YOLOV8模型如何训练工程车挖掘机3027-5类 挖掘机检测数据集 混凝土搅拌车 倾倒 倾卸卡车的训练及应用 如何训练工地工程车检测数据集

工程车挖掘机3027-5类 挖掘机检测数据集 混凝土搅拌车 倾倒 倾卸卡车 1 在这里插入图片描述 1 1 1

挖掘机 混凝土搅拌车 倾倒 倾卸卡车 标签

一、数据集信息表

类别ID映射（固定对应，训练/推理统一使用） 0: 挖掘机 1: 混凝土搅拌车 2: 倾卸卡车 3: 倾倒 4: 倾卸

二、环境依赖安装

pip install torch torchvision ultralytics opencv-python numpy tqdm

三、数据集目录结构（YOLO 标准）

construction_vehicle/
├── train/
│ ├── images/ # 训练集图片
│ └── labels/ # 训练集标注txt
├── val/
│ ├── images/ # 验证集图片
│ └── labels/ # 验证集标注txt
└── vehicle.yaml # 数据集配置文件

四、数据集配置文件 vehicle.yaml

path: ./construction_vehicle
train: train/images
val: val/images

nc: 5
names:
0: 挖掘机
1: 混凝土搅拌车
2: 倾卸卡车
3: 倾倒
4: 倾卸

五、训练代码 train_vehicle.py

针对工地复杂背景、车辆姿态多变、作业状态检测做参数优化

from ultralytics import YOLO

def train_construction_vehicle():
# 选用 yolov8s 平衡精度与速度，边缘部署可换 yolov8n
model = YOLO("yolov8s.pt")

model.train(
data="./construction_vehicle/vehicle.yaml",
epochs=120,
imgsz=640,
batch=8,
device=0, # 无GPU改为 cpu
patience=20, # 早停防过拟合
mosaic=1.0,
hsv_h=0.015,
hsv_s=0.7,
hsv_v=0.5,
degrees=20, # 适配车辆不同拍摄角度
fliplr=0.5,
flipud=0.1,
perspective=0.001,
project="vehicle_run",
name="yolov8_vehicle_train",
exist_ok=True
)
print("工程车辆检测模型训练完成！")

if __name__ == "__main__":
train_construction_vehicle()

六、单图推理可视化 predict_single.py

from ultralytics import YOLO
import cv2

def detect_vehicle(img_path, weight_path):
model = YOLO(weight_path)
# 置信度0.25，兼顾小目标与作业状态漏检
results = model(img_path, conf=0.25, iou=0.45)

for res in results:
img_show = res.plot()
cv2.imshow("Construction Vehicle Detect", img_show)
# 打印检测结果
for box in res.boxes:
cls_id = int(box.cls)
conf = float(box.conf)
print(f"类别ID:{cls_id} 置信度:{conf:.2f}")

cv2.waitKey(0)
cv2.destroyAllWindows()

if __name__ == "__main__":
detect_vehicle(
img_path="./construction_vehicle/val/images/test.jpg",
weight_path="./vehicle_run/yolov8_vehicle_train/weights/best.pt"
)

七、批量推理代码 batch_predict.py

批量处理图片并保存检测结果

import os
from ultralytics import YOLO

def batch_detect(img_dir, weight_path, save_dir):
os.makedirs(save_dir, exist_ok=True)
model = YOLO(weight_path)
suffix = (".jpg", ".png", ".jpeg")

for name in os.listdir(img_dir):
if name.lower().endswith(suffix):
img_path = os.path.join(img_dir, name)
res = model(img_path, conf=0.25)
res[0].save(os.path.join(save_dir, name))
print(f"批量检测完成，结果已保存至 {save_dir}")

if __name__ == "__main__":
batch_detect(
img_dir="./construction_vehicle/val/images",
weight_path="./vehicle_run/yolov8_vehicle_train/weights/best.pt",
save_dir="./construction_vehicle/predict_result"
)

八、模型导出（边缘部署 ONNX）

from ultralytics import YOLO

model = YOLO("./vehicle_run/yolov8_vehicle_train/weights/best.pt")
model.export(format="onnx", imgsz=640)
print("ONNX 模型导出完成，可用于监控、嵌入式设备部署")

九、使用说明&调优建议

• 挖掘机、搅拌车、倾卸卡车：属于车辆本体检测；
• 倾倒、倾卸：属于作业状态检测，目标形态多变，推理置信度不宜设置过高。

• 显存不足：将 batch 改为 4 / 2；
• 前端实时监控部署：训练时改用 yolov8n 轻量化模型。