0/199 2.12G 0.12 0.03749 0 0.1575 108 640 0 0 0.001953 0.0003391 0.1121 0.02786 0
1/199 2.82G 0.109 0.03528 0 0.1443 132 640 0 0 0.002515 0.0004936 0.1027 0.02612 0
2/199 6.06G 0.1004 0.0358 0 0.1362 88 640 0 0 0.002481 0.0004981 0.09861 0.02661 0
3/199 6.06G 0.09442 0.0387 0 0.1331 101 640 0 0 0.004007 0.0008175 0.0927 0.02862 0
4/199 6.06G 0.08875 0.04192 0 0.1307 108 640 0 0 0.01226 0.002563 0.08488 0.03112 0
5/199 6.06G 0.0822 0.04331 0 0.1255 83 640 0.2354 0.04483 0.04734 0.01158 0.07864 0.03248 0
6/199 6.06G 0.07878 0.04494 0 0.1237 107 640 0.07748 0.3529 0.1264 0.03496 0.07321 0.03332 0
7/199 6.06G 0.07251 0.04152 0 0.114 126 640 0.05916 0.5943 0.2133 0.06304 0.06665 0.03612 0
8/199 6.06G 0.06952 0.0397 0 0.1092 115 640 0.0614 0.6701 0.2409 0.06617 0.06401 0.03399 0
9/199 6.06G 0.06628 0.03791 0 0.1042 89 640 0.05552 0.7598 0.2678 0.07399 0.06146 0.03426 0
10/199 6.06G 0.06423 0.03735 0 0.1016 159 640 0.08259 0.758 0.3353 0.1059 0.059 0.03089 0
11/199 6.06G 0.06183 0.0361 0 0.09793 113 640 0.08026 0.7724 0.3261 0.1014 0.05791 0.02997 0
12/199 6.06G 0.06177 0.03481 0 0.09659 131 640 0.08615 0.7805 0.308 0.1109 0.05724 0.02856 0
13/199 6.06G 0.06041 0.03296 0 0.09337 86 640 0.1226 0.7661 0.3766 0.1308 0.05619 0.02771 0
14/199 6.06G 0.0592 0.03305 0 0.09226 89 640 0.09819 0.8052 0.3505 0.1045 0.05706 0.02666 0
15/199 6.06G 0.05936 0.03278 0 0.09214 109 640 0.179 0.8 0.4782 0.1899 0.04967 0.02553 0
16/199 6.06G 0.05746 0.03401 0 0.09147 132 640 0.171 0.8385 0.5308 0.2151 0.04747 0.02543 0
17/199 6.06G 0.05653 0.03307 0 0.08959 104 640 0.2671 0.7075 0.4987 0.1483 0.05663 0.02292 0
18/199 6.06G 0.05583 0.03162 0 0.08746 96 640 0.2161 0.827 0.5185 0.2234 0.04902 0.02328 0
19/199 6.06G 0.05414 0.03097 0 0.08511 100 640 0.2485 0.8236 0.5944 0.2622 0.04721 0.02236 0
20/199 6.06G 0.05331 0.03063 0 0.08394 127 640 0.2876 0.7592 0.5381 0.22 0.04858 0.02302 0
21/199 6.06G 0.05116 0.0299 0 0.08106 80 640 0.1676 0.8621 0.5029 0.2099 0.0455 0.02423 0
22/199 6.06G 0.05031 0.03035 0 0.08067 91 640 0.18 0.8454 0.4873 0.1801 0.05145 0.02275 0
23/199 6.06G 0.05179 0.02978 0 0.08157 91 640 0.3253 0.8264 0.6776 0.2627 0.04802 0.02137 0
24/199 6.06G 0.05174 0.02959 0 0.08133 110 640 0.2883 0.8477 0.6784 0.313 0.04374 0.02159 0
25/199 6.06G 0.04998 0.0287 0 0.07867 94 640 0.2853 0.8517 0.6812 0.3024 0.04512 0.02171 0
26/199 6.06G 0.04929 0.02916 0 0.07845 124 640 0.2542 0.8747 0.6961 0.3591 0.04315 0.02172 0
27/199 6.06G 0.04761 0.0292 0 0.07681 98 640 0.4077 0.8339 0.7483 0.3914 0.04121 0.02057 0
28/199 6.06G 0.04712 0.02969 0 0.07681 131 640 0.3138 0.8724 0.6934 0.3418 0.04152 0.02098 0
29/199 6.06G 0.0456 0.02877 0 0.07437 88 640 0.43 0.8023 0.7101 0.3471 0.0407 0.02161 0
30/199 6.06G 0.047 0.02957 0 0.07658 137 640 0.3872 0.8149 0.6886 0.3079 0.0439 0.02083 0
31/199 6.06G 0.04556 0.02838 0 0.07394 103 640 0.3879 0.8609 0.7462 0.3732 0.03984 0.01973 0
32/199 6.06G 0.0442 0.02754 0 0.07174 98 640 0.4741 0.8374 0.782 0.4383 0.03756 0.02013 0
33/199 6.06G 0.04482 0.02703 0 0.07184 97 640 0.5004 0.8414 0.7847 0.4073 0.04051 0.01938 0
34/199 6.06G 0.04507 0.02723 0 0.0723 67 640 0.4351 0.8385 0.7599 0.3257 0.04705 0.01824 0
35/199 6.06G 0.04429 0.0277 0 0.07199 85 640 0.4668 0.8052 0.7162 0.3331 0.042 0.02017 0
36/199 6.06G 0.04458 0.02725 0 0.07183 109 640 0.5022 0.8638 0.8199 0.4225 0.03938 0.01853 0
37/199 6.06G 0.04501 0.02618 0 0.07119 120 640 0.4415 0.8454 0.7683 0.368 0.0399 0.01945 0
