python 的 PyQt5 安装不完整或者当前目录下存在一个叫做 PyQt5.py 的文件导致 Python 把本地文件当成模块导入。解决先确认当前目录没有命名冲突文件然后在虚拟环境执行 pip install --upgrade --force-reinstall PyQt5。如果还不行直接从基础环境用 importlib 检查安装路径。现象三启动窗口时弹窗提示“could not load the Qt platform plugin windows”或“qt.qpa.plugin could not be found”。原因PyQt5 自带的 Qt 平台插件目录被清理或者系统 PATH 里存在多个 Qt 运行时。解决检查虚拟环境下的 site-packages/PyQt5/Qt/plugins/platforms 是否存在 qwindows.dll。若缺失重装 PyQt5。若存在把 plugins 目录加到环境变量或者删除系统里其他 Qt 的 PATH 项。现象四Win 下双击运行脚本没有反应但命令行启动能正常打开。原因GUI 程序没有保留命令行窗口报错直接闪退。解决以后统一用命令行启动python main.py 才能看到报错。如果是打包 exe 的需求得在入口处 catch 异常并写入日志文件。5.2 推理结果阶段全0、漏检多、画面卡顿的排查顺序现象五图片能加载但检测框一个都没有日志显示 0 objects detected。原因常见于权重文件没有加载成功或 predict 时的 conf 阈值过高也可能模型类别和输入图像完全不匹配。解决先打印 model.names 看类别是否正确再打印 model.ckpt 路径确认权重最后把 conf 调到 0.1 看一下是否出现低置信度框。如果调低后大量出框说明之前阈值设太高如果依旧全 0那就是模型和数据不匹配。现象六检测框大量存在但全部标错类别比如把排水沟当落石。原因classes 顺序映射错位。训练时类别顺序是 landslide、slope_protection但 GUI 推理代码里 hardcode 的 names 列表写成了 rockfall、slope_protection索引一差就全错。解决修改 GUI 里的 names 列表使其与训练 data.yaml 完全一致。现象七视频检测时播放很流畅但每隔几秒卡一下CPU 占用率忽高忽低。原因推理线程和界面刷新线程抢占 GIL或者模型在每一帧都重新加载。解决把模型实例化放在子线程构造里只初始化一次界面刷新用定时器从队列里取最新帧而不是每帧都同步。若用 GPU注意检查显存是否打满打满后推理帧率会突然掉到接近 0。现象八同一张图片反复推理输出框的位置在抖动。原因输入图像尺寸不固定模型内部做 padding 后映射坐标有误差或推理时启用了测试时增强。解决推理时固定 imgsz不要对图像做自动缩放如果还要高精度就别用 letterbox 的默认行为手动先 resize 到统一尺寸再推理。6. 进阶更换数据集重训YOLO11并把新模型接回GUI如果内置的 6600 多张数据满足不了你的场景比如要识别特定矿区的渣土边坡或者要增加“防护网破损”类别那必须用自己的数据重训。资源里带的训练好的模型只是一个起点最终还是要落回自有数据上。6.1 数据准备与训练命令新数据准备不复杂按 YOLO 格式组织即可。图像放到 images 下标注 txt 放到 labels 下改 data.yamlyaml path: ./my_data train: images/train val: images/valnames: 0: landslide 1: slope 2: net_damage然后从 YOLO11n 预训练权重开始微调不建议从头随机初始化训练。训练脚本如下python from ultralytics import YOLOmodel YOLO(yolo11n.pt) model.train( datamy_data.yaml, epochs100, imgsz640, batch8, device0, patience15, )epochs 设到 100 是常见默认值但 patience15 会控制在验证集指标连续 15 轮不提升时提前停止省时间。batch8 对 8G 显存的显卡比较安全显存小就降到 4。训练完成后 best.pt 在 runs/detect/train/weights 下。6.2 模型替换与阈值调整把训练好的 best.pt 复制到资源包 weights 目录替换旧文件再重新运行 GUI。因为 GUI 推理模块通常只调用 model.names只要训练时的 names 和 GUI 代码一致界面就能直接显示新类别。如果没有自动适配就把 names 列表改成新的四类名称。从那以后我每次拿到这种带 GUI 的检测项目都会强制走一遍流程先建干净虚拟环境再用 CPU 跑通 demo最后改置信度和类别映射表确认这三样东西没问题才上 GPU 或部署。很多人翻车都是跳过前两步直接拿自己的手机照片测试结果权重、阈值、坐标映射混在一起报错搞不清楚到底是哪一环的问题。希望这组踩坑笔记能帮你在拿到这套资源时少走一段弯路。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
