簡(jiǎn)介面向工業(yè)質(zhì)檢、計(jì)算機(jī)視覺初學(xué)者及有項(xiàng)目落地需求的開發(fā)者這套YOLOv8焊縫質(zhì)量好壞檢測(cè)方案提供訓(xùn)練好的模型、評(píng)估曲線與標(biāo)注數(shù)據(jù)集。模型已訓(xùn)練完成附帶精確率-召回率曲線、損失曲線等結(jié)果可直接用于焊縫缺陷識(shí)別也可作為遷移學(xué)習(xí)基線數(shù)據(jù)集使用標(biāo)注工具對(duì)鋼材缺陷圖片進(jìn)行標(biāo)注圖片為jpg格式標(biāo)簽分為xml與txt兩種并分文件夾存放方便接入不同框架或二次標(biāo)注。壓縮包共2000個(gè)文件以txt標(biāo)簽、md說(shuō)明文檔、jpg圖像、Python腳本及yaml配置為主另有少量C源碼與前端演示頁(yè)面整體約155.52MB結(jié)構(gòu)清晰。目前已有224人學(xué)習(xí)。借助訓(xùn)練好的權(quán)重與配套腳本用戶可快速?gòu)?fù)現(xiàn)檢測(cè)流程進(jìn)一步調(diào)參或擴(kuò)展缺陷類別適合課程設(shè)計(jì)、畢業(yè)設(shè)計(jì)和工業(yè)質(zhì)檢項(xiàng)目預(yù)研。1. 焊接質(zhì)量檢測(cè)為什么值得用 YOLOv8 從頭做一遍焊縫質(zhì)量檢測(cè)在工廠里通常靠?jī)煞N老辦法老師傅拿手電筒肉眼盯或者用傳統(tǒng)圖像處理寫一堆閾值規(guī)則。肉眼盯的問(wèn)題是人會(huì)疲勞焊縫紋理稍微反光或者飛濺多漏檢率就上去了傳統(tǒng)圖像處理的問(wèn)題更明顯——光照一變、焊縫位置稍微偏移寫死的參數(shù)立刻失效換個(gè)工件就要重新調(diào)。YOLOv8 在焊縫場(chǎng)景里真正解決的是「特征提取的魯棒性」。它不像傳統(tǒng)算法那樣依賴你手工定義邊緣、灰度、梯度特征而是把「什么算好焊縫、什么算壞焊縫」交給卷積網(wǎng)絡(luò)自己去學(xué)。所謂壞焊縫常見的就是咬邊、未熔合、氣孔、裂紋、焊瘤和飛濺粘連這些缺陷在視覺上和正常魚鱗紋的差異其實(shí)非常微妙靠灰度閾值根本分不開。用 ultralytics 框架做這件事好處是訓(xùn)練、驗(yàn)證、導(dǎo)出一條龍不用自己拼裝推理代碼數(shù)據(jù)到位之后三個(gè)小時(shí)就能看到第一版驗(yàn)證集指標(biāo)。這套方案適合誰(shuí)如果你是做質(zhì)檢設(shè)備集成、機(jī)器人焊接視覺引導(dǎo)或者只是畢業(yè)設(shè)計(jì)想做一個(gè)能演示的檢測(cè)系統(tǒng)YOLOv8 都是目前性價(jià)比最高的落地路線。不需要自己有 GPU 集群一張消費(fèi)級(jí)顯卡就能訓(xùn)出可用的焊縫缺陷模型。整個(gè)鏈路就是四步準(zhǔn)備帶標(biāo)注的數(shù)據(jù)、配置環(huán)境、訓(xùn)練出權(quán)重、導(dǎo)出部署。下面我把每一步拆開講包括參數(shù)怎么給、數(shù)據(jù)怎么標(biāo)、以及那些會(huì)讓你訓(xùn)出廢模型的坑。2. 搭好 ultralytics 運(yùn)行環(huán)境CPU 和 GPU 兩條路的取舍2.1 環(huán)境安裝的版本雷區(qū)Python 和 CUDA 必須對(duì)齊我見過(guò)太多人卡在 YOLOv8 跑不通這一步最后發(fā)現(xiàn)不是代碼問(wèn)題是環(huán)境問(wèn)題。ultralytics 對(duì) Python 版本有硬性要求3.8 到 3.11 之間是官方測(cè)試過(guò)的范圍Python 3.12 以上裝包能裝上但跑起來(lái)會(huì)出現(xiàn)莫名其妙的算子報(bào)錯(cuò)。