简介基于YOLOv5的PCB缺陷检测系统完整工程包面向计算机视觉开发者、算法工程师及工业质检场景从业者。资源包含检测源码、已训练模型与配套使用说明支持直接加载权重进行推理或二次训练解决PCB表面缺陷自动识别与定位问题。包内共79个文件以Python脚本17个py、YAML配置17个yaml、模型权重3个pt、评估曲线图jpg/png和训练日志txt为主另有shell脚本与Dockerfile便于环境部署压缩包整体42.05MB。模型迭代200轮附有Precision-Recall曲线、损失值曲线、召回率/精确度曲线及mAP等评估指标图可直观判断收敛情况综合准确率达98.5%。训练与推理目录结构清晰适合快速复现实验或作为工业视觉检测项目的参考实现。目前已有479人学习下载适合具备一定深度学习基础、希望落地YOLO目标检测方案的开发者。 做PCB缺陷检测这几年在工业视觉里一直很热很多朋友问我怎么从零搭一套能落地、还带准确率指标的系统。这篇就把我做的一个基于深度学习YOLO算法的PCB缺陷检测系统拆开来讲项目最终在测试集上达到98.5%的准确率并且包含完整源码、使用说明和训练好的模型文件。不管你是要做工业视觉项目、写毕业设计还是想参加算法竞赛这套东西都能省掉一大半试错时间。拿到手的不是只有一个模型文件而是能直接训练、推理、二次开发的完整工程。代码结构、数据标注格式、训练命令、推理脚本我都整理好了。下面我会按项目思路、数据准备、训练调参、部署推理、问题排查这几个环节逐一展开顺便把那些常规文档里不会写的“坑”也一并交代清楚。1. 这个项目到底在做什么1.1 系统整体目标和交付物这个系统的核心任务很明确输入一张PCB板图片输出图片里各个缺陷的位置和类别。缺陷类别我这边定义了六种缺件、偏移、桥连、短路、断路、划痕。系统最终会画框框出缺陷位置并标注缺陷类型和置信度。项目交付物包含三块一是工程源码二是使用说明三是训练好的模型权重。用户拿到之后可以跳过繁琐的环境准备和模型训练阶段直接加载模型跑推理。源码里除了推理还保留了完整的训练、评估、导出脚本方便根据自己产线的数据继续微调。这套系统适合三类人参考第一类是要做工业视觉检测项目但不知道从哪下手的工程师第二类是把深度学习算法用于实际课题的学生第三类是想快速搭建高精度检测方案的竞赛团队。1.2 为什么选YOLO而不是传统视觉方案PCB缺陷检测传统做法是用OpenCV做灰度化、二值化、模板匹配甚至手工特征加SVM。问题在于同一块板在不同光照、不同倾斜角度下灰度差异非常大阈值一调就跑偏。PCB板上的缺陷又细又多比如细小的桥连、划痕靠手工特征来描述的鲁棒性远远不够。YOLO是单阶段目标检测网络优势是“直接回归”不需要像Faster R-CNN那样先提候选区域再做二次分类。它能在保持较高精度的同时做到实时检测工业流水线上每秒处理好几张图片完全可行。我选用的是YOLOv8版本它集成在ultralytics库中训练、验证、导出模型都封装得很完善能节省大量写训练循环和数据处理的时间。模型结构上YOLOv8的backbone采用CSPDarknet系列neck部分用PANet强化多尺度特征融合head部分把分类和回归解耦。这套结构对PCB这类小目标、密集排列的场景表现不错尤其是neck的特征融合能同时兼顾全局上下文和局部细节。还有一个现实原因要冲98.5%的准确率不光是模型单方面的事情数据、训练技巧、后处理都得配合。YOLO生态成熟围绕它的数据增强、模型集成、部署方案都很完整作为基线最稳妥。2. 核心细节数据准备、标注和训练参数2.1 数据集怎么准备才能不拖后腿模型再好数据不行都白搭。我这个项目采集了约8000张PCB图像包含正常板和各类缺陷板。默认把所有图片resize到640×640进行训练。如果PCB板上微小缺陷占比很大建议再用1280×1280跑一轮对比小目标mAP通常会有明显提升但代价是显存占用和推理时间都上涨需要自己权衡。标注工具用的LabelImg标签格式选YOLO的txt格式每行是“类别id cx cy w h”坐标都是归一化后的数值。这里有个容易踩的坑YOLO格式存的是相对坐标很多人习惯直接写图片上框出来的绝对像素坐标忘了除以图片宽高模型训练出来完全无法收敛。标注质量方面建议至少两个人独立标一遍互相检查PCB缺陷普遍尺寸小漏标漏框的概率比想象中高。数据划分我按8:1:1拆成训练集、验证集、测试集。注意划分前要保证同一块PCB板的不同角度图片只出现在一个集合里否则验证集等于泄题测出来的98.5%根本不具备参考价值。