YOLO架构在道路损伤检测与分类中的优化：从YOLOv7到YOLOv10的比较研究

维持道路基础设施是确保安全、高效和可持续交通系统的关键。然而，手动收集道路损伤检测数据耗时、代价高昂且存在安全风险。近期的人工智能，特别是深度学习技术，为使用道路图像自动化此过程提供了有前景的解决方案。本文提出了一套完整的道路损伤检测工作流程，专注于在保持检测精度的同时优化推理速度。具体而言，为了适应硬件限制，对大图像进行裁剪，并采用轻量级模型。此外，融合外部掘洞数据集以增强对该欠代表的损伤类别的检测。所提出的方法采用多种模型架构，包括带有坐标注意力层的自定义YOLOv7模型和Tiny YOLOv7模型，这些模型经过训练和组合，以最大化检测性能。模型进一步进行重参数化，以优化推理效率。实验结果表明，自定义YOLOv7模型（包含三个坐标注意力层）和默认Tiny YOLOv7模型的集成在检测精度达到0.7027的F1分数，推理速度为每张图像0.0547秒。包括数据预处理、模型训练和推理脚本的完整管道已公开于项目GitHub存储库，实现可重复性并促进进一步研究。