CUDA 方面如果你用的是 NVIDIA 顯卡建議直接裝 CUDA 11.8 配套的 PyTorch不要用系統(tǒng)自帶的 CUDA 12 去硬配老顯卡。# 創(chuàng)建獨(dú)立虛擬環(huán)境避免污染系統(tǒng) Python conda create -n yolov8-weld python3.10 -y conda activate yolov8-weld # 安裝 PyTorch注意這里的 cu118 對(duì)應(yīng) CUDA 11.8 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 安裝 ultralytics 框架它會(huì)自動(dòng)帶 ultralytics-main 包結(jié)構(gòu)和 yolo CLI pip install ultralytics這里有一個(gè)容易踩錯(cuò)的地方不要用pip install yolov8這個(gè)包名是第三方老倉(cāng)庫(kù)和 ultralytics 官方框架完全不同。正確做法是裝ultralytics裝完以后在 Python 里import ultralytics命令行里用yolo作為統(tǒng)一入口。我一般裝完之后立刻跑一句yolo predict modelyolov8n.pt sourcehttps://ultralytics.com/images/bus.jpg驗(yàn)證環(huán)境和權(quán)重下載鏈路是否通暢。第一次運(yùn)行會(huì)下載預(yù)訓(xùn)練權(quán)重如果這一步卡住說(shuō)明你的網(wǎng)絡(luò)環(huán)境可能需要配置鏡像源推薦把 pip 源換成清華或阿里云鏡像再試。2.2 CPU 版本能跑但只能做驗(yàn)證別指望訓(xùn)練速度熱詞里很多人搜「ubuntu20.04搭建yolov8環(huán)境cpu版本」說(shuō)明 CPU 跑 YOLOv8 是真實(shí)需求。結(jié)論是推理可以用 CPU 完成一張 640 分辨率的圖片推理耗時(shí)大約 1-3 秒取決于你的處理器是幾代 i5 還是 i7訓(xùn)練則不建議哪怕是最小的 yolov8n 模型用 CPU 訓(xùn)練 100 個(gè) epoch 可能需要十幾個(gè)小時(shí)。# CPU 推理示例對(duì)單張焊縫圖片做缺陷檢測(cè) yolo predict modelruns/train/weld_det/weights/best.pt \ sourcetest_images/weld_001.jpg \ devicecpu \ conf0.35 \ saveTruedevicecpu是訓(xùn)練好的權(quán)重在無(wú) GPU 機(jī)器上推理的關(guān)鍵參數(shù)。conf0.35表示置信度閾值焊縫缺陷檢測(cè)里我建議不要設(shè)太高缺陷目標(biāo)往往比人、車這種常見目標(biāo)小網(wǎng)絡(luò)輸出的置信度天然偏低0.35 是個(gè)相對(duì)穩(wěn)妥的起點(diǎn)。saveTrue會(huì)把標(biāo)注了缺陷框的結(jié)果圖保存到runs/detect/predict目錄這個(gè)目錄是 ultralytics 自動(dòng)創(chuàng)建的不需要手動(dòng)建。2.3 數(shù)據(jù)目錄結(jié)構(gòu)ultralytics-main 約定的布局ultralytics 的數(shù)據(jù)加載不是靠你寫一堆數(shù)據(jù)讀取代碼而是靠目錄結(jié)構(gòu)和 YAML 文件配置。