38/199 6.06G 0.04482 0.02739 0 0.07221 128 640 0.5242 0.8017 0.7678 0.4261 0.03793 0.02072 0
39/199 6.06G 0.04083 0.02692 0 0.06775 72 640 0.3368 0.8661 0.7527 0.4146 0.03671 0.02096 0
40/199 6.06G 0.04103 0.02631 0 0.06734 77 640 0.5073 0.7638 0.7343 0.3873 0.04018 0.02095 0
41/199 6.06G 0.04161 0.02675 0 0.06836 137 640 0.4366 0.8931 0.8302 0.4577 0.0365 0.01881 0
42/199 6.06G 0.03908 0.02583 0 0.06491 118 640 0.5344 0.8224 0.7777 0.4287 0.03776 0.02038 0
43/199 6.06G 0.04155 0.02514 0 0.06669 118 640 0.4197 0.8425 0.7458 0.4269 0.03632 0.02073 0
44/199 6.06G 0.04107 0.02618 0 0.06725 106 640 0.4738 0.6724 0.6216 0.2896 0.04535 0.02314 0
45/199 6.06G 0.04135 0.0258 0 0.06715 129 640 0.433 0.7713 0.687 0.3473 0.0435 0.02149 0
46/199 6.06G 0.03944 0.02564 0 0.06508 116 640 0.5268 0.8828 0.8393 0.4181 0.03672 0.01809 0
47/199 6.06G 0.04146 0.02573 0 0.06718 106 640 0.5882 0.8856 0.8657 0.4581 0.03594 0.01816 0
48/199 6.06G 0.04091 0.02568 0 0.06659 96 640 0.4983 0.8264 0.7738 0.3724 0.04167 0.01931 0
49/199 6.06G 0.04154 0.02579 0 0.06733 96 640 0.5921 0.8638 0.8365 0.386 0.03988 0.0178 0
50/199 6.06G 0.03956 0.02638 0 0.06594 133 640 0.5629 0.9098 0.8734 0.5065 0.03491 0.01755 0
51/199 6.06G 0.03766 0.02493 0 0.0626 94 640 0.4693 0.9379 0.8727 0.5201 0.03209 0.01781 0
52/199 6.06G 0.03788 0.02561 0 0.06348 130 640 0.5903 0.9098 0.8728 0.4827 0.03454 0.01744
基于深度学习的道路坑洼缺陷检测python源码+训练好的模型.zip
版权申诉
98 浏览量
2024-01-30
19:53:26
上传
评论 3
收藏 41.8MB ZIP 举报
基于深度学习的道路坑洼缺陷检测python源码+训练好的模型.zip （79个子文件） 
使用说明.txt 1KB
project_code inference output 
1.jpg 75KB images 1.jpg 34KB weights data 
coco128.yaml 1KB hyp.finetune.yaml 846B coco.yaml 2KB voc.yaml 735B hyp.scratch.yaml 2KB scripts get_voc.sh 4KB get_coco.sh 935B hubconf.py 4KB runs exp_Pothole_detection results.txt 29KB opt.yaml 444B weights best.pt 14.1MB last.pt 14.1MB test_batch0_pred.jpg 220KB hyp.yaml 356B train_batch0.jpg 308KB
labels_correlogram.png 399KB train_batch1.jpg 313KB results.png 269KB train_batch2.jpg 304KB labels.png 367KB test_batch0_gt.jpg 216KB precision-recall_curve.png 37KB evolve opt.yaml 466B weights hyp.yaml 356B utils evolve.sh 747B __init__.py 0B google_utils.py 5KB general.py 53KB activations.py 2KB google_app_engine Dockerfile 821B app.yaml 173B additional_requirements.txt 105B datasets.py 38KB __pycache__ activations.cpython-38.pyc 3KB torch_utils.cpython-38.pyc 9KB datasets.cpython-38.pyc 27KB general.cpython-36.pyc 41KB datasets.cpython-36.pyc 27KB torch_utils.cpython-36.pyc 8KB google_utils.cpython-38.pyc 3KB activations.cpython-36.pyc 3KB google_utils.cpython-36.pyc 3KB general.cpython-38.pyc 41KB __init__.cpython-36.pyc 136B __init__.cpython-38.pyc 146B torch_utils.py 9KB sotabench.py 14KB onnx.py 413B yolov5s.pt 14.48MB requirements.txt 569B models hub yolov5-panet.yaml 1KB yolov3-spp.yaml 1KB yolov5-fpn.yaml 1KB __init__.py 0B export.py 4KB yolov5m.yaml 1KB yolov5s.yaml 1KB yolov5l.yaml 1KB common.py 7KB experimental.py 6KB __pycache__ experimental.cpython-38.pyc 6KB experimental.cpython-36.pyc 7KB yolo.cpython-36.pyc 10KB common.cpython-36.pyc 9KB __init__.cpython-36.pyc 137B common.cpython-38.pyc 9KB yolo.cpython-38.pyc 10KB __init__.cpython-38.pyc 147B yolov5x.yaml 1KB yolo.py 12KB detect.py 8KB train.py 28KB __pycache__ test.cpython-38.pyc 9KB test.cpython-36.pyc 9KB onnx.cpython-38.pyc 559B test.py 14KB资源评论
