基于YOLOv8的钢材表面缺陷检测系统

项目简介

本项目是一个面向钢材表面缺陷检测场景的深度学习应用系统，围绕 YOLOv8 完成了从数据集组织、模型训练、结果评估，到桌面端检测系统开发与功能集成的完整流程。项目以 NEU-DET 钢材表面缺陷数据集为基础，训练得到钢材缺陷检测模型，并基于 PyQt6 开发了可视化检测系统，支持图片识别、视频识别、摄像头实时识别、检测历史管理、模型参数管理和训练指标展示等功能。

该项目不仅体现了目标检测模型开发的基本过程，也体现了深度学习模型向工程化系统落地的完整思路。

项目目标

• 面向钢材表面质量检测任务，构建可用的缺陷检测模型
• 基于标准数据集完成目标检测任务的数据组织与训练验证
• 通过训练损失、精确率、召回率、mAP 等指标评估模型性能
• 将训练后的模型封装为可交互的桌面应用，实现实际检测功能
• 形成“数据处理 -> 模型训练 -> 结果分析 -> 系统集成”的完整项目闭环

项目技术栈

数据集介绍

1. 数据集来源

项目使用 NEU-DET（Northeastern University Surface Defect Detection Dataset）钢材表面缺陷数据集。该数据集是钢材表面缺陷检测领域常用的公开数据集之一，适用于工业视觉检测和目标检测算法研究。

2. 数据集基本信息

3. 缺陷类别

4. 数据划分

项目中的数据划分如下：

5. 数据集目录结构

NEU-DET/
├── train/
│   ├── images/                # 训练图像
│   └── labels/                # 训练标注
├── valid/
│   ├── images/                # 验证图像
│   └── labels/                # 验证标注
└── 数据集介绍.md              # 数据集说明文档

6. 标注格式说明

每张图片对应一个同名的 .txt 标注文件，采用 YOLO 检测格式：

class_id center_x center_y width height

其中：

• class_id 表示类别编号
• center_x、center_y 表示目标框中心点坐标，已归一化到 0~1
• width、height 表示目标框宽高，已归一化到 0~1

7. 数据集构建与处理过程

本项目在数据处理阶段主要完成了以下工作：

1. 将 NEU-DET 数据集整理为 YOLO 标准目录格式，区分训练集和验证集。
2. 保持图像文件与标注文件一一对应，便于训练阶段自动索引。
3. 在 core/data_config.py 中自动生成 neu_det_data.yaml，统一描述数据集路径、类别数量和类别名称。
4. 采用相对路径组织数据集配置，方便项目迁移与复现。
5. 基于统一类别映射，将后续训练、推理、统计分析和 UI 展示保持一致。

当前数据配置文件如下：

path: NEU-DET
train: train/images
val: valid/images
nc: 6
names: ['crazing', 'inclusion', 'patches', 'pitted_surface', 'rolled-in_scale', 'scratches']

模型训练流程

1. 训练入口

模型训练入口文件为 train.py。程序会先初始化项目路径与编码配置，然后自动生成数据集配置文件，再加载 YOLOv8 模型并开始训练，训练结果默认输出到 train_result/exp/。

2. 训练流程说明

本项目的训练流程可以概括为：

1. 读取项目配置和数据集路径
2. 自动生成 neu_det_data.yaml
3. 加载预训练模型 yolov8n.pt
4. 基于 NEU-DET 数据集进行迁移学习训练
5. 在训练过程中同步进行验证并保存训练曲线
6. 输出权重文件、训练日志、可视化结果图

该流程体现了深度学习目标检测项目中的典型训练范式，即以公开预训练权重为起点，通过任务数据集进行微调，并结合验证集进行持续评估。

3. 训练参数

代码默认训练参数

以下参数定义在 core/config.py 中：

当前训练记录中的主要参数

根据 train_result/exp/args.yaml，本项目现有训练记录包含以下超参数信息：

这些参数体现了模型训练中的基础调优手段，包括：

• 使用预训练权重提升收敛速度
• 通过学习率、动量、权重衰减控制优化过程
• 通过数据增强提升模型泛化能力
• 通过验证指标持续监控训练效果

4. 模型训练与调优思路

本项目在模型训练与调优方面体现了以下几个基本过程：

1. 选择轻量化模型 YOLOv8n 作为初始方案，兼顾训练速度和部署效率。
2. 使用预训练权重开展迁移学习，减少从零训练的成本。
3. 设定 100 轮训练，观察损失曲线和评估指标变化趋势。
4. 结合 Precision、Recall、mAP50、mAP50-95 综合评估模型检测效果。
5. 在系统部署阶段开放 conf、iou、max_det 等推理参数，实现训练后应用层调优。

训练结果与指标分析

1. 当前训练记录结果

根据 train_result/exp/results.csv 最终轮结果，当前模型在第 100 轮训练结束时的关键指标如下：

2. 指标含义说明

3. 结果分析

• Recall 高于 Precision，说明模型对缺陷目标的召回能力较强，漏检相对较少。
• mAP@0.5 达到较高水平，说明模型在基础检测任务上具备较好的识别能力。
• mAP@0.5:0.95 明显低于 mAP@0.5，说明在更严格定位标准下，边界框质量仍有继续提升空间。
• 验证损失整体高于训练损失，说明模型在小规模验证集上存在一定泛化波动。
• 由于当前验证集仅 30 张图像，指标更适合作为项目训练结果展示与工程验证参考。