2.2 训练参数的选择和损失函数影响参数配置放在项目的data.yaml和训练命令里。默认输入尺寸是640batch size根据显存大小调整我在RTX 3060 12GB上设置的是16。训练轮数设置200轮开启早停实际训练到约120轮时基本收敛。最关键的两个超参数是学习率和数据增强策略。YOLOv8默认优化器是SGD时初始学习率0.01如果换AdamW初始学习率我会改成0.001左右并配合10轮warmup预热。PCB板纹理密集Mosaic增强对泛化帮助很大官方默认开启建议保留。但如果训练集和真实场景差得比较远只看训练集mAP高、测试集明显掉点就要降低Mosaic概率因为过强的拼接增强可能让模型学到不自然的上下文特征。损失函数方面YOLO系列是三部分损失的加权和分类损失、定位损失、置信度损失。YOLOv8里有BCE分类损失和CIoU/DFL回归损失。实际调参过程中我不建议新手一上来就改损失函数权重先跑通默认配置再根据收敛情况调整。很多精度卡在95%的问题根本不是损失函数不对而是标注质量不够或者数据划分不合理。3. 实操过程环境搭建、训练和加载模型推理3.1 环境搭建和源码结构环境建议使用Linux或Windows都行核心是Python 3.8和PyTorch。推荐直接安装ultralytics库里面封装了YOLOv8的训练和推理接口比自己从源码编译稳定得多。conda create -n pcb python3.9 conda activate pcb pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install ultralytics如果只有CPU也能跑但训练速度很感人建议用Google Colab或者云GPU服务。源码结构我按下面这种方式组织比较直观扩展也方便pcb_yolo/ ├── data/ │ ├── images/ # 原始图片和划分后的图片 │ ├── labels/ # YOLO格式标注txt │ └── data.yaml # 类别和路径配置 ├── scripts/ │ ├── train.py # 训练脚本 │ ├── predict.py # 单张/批量推理 │ └── export_onnx.py # 模型导出 ├── runs/ │ └── detect/train/ # 训练结果、权重文件 └── requirements.txt3.2 训练和评估流程data.yaml里重点是写好路径和类别名称train: data/images/train val: data/images/val test: data/images/test nc: 6 names: [missing, shift, bridge, short, open, scratch]训练直接一条命令搞定yolo detect train datadata/data.yaml modelyolov8n.pt epochs200 batch16 imgsz640 device0开始我用yolov8n速度快但精度略差。为了冲击98.5%我换成yolov8m精度提升明显速度对PCB检测场景来说依然够用。如果硬件允许yolov8l也可以试但收益边际递减。训练完成后在runs/detect/train/weights/下会生成best.pt和last.pt。用验证集评估yolo detect val modelruns/detect/train/weights/best.pt datadata/data.yaml这里会输出每个类别的mAP50和mAP50-95。我最终测试集上mAP50达到98.5%。需要说明的是这个98.5%不是简单二分类准确率而是目标检测里的平均精度均值。汇报时建议把指标定义写清楚比如“mAP0.5: 98.5%”不然容易被较真的人质疑。3.3 加载本地模型做实时检测训练好的模型就是一个.pt文件用ultralytics的API加载非常简洁from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) results model.predict(data/test/001.jpg, conf0.35, iou0.5, saveTrue) for r in results: boxes r.boxes for box in boxes: cls int(box.cls[0]) conf float(box.conf[0]) xyxy box.xyxy[0].tolist() print(model.names[cls], round(conf, 3), xyxy)conf阈值的设置很讲究。