你的焊接缺陷數(shù)據(jù)集sts-hanfeng-data解壓之后需要整理成下面的結(jié)構(gòu)否則訓(xùn)練直接報(bào)錯(cuò)找不到圖片datasets/ ├── weld_data/ │ ├── images/ │ │ ├── train/ # 訓(xùn)練集圖片 │ │ └── val/ # 驗(yàn)證集圖片 │ ├── labels/ │ │ ├── train/ # 訓(xùn)練集 YOLO 格式標(biāo)簽 │ │ └── val/ # 驗(yàn)證集 YOLO 格式標(biāo)簽 │ └── weld.yaml # 數(shù)據(jù)配置文件路徑和類別都在這里weld.yaml文件是整個(gè)訓(xùn)練的「黑匣子鑰匙」里面定義了圖片路徑和類別名稱。我遇到過(guò)有人把 YAML 文件放在項(xiàng)目根目錄而不是數(shù)據(jù)集目錄下然后相對(duì)路徑寫錯(cuò)導(dǎo)致訓(xùn)練器找不到數(shù)據(jù)。最穩(wěn)的寫法是直接用絕對(duì)路徑雖然可移植性差一些但第一次跑通比什么都重要。# weld.yaml 內(nèi)容示例 path: /home/user/datasets/weld_data # 數(shù)據(jù)集根目錄的絕對(duì)路徑 train: images/train # 訓(xùn)練圖片的相對(duì)路徑 val: images/val # 驗(yàn)證圖片的相對(duì)路徑 nc: 4 # 類別數(shù)量假設(shè)檢測(cè) 4 類缺陷 names: [under_cut, lack_fusion, porosity, spatter] # 類別名稱3. 焊縫缺陷數(shù)據(jù)標(biāo)注labelme 打標(biāo)到 YOLO 格式的轉(zhuǎn)換鏈路3.1 標(biāo)什么四類常見缺陷的特征定義焊縫質(zhì)量檢測(cè)不是簡(jiǎn)單分「好」「壞」二分類就完了。實(shí)際生產(chǎn)里你需要知道壞在哪、是什么類型的壞這樣返修人員才能對(duì)癥下藥。我建議默認(rèn)標(biāo)四類咬邊under_cut焊趾處母材被熔化形成凹槽未熔合lack_fusion焊接熔深不足導(dǎo)致焊縫與母材之間有間隙氣孔porosity表面或內(nèi)部的氣泡坑飛濺飛刺spatter焊渣亂濺形成的顆粒附著。這四類覆蓋了焊接現(xiàn)場(chǎng)最常見的返修原因也是 YOLOv8 在焊縫數(shù)據(jù)上相對(duì)容易學(xué)出來(lái)的特征。標(biāo)注工具我推薦用 labelme它輸出的 JSON 格式便于檢查和二次修正。labelme 安裝簡(jiǎn)單命令行啟動(dòng)后界面就是直觀的畫框工具。pip install labelme labelme --labels welds.txt --nodata--labels welds.txt指定類別的文本文件每一行一個(gè)類別名優(yōu)點(diǎn)是下拉菜單里直接選類別不會(huì)手打出錯(cuò)。--nodata表示不保存圖片數(shù)據(jù)到 JSON 文件里能省不少磁盤空間。標(biāo)注時(shí)有個(gè)技巧別把框畫得太緊貼著缺陷邊緣YOLO 訓(xùn)練時(shí)錨框計(jì)算需要一定的上下文背景框稍微留 2-3 像素的余量模型收斂更好。3.2 從 labelme 的 JSON 到 YOLO 的 TXT寫一個(gè)轉(zhuǎn)換腳本labelme 輸出的是包含多邊形坐標(biāo)的 JSON而 YOLO 需要的是歸一化的中心點(diǎn)加寬高格式。這一步必須寫腳本批量轉(zhuǎn)換手工算坐標(biāo)能把人算瘋掉。