🍊作者：计算机编程-吉哥
🍊简介：专业从事JavaWeb程序开发，微信小程序开发，定制化项目、 源码、代码讲解、文档撰写、ppt制作。做自己喜欢的事，生活就是快乐的。
🍊心愿：点赞 👍 收藏 ⭐评论 📝
🍅 文末获取源码联系

👇🏻 精彩专栏推荐订阅 👇🏻 不然下次找不到哟~
Java毕业设计项目~热门选题推荐《1000套》

Python毕业设计精品项目《1000套》

微信小程序毕业设计精品项目《1000套》

大数据/机器学习毕业设计精品项目《1000套》

目录

一、项目简介

二、技术选型

2.1 模型：YOLO11m-seg 主模型 + YOLOv8s-seg 对比

2.2 数据集

2.3 技术栈版本

2.4 预期精度参考

三、功能模块

四、项目亮点

亮点 1：网页模型选择器，保证加载最优权重

亮点 2：AI 辅助建议，接 DeepSeek 生成养护解读

亮点 3：训练脚本统一接口，两个模型独立产物

亮点 4：全栈闭环，开箱即用

亮点 5：5 张数据看板，检测结果可视化

六、功能演示

---

一、项目简介

road_pit_seg 是一个基于深度学习实例分割的道路坑洼智能识别 Web 应用。它面向道路养护场景，目标是对路面坑洼进行像素级实例分割，而不仅仅是画个框。

整个项目形成了从训练工程 → 后端推理 → 前端交互 → 数据库存储的全栈闭环：

• 用户端（front）：登录 / 注册 / 坑洼检测（4 种入口）/ 检测记录 / 数据看板 / 智能问答 / 个人中心

• 后端（Django 4.2.16）：REST API + 2 个实例分割模型在线推理，权重按 val_acc 自动选最优

• 模型：YOLO11m-seg（主模型 ⭐）+ YOLOv8s-seg（对比模型）

• 数据库（MySQL 8）：3 张表，对应 7 大模块

• AI 辅助建议：对接 DeepSeek 大语言模型，根据客观检测指标生成养护级解读

项目只保留 front 用户端，没有独立 admin 后台，属于毕设第一版的简化设计，但功能链路完整、开箱即用。

---

二、技术选型

2.1 模型：YOLO11m-seg 主模型 + YOLOv8s-seg 对比

模型	角色	架构	框架	训练轮数	预训练
YOLO11m-seg	主模型 ⭐	单阶段实例分割	Ultralytics 2024	300 epochs	✅
YOLOv8s-seg	对比模型	单阶段实例分割（轻量）	Ultralytics	300 epochs	✅

为什么选 YOLO11m-seg 作为主模型？

• Ultralytics 2024 年发布的最新一代实例分割模型

• 相比 YOLOv8 同尺寸：CSPDarknet 主干改进 + 新增 C2PSA 注意力模块 + 解耦分割头

• COCO val2017 实例分割 mAP 提升约 0.8 ~ 1.5 个点

• 对小目标、不规则形状坑洼识别能力强

• 780 张单类数据集上精度最高、收敛最快

对比模型 YOLOv8s-seg 则是上一代 YOLO 单阶段实例分割的轻量版，与主模型形成同架构不同规模的对比，用来验证模型规模对精度 / 速度的影响。

2.2 数据集

采用 Roboflow Pothole Segmentation 公开数据集：

• 720 train / 60 valid

• 单类 Pothole，YOLO polygon 标注

• 640×640 输入尺寸

2.3 技术栈版本

组件	版本	备注
Python	3.10	Anaconda3 yolo11 环境
Django	4.2.16	后端框架
PyTorch (GPU)	2.8.0+cu128	RTX 5060 适配（CUDA 12.8 / Blackwell 架构）
ultralytics	8.3.40	YOLO11m-seg / YOLOv8s-seg 训练与推理
MySQL	8.x	localhost:3306
Vue	3.4.x	前端框架
Vite	6.x	前端构建
DeepSeek	deepseek-chat	智能问答 + AI 辅助建议

2.4 预期精度参考

模型	mAP@50 (box)	mAP@50 (mask)	F1	参数量
YOLO11m-seg ⭐	~0.85	~0.83	~0.82	22.4 M
YOLOv8s-seg	~0.78	~0.76	~0.75	11.8 M

实际值以本数据集训练结果为准。

---

三、功能模块

项目包含 6 大核心功能：

#	模块	主要能力
1	登录 / 注册	用户名 + 密码 MD5 加密；默认管理员 admin/admin123
2	坑洼检测	4 种入口：单图 / 批量（≤20）/ 视频（抽帧）/ 摄像头实时
3	检测记录	历史记录列表 + 详情查看 + 单条删除
4	数据看板	5 张统计图（总览 / 模型分布 / 时间线 / 置信度 / 来源 / 耗时）
5	智能问答	DeepSeek Chat Completions + 知识库 RAG（12 条道路养护语料）
6	个人中心	改邮箱/手机/密码/头像；查看用户名、角色、注册时间、累计检测次数

---

四、项目亮点

亮点 1：网页模型选择器，保证加载最优权重

页面顶部下拉框可在模型间切换。关键机制：

1. web_app/detection/inference.py::resolve_best_weights() 扫描 train/checkpoints/<key>_*.pth

2. 用 torch.load 读取每个 checkpoint 内嵌的 best_val_acc / epoch 字段

3. 按 val_acc 选最优（不是按文件名）

4. 用户在 UI 可见：下拉框右侧显示 params · best ep=N · acc=0.85，模型信息卡显示「Best Val Acc @ ep X」

校验脚本：python train/verify_best_weights.py → 输出 train/plots/best_weights_check.json。

亮点 2：AI 辅助建议，接 DeepSeek 生成养护解读

• 入口：检测结果页 → 点 AI 辅助建议 按钮

• 后端：POST /api/detect/advice/，body 传入 pothole_count / pothole_pixels / pothole_ratio / avg_confidence / model_key / threshold

• 流程：

  1. 按规则算 severity = low / medium / high（阈值 2% / 8%）

  2. 拼 prompt（包含客观指标 + 模型名 + 阈值 + 风险等级），直接 requests.post 调 DeepSeek

  3. 返回 DeepSeek 生成的中文 Markdown 解读

  4. 失败时（API key 缺失 / 网络超时 / 返回空）自动降级为本地规则模板，前端永远拿得到内容

• 前端：用 marked 解析 Markdown 为 HTML，分点展示（标题加粗、列表缩进）

• 与智能问答完全隔离：advice 用独立 requests 调用，不查 knowledge_corpus 表

亮点 3：训练脚本统一接口，两个模型独立产物

• 两个模型独立训练脚本、独立目录，避免产物混淆，便于单独调试和复现

• 训练脚本统一接口，支持早停、续训、评估、推理、权重校验全配套

• 评估 / 推理 / 权重校验全配套，便于调参与演示

亮点 4：全栈闭环，开箱即用

• 后端沿用 Django 模板，前端沿用 Vue 3 + Vite

• 数据库脚本 init_db.sql 一键初始化 3 张表 + 12 条道路养护知识

• 配套训练工程、前后端、数据库全栈闭环

亮点 5：5 张数据看板，检测结果可视化

数据看板包含 5 张统计图：总览 / 模型分布 / 时间线 / 置信度 / 来源 / 耗时，帮助用户从多个维度理解检测数据。

六、功能演示