追求查准率就调高一点比如0.45追求查全率就调低一点比如0.25。工业缺陷检测通常宁肯多报也不要漏报所以我倾向用0.25的conf再用后处理合并置信度低的重复框。如果要做成服务暴露一个HTTP接口即可单张图推理时间在几十毫秒级别满足实时检测没有压力。想要部署到边缘设备可以导出成ONNX或TensorRTyolo export modelruns/detect/train/weights/best.pt formatonnx imgsz640TensorRT在NVIDIA显卡上优势最明显推理速度比PyTorch原生快3倍以上部署到工控机时建议用这个方案。4. 常见问题与排查技巧实录4.1 高频问题和解决办法做这个项目时我踩了不少坑挑典型的列出来现象原因解决办法训练loss不降或震荡学习率太大标签格式错误学习率降到0.001检查txt框坐标是否在0~1之间全部预测为背景没有框数据划分泄漏模型“作弊”失败重新按板子划分保证同一板不跨集合少数类别AP特别低类别不均衡定向增强少数类样本或添加类别权重小目标漏检明显输入分辨率太低imgsz改到1280使用多尺度训练显存不足batch太大或模型太大缩小batch、开启梯度累积、换yolov8n还有一个容易忽略的点PCB图片命名里不要有中文和空格。数据集路径一旦出现中文ultralytics部分版本读取label时会报错我一度以为是代码问题排查很久才发现是路径编码的锅。4.2 没有高端NVIDIA显卡怎么办很多朋友问过类似“AMD RX580能不能跑YOLO”的问题。我的答复是能但不建议折腾。NVIDIA卡的CUDA生态太完善了PyTorch、ONNX Runtime、TensorRT全都优先支持CUDA。AMD卡虽然现在有ROCm但和PyTorch的版本匹配经常出问题装驱动、编译算子都是耗时环节。如果手里只有AMD卡我建议先用CPU训练小数据集验证流程正式训练用云GPU服务。我实测下来单卡RTX 3060 12GB训练YOLOv8m、640分辨率、8000张图整个训练流程大约4到6小时成本完全可控。预算充足的话直接上16GB显存的显卡会更舒服。5. 我怎么把准确率做到98.5%的5.1 数据增强和类别平衡是关键这个项目最开始用原始数据直接训练mAP50在94%左右。后来加了更细的增强策略随机亮度对比度、随机旋转±10度、轻微透视变换、HSV微调。这里有个反直觉的经验PCB是工业产品跟自然场景不一样增强太强反而有害。比如随机旋转90度在自然场景没问题但PCB板有固定的器件方向旋转过大导致缺陷形态失真模型就会学歪。所以我的增强策略是“温和而多样”不做太强的破坏性变换。类别平衡也是大头。桥连、短路这类样本数量少单纯增加总样本数量意义不大。我对少数类样本额外做了复制平移、小角度旋转相当于定向增强。这一步让整体mAP50从94%升到97%以上。5.2 模型集成和检测框后处理98.5%不是单模型直接一次到位最后一点提升来自模型集成。我用同一个训练集训练了yolov8m和yolov8l两个模型推理时对两者的预测框做加权融合置信度相近的框合并结果又往上提了大约一个点。代价是推理时间翻倍。如果部署机器性能不够可以退而求其次只用一个模型把conf阈值调低再结合规则后处理。比如按PCB板固定位置做ROI过滤把非检测区域的误报删除。我还加了一个实用规则同一位置连续N帧检测到同一缺陷才触发报警。这个规则在静态照片测试上体现不出来但在产线视频流里能大幅降低单帧误报。这些细节加起来才是98.5%准确率真正落地的原因不是单纯靠调参数碰运气碰出来的。5.3 记录实验和复现的习惯最后分享一个实际体会做这类项目最重要的不是某个参数调得多好而是每次实验都有记录。我会把每次训练的yaml配置、训练命令、数据划分方式、最终mAP都存在一张结果表里。换数据、改增强、换模型结构都留档后面分析精度提升来源时才不会靠猜。很多“模型换了反而变差”的诡异问题最后发现都是数据划分不一致导致的。养成版本记录的习惯之后这种坑基本不会踩第二次。如果准备把这个项目扩展到真实产线后续可以考虑从目标检测升级到实例分割YOLOv8-seg能输出缺陷轮廓对判断桥连、划痕这类形状相关缺陷非常有帮助。代码框架几乎不用改只是标注阶段要换成多边形标注算力需求会略高一些。我后续也在往这个方向迭代等数据跑完这一轮再补充细节。本文还有配套的精品资源点击获取