import json import os import glob from pathlib import Path # 類別映射表順序必須和 weld.yaml 里的 names 對(duì)應(yīng) category_map {under_cut: 0, lack_fusion: 1, porosity: 2, spatter: 3} def convert_labelme_to_yolo(json_path, output_dir): with open(json_path, r, encodingutf-8) as f: data json.load(f) # labelme 保存的圖片寬高信息 img_w data[imageWidth] img_h data[imageHeight] lines [] for shape in data[shapes]: label shape[label] if label not in category_map: continue class_id category_map[label] # labelme 框坐標(biāo)是 [[x1,y1],[x2,y2]] 格式 points shape[points] x1 min(p[0] for p in points) y1 min(p[1] for p in points) x2 max(p[0] for p in points) y2 max(p[1] for p in points) # 計(jì)算中心點(diǎn)和寬高并歸一化 cx (x1 x2) / 2 / img_w cy (y1 y2) / 2 / img_h w (x2 - x1) / img_w h (y2 - y1) / img_h lines.append(f{class_id} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) # 輸出文件按圖片同名命名擴(kuò)展名改 txt out_path Path(output_dir) / (Path(json_path).stem .txt) with open(out_path, w) as f: f.write(\n.join(lines)) # 批量轉(zhuǎn)換某個(gè)目錄下所有 JSON json_files glob.glob(labels_json/*.json) os.makedirs(labels_yolo, exist_okTrue) for jf in json_files: convert_labelme_to_yolo(jf, labels_yolo)這個(gè)腳本有幾個(gè)關(guān)鍵細(xì)節(jié)。第一YOLO 格式的坐標(biāo)值必須在 0 到 1 之間所以中心點(diǎn)和寬高全部除以圖片寬高。第二如果你的標(biāo)注框坐標(biāo)有負(fù)數(shù)物體在圖片邊緣被截?cái)嘈枰鼋財(cái)嗵幚矸駝t訓(xùn)練時(shí)報(bào)錯(cuò)坐標(biāo)越界。第三category_map的類別順序一旦定下來(lái)就不要改因?yàn)閣eld.yaml里nc和names的順序必須和這里的類 ID 完全一致否則模型學(xué)出來(lái)的標(biāo)簽全錯(cuò)位。我見過(guò)有人改了類別順序忘了改映射表訓(xùn)練出來(lái)檢測(cè)結(jié)果張冠李戴這就是典型的黑匣子問(wèn)題模型沒毛病毛病出在標(biāo)簽錯(cuò)位。3.3 數(shù)據(jù)量多少夠用從幾十張到幾百?gòu)埖膶?shí)戰(zhàn)參考關(guān)于焊縫缺陷檢測(cè)的數(shù)據(jù)量老實(shí)說(shuō)沒有一個(gè)絕對(duì)的數(shù)字。如果每個(gè)類別的樣本數(shù)在 50 張以下YOLOv8 基本學(xué)不出穩(wěn)定特征達(dá)到 100-200 張每類加上合理的數(shù)據(jù)增強(qiáng)訓(xùn)練出來(lái)的模型在固定工況下已經(jīng)能實(shí)際使用了。焊縫檢測(cè)的數(shù)據(jù)獲取在工廠里其實(shí)是相對(duì)容易的因?yàn)楹附蛹梢灾貜?fù)焊接、重復(fù)拍照不像自動(dòng)駕駛那種場(chǎng)景數(shù)據(jù)那么難采。數(shù)據(jù)增強(qiáng)是彌補(bǔ)樣本不足的關(guān)鍵手段。