可视化结果图说明

项目训练结果保存在 train_result/exp/ 下，当前目录中包含以下结果文件：

train_result/exp/
├── args.yaml
├── labels.jpg
├── train_batch0.jpg
├── train_batch1.jpg
├── train_batch2.jpg
├── train_loss.png
├── val_loss.png
├── metrics.png
├── learning_rate.png
├── loss_summary.png
├── overview.png
└── results.csv

各图像和结果文件的含义如下：

自定义可视化脚本

项目额外实现了 plot_train_results.py 与 core/plot_results.py，可基于 results.csv 自定义生成以下训练结果图：

• train_loss.png
• val_loss.png
• metrics.png
• learning_rate.png
• loss_summary.png
• overview.png

这部分体现了项目在训练后分析阶段的工程补充能力，而不只是依赖框架默认输出。

系统功能介绍

项目基于 PyQt6 开发了桌面端钢材表面缺陷检测系统，主要包括以下功能模块：

1. 登录与注册

• 支持用户登录和注册
• 用户信息保存在本地 users.json
• 密码使用 SHA-256 哈希保存

2. 图片识别

• 导入单张图片进行缺陷检测
• 显示检测后的标注结果图
• 展示目标总数、类别数、平均置信度、最高置信度
• 展示类别分布表、目标明细表、置信度分布图
• 支持导出检测结果图片和 CSV
• 支持将检测记录写入历史数据库

3. 视频识别

• 导入本地视频文件进行检测
• 支持按“每 N 帧检测一次”控制推理频率
• 展示当前帧检测结果和本次视频累计统计
• 支持将视频检测结果保存到历史记录

4. 摄像头实时识别

• 支持选择摄像头编号并启动实时检测
• 支持检测开关切换
• 支持按“每 N 帧检测一次”平衡实时性与性能
• 支持截图保存
• 支持保存当前会话统计到历史记录

5. 检测历史管理

• 使用 SQLite 保存图片、视频、摄像头检测记录
• 支持按类型筛选、按关键词搜索
• 支持查看详细记录
• 支持导出历史 CSV
• 支持清空历史记录

6. 模型管理

• 支持浏览并加载本地 .pt 模型权重
• 默认尝试加载 train_result/exp/weights/best.pt
• 支持配置推理参数：

• conf：置信度阈值
• iou：NMS 的 IoU 阈值
• max_det：单图最大检测目标数

• 展示模型基本信息和类别说明

7. 指标展示

• 自动扫描 train_result/ 下的训练记录
• 可切换不同训练实验查看指标
• 展示训练损失曲线、mAP 曲线、Precision/Recall 曲线
• 汇总显示最终轮关键指标

系统集成与工程实现

本项目并不是单纯的训练脚本，而是将模型能力封装成了完整应用系统，主要体现在：

1. 将目标检测模型封装为统一的 SteelDefectDetector 检测器类。
2. 将训练结果与推理参数打通，在桌面端可以直接加载模型并调整阈值。
3. 将推理输出解析为结构化检测结果，进一步用于表格统计、分布分析和历史记录保存。
4. 将图片、视频、摄像头三种输入统一集成到一个系统中。
5. 将训练阶段的指标分析功能直接集成到 UI 中，形成训练与应用闭环。

这体现了深度学习项目从“模型开发”走向“系统落地”的完整过程。

项目结构

c29/
├── core/
│   ├── config.py                 # 训练配置常量
│   ├── data_config.py            # 自动生成数据集 YAML
│   ├── path_utils.py             # 路径与编码工具
│   └── plot_results.py           # 训练结果绘图
├── NEU-DET/
│   ├── train/
│   │   ├── images/
│   │   └── labels/
│   ├── valid/
│   │   ├── images/
│   │   └── labels/
│   └── 数据集介绍.md
├── train_result/
│   └── exp/                      # 训练输出目录
├── ui/
│   ├── pages/
│   │   ├── image_page.py         # 图片识别页
│   │   ├── video_page.py         # 视频识别页
│   │   ├── camera_page.py        # 摄像头识别页
│   │   ├── history_page.py       # 检测历史页
│   │   ├── model_page.py         # 模型管理页
│   │   └── metrics_page.py       # 指标展示页
│   ├── utils/
│   │   ├── detector.py           # YOLOv8 检测器封装
│   │   ├── db.py                 # SQLite 历史记录工具
│   │   ├── styles.py             # 界面样式
│   │   └── button_helpers.py     # 按钮样式辅助
│   ├── login_window.py           # 登录/注册窗口
│   ├── main_window.py            # 主窗口
│   └── users.json                # 用户数据
├── neu_det_data.yaml             # 数据集配置文件
├── train.py                      # 模型训练入口
├── plot_train_results.py         # 训练结果绘图入口
├── run_ui.py                     # 桌面系统启动入口
├── detection_history.db          # 检测历史数据库
└── requirements.txt              # 项目依赖

项目运行说明

1. 安装依赖

pip install -r requirements.txt

2. 模型训练

python train.py

训练完成后，结果默认保存在 train_result/exp/。

3. 训练结果可视化

python plot_train_results.py

4. 启动检测系统

python run_ui.py

本项目为个人原创，结构清晰，功能完整，适合计算机视觉方向课程设计、毕业设计和项目演示使用。有定制化需求可以评论或私信作者。