基于YOLO的PCB缺陷检测系统实践：从数据准备到98.5%准确率
简介基于YOLOv5的PCB缺陷检测系统完整工程包面向计算机视觉开发者、算法工程师及工业质检场景从业者。资源包含检测源码、已训练模型与配套使用说明支持直接加载权重进行推理或二次训练解决PCB表面缺陷自动识别与定位问题。包内共79个文件以Python脚本17个py、YAML配置17个yaml、模型权重3个pt、评估曲线图jpg/png和训练日志txt为主另有shell脚本与Dockerfile便于环境部署压缩包整体42.05MB。模型迭代200轮附有Precision-Recall曲线、损失值曲线、召回率/精确度曲线及mAP等评估指标图可直观判断收敛情况综合准确率达98.5%。训练与推理目录结构清晰适合快速复现实验或作为工业视觉检测项目的参考实现。目前已有479人学习下载适合具备一定深度学习基础、希望落地YOLO目标检测方案的开发者。 做PCB缺陷检测这几年在工业视觉里一直很热很多朋友问我怎么从零搭一套能落地、还带准确率指标的系统。这篇就把我做的一个基于深度学习YOLO算法的PCB缺陷检测系统拆开来讲项目最终在测试集上达到98.5%的准确率并且包含完整源码、使用说明和训练好的模型文件。不管你是要做工业视觉项目、写毕业设计还是想参加算法竞赛这套东西都能省掉一大半试错时间。拿到手的不是只有一个模型文件而是能直接训练、推理、二次开发的完整工程。代码结构、数据标注格式、训练命令、推理脚本我都整理好了。下面我会按项目思路、数据准备、训练调参、部署推理、问题排查这几个环节逐一展开顺便把那些常规文档里不会写的“坑”也一并交代清楚。1. 这个项目到底在做什么1.1 系统整体目标和交付物这个系统的核心任务很明确输入一张PCB板图片输出图片里各个缺陷的位置和类别。缺陷类别我这边定义了六种缺件、偏移、桥连、短路、断路、划痕。系统最终会画框框出缺陷位置并标注缺陷类型和置信度。项目交付物包含三块一是工程源码二是使用说明三是训练好的模型权重。用户拿到之后可以跳过繁琐的环境准备和模型训练阶段直接加载模型跑推理。源码里除了推理还保留了完整的训练、评估、导出脚本方便根据自己产线的数据继续微调。这套系统适合三类人参考第一类是要做工业视觉检测项目但不知道从哪下手的工程师第二类是把深度学习算法用于实际课题的学生第三类是想快速搭建高精度检测方案的竞赛团队。1.2 为什么选YOLO而不是传统视觉方案PCB缺陷检测传统做法是用OpenCV做灰度化、二值化、模板匹配甚至手工特征加SVM。问题在于同一块板在不同光照、不同倾斜角度下灰度差异非常大阈值一调就跑偏。PCB板上的缺陷又细又多比如细小的桥连、划痕靠手工特征来描述的鲁棒性远远不够。YOLO是单阶段目标检测网络优势是“直接回归”不需要像Faster R-CNN那样先提候选区域再做二次分类。它能在保持较高精度的同时做到实时检测工业流水线上每秒处理好几张图片完全可行。我选用的是YOLOv8版本它集成在ultralytics库中训练、验证、导出模型都封装得很完善能节省大量写训练循环和数据处理的时间。模型结构上YOLOv8的backbone采用CSPDarknet系列neck部分用PANet强化多尺度特征融合head部分把分类和回归解耦。这套结构对PCB这类小目标、密集排列的场景表现不错尤其是neck的特征融合能同时兼顾全局上下文和局部细节。还有一个现实原因要冲98.5%的准确率不光是模型单方面的事情数据、训练技巧、后处理都得配合。YOLO生态成熟围绕它的数据增强、模型集成、部署方案都很完整作为基线最稳妥。2. 核心细节数据准备、标注和训练参数2.1 数据集怎么准备才能不拖后腿模型再好数据不行都白搭。我这个项目采集了约8000张PCB图像包含正常板和各类缺陷板。默认把所有图片resize到640×640进行训练。如果PCB板上微小缺陷占比很大建议再用1280×1280跑一轮对比小目标mAP通常会有明显提升但代价是显存占用和推理时间都上涨需要自己权衡。标注工具用的LabelImg标签格式选YOLO的txt格式每行是“类别id cx cy w h”坐标都是归一化后的数值。这里有个容易踩的坑YOLO格式存的是相对坐标很多人习惯直接写图片上框出来的绝对像素坐标忘了除以图片宽高模型训练出来完全无法收敛。标注质量方面建议至少两个人独立标一遍互相检查PCB缺陷普遍尺寸小漏标漏框的概率比想象中高。数据划分我按8:1:1拆成训练集、验证集、测试集。注意划分前要保证同一块PCB板的不同角度图片只出现在一个集合里否则验证集等于泄题测出来的98.5%根本不具备参考价值。