ultralytics 內(nèi)置了增強(qiáng)參數(shù)在訓(xùn)練命令里直接指定即可。對(duì)于焊縫檢測(cè)我建議這樣配hsv_h0.015做輕微色相偏移模擬不同焊材的反光差異fliplr0.5做水平翻轉(zhuǎn)焊縫缺陷在左右方向上沒有物理意義差異翻轉(zhuǎn)不會(huì)產(chǎn)生錯(cuò)誤標(biāo)簽scale0.3模擬遠(yuǎn)近拍攝距離變化。不要開mosaic到默認(rèn)的 1.0焊縫圖片拼接起來(lái)會(huì)生成很多不自然的邊界紋理影響小缺陷的檢測(cè)建議調(diào)到 0.5 左右。4. 訓(xùn)練參數(shù)詳解從預(yù)訓(xùn)練權(quán)重到焊縫微調(diào)4.1 預(yù)訓(xùn)練權(quán)重怎么選n/s/m/l/x 的取舍YOLOv8 的預(yù)訓(xùn)練權(quán)重有 n、s、m、l、x 五個(gè)型號(hào)從 n 到 x 模型參數(shù)量遞增檢測(cè)精度遞增推理速度遞減。很多人一上來(lái)就選 x 號(hào)模型追求最高精度結(jié)果顯存爆掉或者訓(xùn)練速度慢到懷疑人生。焊縫檢測(cè)屬于目標(biāo)較小、背景相對(duì)固定的場(chǎng)景用 s 或者 m 是性價(jià)比最高的選擇。# 使用 yolov8m 預(yù)訓(xùn)練權(quán)重開始微調(diào) yolo train modelyolov8m.pt dataweld.yaml epochs150 imgsz640 batch8 device0modelyolov8m.pt會(huì)自動(dòng)下載這個(gè)預(yù)訓(xùn)練權(quán)重文件然后加載到內(nèi)存里開始訓(xùn)練。以它作為起點(diǎn)網(wǎng)絡(luò)的前幾層已經(jīng)學(xué)會(huì)了輪廓、邊緣、紋理等基礎(chǔ)特征我們只需要微調(diào)后面的檢測(cè)頭讓網(wǎng)絡(luò)適應(yīng)焊縫缺陷的語(yǔ)義。如果從零開始訓(xùn)練即不指定預(yù)訓(xùn)練權(quán)重在焊縫這種小眾數(shù)據(jù)集上往往需要更多數(shù)據(jù)和更長(zhǎng)訓(xùn)練時(shí)間才能收斂效果還不一定好。batch8是 8GB 顯存顯卡的配置如果你的顯卡是 12GB 顯存可以開到 16。4.2 訓(xùn)練過(guò)程怎么看損失曲線和驗(yàn)證集的坑訓(xùn)練開始后ultralytics 會(huì)在終端實(shí)時(shí)打印每個(gè) epoch 的box_loss、cls_loss、dfl_loss和metrics/precision(B)、metrics/recall(B)、mAP50(B)、mAP50-95(B)。很多人只盯著 mAP 值看其實(shí)訓(xùn)練過(guò)程中的損失值更能說(shuō)明問(wèn)題。box_loss 表示預(yù)測(cè)框和真實(shí)框的坐標(biāo)偏差cls_loss 表示分類錯(cuò)誤的損失兩個(gè)損失都在下降說(shuō)明模型在學(xué)習(xí)如果 loss 降了但 mAP 不漲大概率是你的標(biāo)簽有錯(cuò)誤或者類別不均衡。可視化損失曲線的做法常見的是從runs/detect/train/目錄下的results.csv文件提取數(shù)據(jù)在訓(xùn)練結(jié)束后用 matplotlib 繪制。曲線圖的觀察要點(diǎn)是訓(xùn)練損失持續(xù)下降但驗(yàn)證損失在第 80 個(gè) epoch 左右開始反彈說(shuō)明過(guò)擬合已經(jīng)開始可以提前終止訓(xùn)練并回滾到驗(yàn)證損失最低的那個(gè) epoch 的權(quán)重。