YOLOv26n 桥梁病害检测基线实验产品系统

随着我国桥梁建设规模持续扩大，传统人工巡检方式效率低、成本高、安全性差，且对微小病害（如裂缝）漏检率高。本作品针对无人机采集的桥梁高分辨率图像，设计自动化病害检测算法，解决人工巡检难以覆盖的盲区问题，为桥梁智能运维提供技术支撑。

本系统主要包含以下功能模块：
1. 图像预处理：对无人机拍摄的高清图像（4608×3456）进行格式转换与尺寸适配。
2. 病害检测：基于YOLOv26模型，自动识别裂缝、剥落、渗水、蜂窝面、露筋、孔洞共6类桥梁病害。
3. 结果可视化：输出带标注框和置信度的检测图像，生成病害分布图。
4. 性能评估：计算mAP、精确率、召回率等指标，支持模型迭代优化。

我独立完成本项目的全部技术工作：
- 数据集处理：使用GYU-DET数据集（Nature子刊，11,123张图像），编写YAML配置文件，完成训练/验证集划分。
- 环境搭建：在AutoDL云平台配置PyTorch 2.5.1 + CUDA 12.4环境，通过MobaXterm远程连接，使用screen管理长期训练任务。
- 模型训练：完成YOLOv26n和YOLOv11n的300轮基线实验，最终mAP50达到0.458。
- 难点突破：解决高分辨率图像压缩导致的小目标信息丢失问题，正在按论文参数（300轮）复现以逼近0.568的基线。