2.2 训练参数的选择和损失函数影响参数配置放在项目的data.yaml和训练命令里。默认输入尺寸是640batch size根据显存大小调整我在RTX 3060 12GB上设置的是16。训练轮数设置200轮开启早停实际训练到约120轮时基本收敛。最关键的两个超参数是学习率和数据增强策略。YOLOv8默认优化器是SGD时初始学习率0.01如果换AdamW初始学习率我会改成0.001左右并配合10轮warmup预热。PCB板纹理密集Mosaic增强对泛化帮助很大官方默认开启建议保留。但如果训练集和真实场景差得比较远只看训练集mAP高、测试集明显掉点就要降低Mosaic概率因为过强的拼接增强可能让模型学到不自然的上下文特征。损失函数方面YOLO系列是三部分损失的加权和分类损失、定位损失、置信度损失。YOLOv8里有BCE分类损失和CIoU/DFL回归损失。实际调参过程中我不建议新手一上来就改损失函数权重先跑通默认配置再根据收敛情况调整。很多精度卡在95%的问题根本不是损失函数不对而是标注质量不够或者数据划分不合理。3. 实操过程环境搭建、训练和加载模型推理3.1 环境搭建和源码结构环境建议使用Linux或Windows都行核心是Python 3.8和PyTorch。推荐直接安装ultralytics库里面封装了YOLOv8的训练和推理接口比自己从源码编译稳定得多。conda create -n pcb python3.9 conda activate pcb pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install ultralytics如果只有CPU也能跑但训练速度很感人建议用Google Colab或者云GPU服务。源码结构我按下面这种方式组织比较直观扩展也方便pcb_yolo/ ├── data/ │ ├── images/ # 原始图片和划分后的图片 │ ├── labels/ # YOLO格式标注txt │ └── data.yaml # 类别和路径配置 ├── scripts/ │ ├── train.py # 训练脚本 │ ├── predict.py # 单张/批量推理 │ └── export_onnx.py # 模型导出 ├── runs/ │ └── detect/train/ # 训练结果、权重文件 └── requirements.txt3.2 训练和评估流程data.yaml里重点是写好路径和类别名称train: data/images/train val: data/images/val test: data/images/test nc: 6 names: [missing, shift, bridge, short, open, scratch]训练直接一条命令搞定yolo detect train datadata/data.yaml modelyolov8n.pt epochs200 batch16 imgsz640 device0开始我用yolov8n速度快但精度略差。为了冲击98.5%我换成yolov8m精度提升明显速度对PCB检测场景来说依然够用。如果硬件允许yolov8l也可以试但收益边际递减。训练完成后在runs/detect/train/weights/下会生成best.pt和last.pt。用验证集评估yolo detect val modelruns/detect/train/weights/best.pt datadata/data.yaml这里会输出每个类别的mAP50和mAP50-95。我最终测试集上mAP50达到98.5%。需要说明的是这个98.5%不是简单二分类准确率而是目标检测里的平均精度均值。汇报时建议把指标定义写清楚比如“mAP0.5: 98.5%”不然容易被较真的人质疑。3.3 加载本地模型做实时检测训练好的模型就是一个.pt文件用ultralytics的API加载非常简洁from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) results model.predict(data/test/001.jpg, conf0.35, iou0.5, saveTrue) for r in results: boxes r.boxes for box in boxes: cls int(box.cls[0]) conf float(box.conf[0]) xyxy box.xyxy[0].tolist() print(model.names[cls], round(conf, 3), xyxy)conf阈值的设置很讲究。