ultralytics 會(huì)自動(dòng)保存best.pt和last.pt兩個(gè)權(quán)重文件best.pt就是驗(yàn)證集上 mAP 最高的那個(gè) checkpoint訓(xùn)練結(jié)束直接用best.pt做推理即可。4.3 焊縫檢測(cè)必調(diào)的三個(gè)訓(xùn)練參數(shù)imgsz、conf、iou這三個(gè)參數(shù)是決定焊縫檢測(cè)實(shí)際效果的命門。imgsz表示訓(xùn)練時(shí)網(wǎng)絡(luò)的輸入分辨率。焊縫缺陷中的氣孔和咬邊屬于小目標(biāo)1024 分辨率比 640 分辨率能多檢測(cè)出大約 5-8% 的小缺陷但顯存占用和訓(xùn)練時(shí)間會(huì)明顯增加。如果你的顯存是 8GB建議用 640加上數(shù)據(jù)增強(qiáng)彌補(bǔ)如果是 12GB 以上直接上 1024。conf是推理階段的置信度閾值默認(rèn)是 0.25。焊縫場(chǎng)景里我建議設(shè)到 0.35-0.4 之間太低會(huì)輸出一堆飛濺誤檢太多框沒法看太高則會(huì)漏掉一些真實(shí)缺陷因?yàn)榫W(wǎng)絡(luò)對(duì)缺陷的置信度普遍不如對(duì)行人車輛高。iou是 NMS 的非極大值抑制閾值默認(rèn)是 0.7。焊縫缺陷經(jīng)常成片出現(xiàn)比如一串氣孔緊密排布如果 IOU 閾值太高NMS 可能把相鄰的幾個(gè)框合并成一個(gè)導(dǎo)致漏檢。遇到這種情況可以把iou降到 0.5保留更多重疊的檢測(cè)框。# 更完整的訓(xùn)練命令示例 yolo train modelyolov8m.pt \ dataweld.yaml \ epochs200 \ imgsz1024 \ batch8 \ patience30 \ optimizerAdamW \ lr00.005 \ hsv_h0.015 \ hsv_s0.3 \ hsv_v0.3 \ fliplr0.5 \ scale0.3 \ mosaic0.5 \ device0patience30表示連續(xù) 30 個(gè) epoch 驗(yàn)證指標(biāo)沒提升就自動(dòng)停止訓(xùn)練這是對(duì)時(shí)間的節(jié)省也防止過(guò)擬合越來(lái)越嚴(yán)重。optimizerAdamW在小型數(shù)據(jù)集上比默認(rèn)的 SGD 收斂更快更穩(wěn)。lr0初始學(xué)習(xí)率設(shè)置為 0.005如果損失曲線震蕩厲害優(yōu)先把學(xué)習(xí)率降到 0.002 再試。5. 焊縫檢測(cè)避坑指南5 個(gè)讓你白白浪費(fèi)訓(xùn)練時(shí)間的坑5.1 缺陷類別不平衡導(dǎo)致模型只學(xué)會(huì)飛濺檢測(cè)現(xiàn)象訓(xùn)練跑完驗(yàn)證集精度看著還行但實(shí)際檢測(cè)時(shí)飛濺的召回率很高而氣孔幾乎一個(gè)都檢不出來(lái)。用 mAP 看整體數(shù)值像是在進(jìn)步但分類別看指標(biāo)氣孔的 AP 幾乎為零。原因你的數(shù)據(jù)集里飛濺圖片占了 70% 以上氣孔只有十幾張。YOLO 訓(xùn)練時(shí)按圖片采樣模型見多了飛濺自然更擅長(zhǎng)擬合這個(gè)類別的分布。這是分類任務(wù)里經(jīng)典的樣本不均衡問(wèn)題。解決優(yōu)先做數(shù)據(jù)擴(kuò)充把氣孔樣本通過(guò)旋轉(zhuǎn)、裁剪、亮度調(diào)整擴(kuò)到和飛濺接近的數(shù)量。如果實(shí)在湊不齊就用 ultralytics 的class_weight參數(shù)調(diào)高樣本少的類別的損失權(quán)重。注意修改完數(shù)據(jù)后重新整理訓(xùn)練集和驗(yàn)證集不能把同一張圖片既放進(jìn)訓(xùn)練集又放進(jìn)驗(yàn)證集那屬于數(shù)據(jù)泄漏會(huì)讓指標(biāo)虛高但實(shí)際應(yīng)用翻車。5.2 標(biāo)簽和圖片沒有對(duì)齊txt 文件比圖片多或者少現(xiàn)象訓(xùn)練日志報(bào)錯(cuò)assertion failed: labels.shape (n, 5)或者訓(xùn)練正常結(jié)束了但 mAP 一直是零。原因YOLO 要求每張圖片對(duì)應(yīng)一個(gè)同名 txt 標(biāo)簽文件標(biāo)簽文件名是圖片名去掉擴(kuò)展名加上.txt。我在實(shí)際項(xiàng)目中發(fā)現(xiàn)最常見的情況是 labelme 轉(zhuǎn)換腳本輸出時(shí)JSON 文件名里有中文或空格導(dǎo)致生成的 txt 文件名和圖片文件名對(duì)不上。YOLO 加載數(shù)據(jù)時(shí)按圖片名去找標(biāo)簽文件找不到就跳過(guò)這張圖但類別統(tǒng)計(jì)里仍然可能出錯(cuò)。解決做一個(gè)腳本核對(duì)。遍歷images/train下的每張圖片檢查同名 txt 是否存在。所有沒有標(biāo)簽的圖片要么刪除要么補(bǔ)標(biāo)。同樣地labels/train下有多余的 txt 而對(duì)應(yīng)圖片不存在的直接刪掉。這個(gè)核對(duì)腳本幾十行就能寫完但能省下你排查半天的時(shí)間。5.3 推理時(shí)把「好焊縫」也框出來(lái)二分類思維害人現(xiàn)象模型訓(xùn)練完在正常焊縫上檢測(cè)出了大量缺陷框現(xiàn)場(chǎng)完全不可用。你把正常焊縫圖片放進(jìn)訓(xùn)練集了但這沒用。原因你只標(biāo)注了缺陷把無(wú)缺陷的圖片當(dāng)作背景但 YOLO 會(huì)在這些背景圖上強(qiáng)行找目標(biāo)。模型如果沒有見過(guò)「好焊縫」作為負(fù)樣本的概念就會(huì)把紋理正常的魚鱗紋反光當(dāng)作特征匹配。解決在標(biāo)注階段明確把正常焊縫定義為good類別并標(biāo)注出來(lái)或者專門收集一批完全無(wú)缺陷的焊縫圖片放進(jìn)數(shù)據(jù)集的訓(xùn)練集和驗(yàn)證集圖片沒有對(duì)應(yīng) txt 標(biāo)簽時(shí)模型會(huì)將其視為背景樣本參與訓(xùn)練。建議至少加入 20% 的正常焊縫圖片比例太低模型學(xué)不好太高又稀釋了缺陷樣本的影響。5.4 顯存不足就改小 batch結(jié)果訓(xùn)練不穩(wěn)定現(xiàn)象訓(xùn)練時(shí)報(bào)錯(cuò)CUDA out of memory你把 batch 從 16 改成 4 之后能跑了但損失曲線震蕩得像心電圖驗(yàn)證集精度也上不去。原因過(guò)小的 batch 會(huì)導(dǎo)致梯度估計(jì)方差大模型參數(shù)更新方向不穩(wěn)定。YOLOv8 的 BN 層對(duì)小 batch 尤其不友好batch size 小于 8 時(shí)歸一化統(tǒng)計(jì)量失真導(dǎo)致收斂困難。解決最優(yōu)先的調(diào)整是降低輸入分辨率imgsz從 640 降到 512顯存占用能減少三分之一左右其次是換更小的模型從 m 換到 s最后才考慮減 batch。如果 512 分辨率加 s 模型還爆顯存就把梯度累積打開accumulate4每 4 個(gè)小 batch 累積一次梯度更新等效于 batch 做大了。5.5 部署時(shí)發(fā)現(xiàn) mAP 高但實(shí)際檢測(cè)速度慢到無(wú)法接受現(xiàn)象訓(xùn)練時(shí) mAP0.5 到 0.95 看著不錯(cuò)但部署到產(chǎn)線工控機(jī)上YOLOv8m 模型推理一幀要 300 毫秒完全跟不上流水線節(jié)拍。