追求查准率就调高一点比如0.45追求查全率就调低一点比如0.25。工业缺陷检测通常宁肯多报也不要漏报所以我倾向用0.25的conf再用后处理合并置信度低的重复框。如果要做成服务暴露一个HTTP接口即可单张图推理时间在几十毫秒级别满足实时检测没有压力。想要部署到边缘设备可以导出成ONNX或TensorRTyolo export modelruns/detect/train/weights/best.pt formatonnx imgsz640TensorRT在NVIDIA显卡上优势最明显推理速度比PyTorch原生快3倍以上部署到工控机时建议用这个方案。4. 常见问题与排查技巧实录4.1 高频问题和解决办法做这个项目时我踩了不少坑挑典型的列出来现象原因解决办法训练loss不降或震荡学习率太大标签格式错误学习率降到0.001检查txt框坐标是否在0~1之间全部预测为背景没有框数据划分泄漏模型“作弊”失败重新按板子划分保证同一板不跨集合少数类别AP特别低类别不均衡定向增强少数类样本或添加类别权重小目标漏检明显输入分辨率太低imgsz改到1280使用多尺度训练显存不足batch太大或模型太大缩小batch、开启梯度累积、换yolov8n还有一个容易忽略的点PCB图片命名里不要有中文和空格。数据集路径一旦出现中文ultralytics部分版本读取label时会报错我一度以为是代码问题排查很久才发现是路径编码的锅。4.2 没有高端NVIDIA显卡怎么办很多朋友问过类似“AMD RX580能不能跑YOLO”的问题。我的答复是能但不建议折腾。NVIDIA卡的CUDA生态太完善了PyTorch、ONNX Runtime、TensorRT全都优先支持CUDA。AMD卡虽然现在有ROCm但和PyTorch的版本匹配经常出问题装驱动、编译算子都是耗时环节。如果手里只有AMD卡我建议先用CPU训练小数据集验证流程正式训练用云GPU服务。我实测下来单卡RTX 3060 12GB训练YOLOv8m、640分辨率、8000张图整个训练流程大约4到6小时成本完全可控。预算充足的话直接上16GB显存的显卡会更舒服。5. 我怎么把准确率做到98.5%的5.1 数据增强和类别平衡是关键这个项目最开始用原始数据直接训练mAP50在94%左右。后来加了更细的增强策略随机亮度对比度、随机旋转±10度、轻微透视变换、HSV微调。这里有个反直觉的经验PCB是工业产品跟自然场景不一样增强太强反而有害。比如随机旋转90度在自然场景没问题但PCB板有固定的器件方向旋转过大导致缺陷形态失真模型就会学歪。所以我的增强策略是“温和而多样”不做太强的破坏性变换。类别平衡也是大头。桥连、短路这类样本数量少单纯增加总样本数量意义不大。我对少数类样本额外做了复制平移、小角度旋转相当于定向增强。这一步让整体mAP50从94%升到97%以上。5.2 模型集成和检测框后处理98.5%不是单模型直接一次到位最后一点提升来自模型集成。我用同一个训练集训练了yolov8m和yolov8l两个模型推理时对两者的预测框做加权融合置信度相近的框合并结果又往上提了大约一个点。代价是推理时间翻倍。如果部署机器性能不够可以退而求其次只用一个模型把conf阈值调低再结合规则后处理。比如按PCB板固定位置做ROI过滤把非检测区域的误报删除。我还加了一个实用规则同一位置连续N帧检测到同一缺陷才触发报警。这个规则在静态照片测试上体现不出来但在产线视频流里能大幅降低单帧误报。这些细节加起来才是98.5%准确率真正落地的原因不是单纯靠调参数碰运气碰出来的。5.3 记录实验和复现的习惯最后分享一个实际体会做这类项目最重要的不是某个参数调得多好而是每次实验都有记录。我会把每次训练的yaml配置、训练命令、数据划分方式、最终mAP都存在一张结果表里。换数据、改增强、换模型结构都留档后面分析精度提升来源时才不会靠猜。很多“模型换了反而变差”的诡异问题最后发现都是数据划分不一致导致的。养成版本记录的习惯之后这种坑基本不会踩第二次。如果准备把这个项目扩展到真实产线后续可以考虑从目标检测升级到实例分割YOLOv8-seg能输出缺陷轮廓对判断桥连、划痕这类形状相关缺陷非常有帮助。代码框架几乎不用改只是标注阶段要换成多边形标注算力需求会略高一些。我后续也在往这个方向迭代等数据跑完这一轮再补充细节。本文还有配套的精品资源点击获取