原因精度的提升是有代價(jià)的模型越大推理越慢。工控機(jī)的 GPU 往往比訓(xùn)練機(jī)器弱一個(gè)檔次或者根本沒有 GPU 只能用 CPU。解決訓(xùn)練完yolo train后用yolo export把權(quán)重導(dǎo)出成 TensorRT 或 ONNX 格式推理速度通常能提升一倍以上。導(dǎo)出前試一下yolov8s對(duì)比yolov8m精度可能只降 2-3 個(gè)點(diǎn)但速度能快接近一倍。用導(dǎo)出的 ONNX 文件做一次推理驗(yàn)證確保檢測(cè)框位置和 PyTorch 版本一致再上產(chǎn)線。6. 用 TensorRT 導(dǎo)出焊縫模型把推理速度壓到實(shí)時(shí)的驗(yàn)證技巧項(xiàng)目做到這一步模型已經(jīng)能用了接下來(lái)值得做的一件事是把權(quán)重文件從 PyTorch 格式導(dǎo)出成 TensorRT 引擎部署到 Jetson 或工控機(jī)上。熱詞里經(jīng)常有人搜「rk3588部署yolov8」說(shuō)明嵌入式部署是焊縫檢測(cè)的真實(shí)需求方向。# 先用 ONNX 做中間格式 yolo export modelruns/train/weld_det/weights/best.pt formatonnx dynamicTrue # 再用 ONNX 轉(zhuǎn) TensorRT需要 Ubuntu 環(huán)境且已安裝 TensorRT trtexec --onnxbest.onnx \ --saveEngineweld_engine.trt \ --fp16 \ --workspace2048dynamicTrue允許 ONNX 運(yùn)行時(shí)動(dòng)態(tài)輸入圖像尺寸這樣部署到不同分辨率設(shè)備時(shí)不用重新導(dǎo)出。--fp16是半精度推理焊縫檢測(cè)的缺陷框不涉及自動(dòng)駕駛那種極端安全場(chǎng)景半精度帶來(lái)的精度損失通常在 1% 以內(nèi)速度收益接近翻倍值得開。--workspace2048限制 TensorRT 構(gòu)建時(shí)最大使用 2GB 顯存防止構(gòu)建過(guò)程中顯存溢出。TensorRT 引擎導(dǎo)出后的推理不能用yolo predict直接跑需要用tensorrt的 Python API 加載。驗(yàn)證方式是把同一張疑似缺陷圖片分別用 PyTorch 權(quán)重和 TensorRT 引擎各跑一遍對(duì)比檢測(cè)框坐標(biāo)和置信度。我自己的習(xí)慣是設(shè)置一個(gè)容忍度坐標(biāo)偏差不超過(guò) 5 個(gè)像素、置信度偏差不超過(guò) 0.05 就算通過(guò)。如果發(fā)現(xiàn) TensorRT 的結(jié)果偏差過(guò)大先檢查是不是開了--fp16導(dǎo)致精度損失關(guān)掉后重新導(dǎo)出再對(duì)比。最后想說(shuō)的是焊縫質(zhì)量檢測(cè)這個(gè)方向真正的核心不在模型選型而在數(shù)據(jù)。YOLOv8 只是把「從數(shù)據(jù)到檢測(cè)」的距離縮短了但如果你拿到的sts-hanfeng-data.zip里標(biāo)注質(zhì)量參差不齊花再多時(shí)間調(diào)參也是在垃圾上蓋樓。我在第一次跑焊縫數(shù)據(jù)時(shí)就吃過(guò)這個(gè)虧——數(shù)據(jù)增強(qiáng)參數(shù)調(diào)了一整天最后發(fā)現(xiàn)是標(biāo)簽文件里有兩張圖片的類別 ID 標(biāo)錯(cuò)了。以后拿到任何數(shù)據(jù)集第一件事永遠(yuǎn)是抽查標(biāo)簽第二件事才是訓(xùn)練。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取