企业官网建设流程全解析

简介：面向毕业设计、课程设计与项目开发场景，这份基于Python与YOLOv8构建的基建裂缝目标检测项目包，提供了从模型训练、推理检测到结果可视化的完整实现。资源共850个文件，压缩包约666MB，核心内容涵盖329张标注图像、299份标签文件与158份XML标注，便于理解数据组织与训练流程；同时包含23个模型权重文件、4个YAML配置和7个Python脚本，支持直接加载预训练模型快速上手。附带开发文档、CSV结果记录和MD说明，能够辅助复现实验并深入调参；文档中对训练参数、数据划分与评估指标进行了说明，可帮助读者理清技术路线，避免在细节上重复踩坑。目前已有206人学习下载，项目源码经过严格测试，适合在此基础上扩展应用，也可作为论文实验、课程答辩或工程演示的可靠素材。

1. 基建裂缝目标检测系统：为什么它是基于 Python + YOLOv8 最理想的落地选题

想象一个场景：你带着相机在桥墩下走一圈，回来把照片扔进程序，几秒钟后每张图上都多了一组红框——框里是裂缝，细的只有几个像素宽，长的斜跨整幅画面。这正是基于 Python 和 YOLOv8 开发的基建裂缝目标检测系统要交付的核心能力。对毕业设计和课程设计来说，这个题目选得聪明：目标检测框架成熟，不用从零写算法；场景贴近工程实际，答辩时故事好讲；更重要的是数据和技术栈都有成熟的现成路线，不会卡在某个自己没法解决的细节上。这篇文章会把系统拆成数据集、训练、调优、避坑和交付五段，每一段给出可直接复现的命令和参数，也把那些在答辩现场才暴露出来的坑提前写在这里。

2. 从任务定义到可用数据集：裂缝类别设计、标注规范与格式转换

2.1 先想清楚：检测“哪一类裂缝”，别把水渍和接缝都圈进来

裂缝目标检测的第一件事不是装环境，而是定义清楚你的检测对象。基建场景里的裂缝大致分三路：沥青路面裂缝（横向、纵向、块状和龟裂）、混凝土表面裂缝（桥梁、隧道衬砌、护栏）、砌体或石材裂缝。它们外观差异很大，但作为目标检测任务，共同点是目标细长、背景纹理杂乱、光照影响显著。很多同学上来就把所有看着像缝的东西都标成一类，结果模型把伸缩缝、水渍边缘、模板接缝全当成裂缝，训练时 loss 还降得不错，一测试就露馅。原因很简单：类别边界不清晰，模型学到的不是“裂缝”而是“所有暗色细长条纹”。

我的建议是：毕业设计优先做单类别检测，把所有真实裂缝统一标成crack，把伸缩缝、水渍、霉斑这类干扰物一律不标。类别越多，标注一致性越难保证，模型需要区分的特征也越复杂。单类别跑通整个流程后，再考虑拆成横向、纵向、网状等多类别，那才是加分项而不是负担。另外要留意一个常见误区：裂缝检测不是分割任务，不需要把裂缝轮廓描得特别精细，目标检测的矩形框只要能框住裂缝主体即可，过度追求框的紧致度只会让标注效率暴跌。

2.2 数据采集与切图：从巡检大图到 640×640 训练图的完整流程

数据来源主要有两个：自己拍和用公开数据集。自己拍的好处是场景可控，能覆盖你答辩要展示的真实场景；缺点是单张照片分辨率往往很高，动辄 4000×3000，直接扔进 YOLOv8 会被压缩到 640×640，细裂缝直接缩成两三个像素，模型根本学不到特征。公开数据集好处是量大，但拍摄角度、光照和你的应用场景未必一致，直接拿来训练通常需要先做筛选。实操中两者混用最常见：公开数据打底，自己拍的照片做验证和补强。

高分辨率大图不能直接喂给 YOLOv8，标准做法是切图。我会用滑动窗口把大图切成 640×640 的小块，相邻窗口保留 20% 重叠，避免裂缝恰好落在切割线上被一切两半。切图脚本如下：

import cv2 import os def sliding_window_crop(src_dir, dst_dir, tile_size=640, overlap=0.2): """把高分辨率巡检照片切成训练用小图，输出命名：原文件名_行号_列号.jpg""" os.makedirs(dst_dir, exist_ok=True) stride = int(tile_size * (1 - overlap)) for fn in os.listdir(src_dir): if not fn.lower().endswith((".jpg", ".png", ".jpeg")): continue img = cv2.imread(os.path.join(src_dir, fn)) if img is None: continue h, w = img.shape[:2] idx = 0 for y in range(0, max(h - tile_size + 1, 1), stride): for x in range(0, max(w - tile_size + 1, 1), stride): tile = img[y:y + tile_size, x:x + tile_size] # 过滤掉几乎全黑的无效区块，减少无效标注 gray = cv2.cvtColor(tile, cv2.COLOR_BGR2GRAY) if gray.mean() < 25: continue out = os.path.join(dst_dir, f"{os.path.splitext(fn)[0]}_{y}_{x}.jpg") cv2.imwrite(out, tile) idx += 1 print(f"{fn}: 切出 {idx} 张有效小图")

切图参数里，tile_size建议保持 640，这是 YOLOv8 默认输入尺寸，直接训练不需要额外缩放；overlap设 0.2 是比较平衡的值，重叠太小会切碎裂缝，重叠太大则产生大量重复样本，训练时模型容易对特定位置过拟合。注意切图之后要重新人工筛选一遍，把完全不包含裂缝的小图挑出去，可以只用它们作背景负样本，数量控制在正样本的 20% 左右，对降低误检很有帮助。

2.3 LabelImg 标注与 VOC 转 YOLO 格式：坐标归一化里的细节

切图完成后进入标注环节。常见做法是用 LabelImg，操作上没什么门槛，关键在两点：一是输出格式选 PascalVOC，因为后续转 YOLO 格式的脚本大多基于 XML 解析；二是画框时贴着裂缝的外接矩形，别把一大片背景包进去。裂缝这类细长目标，框稍微画松一点，框里的背景占比就会非常高，模型训练时会被背景特征干扰。

LabelImg 保存的是 XML，而 YOLOv8 需要的是纯文本格式：每行一个目标，依次是类别序号、归一化中心点 x、归一化中心点 y、归一化宽、归一化高。转换脚本并不复杂，但坐标系换算必须仔细：

import xml.etree.ElementTree as ET def voc_xml_to_yolo_txt(xml_path, txt_path, class_index=0): """把 LabelImg 导出的 VOC XML 转成 YOLO 训练格式""" tree = ET.parse(xml_path) root = tree.getroot() img_w = int(root.find("size/width").text) img_h = int(root.find("size/height").text) lines = [] for obj in root.iter("object"): name = obj.find("name").text if name != "crack": continue bndbox = obj.find("bndbox") x1 = float(bndbox.find("xmin").text) y1 = float(bndbox.find("ymin").text) x2 = float(bndbox.find("xmax").text) y2 = float(bndbox.find("ymax").text) # YOLO 要求：中心点坐标和宽高都必须除以图片宽高做归一化 cx = (x1 + x2) / 2 / img_w cy = (y1 + y2) / 2 / img_h bw = (x2 - x1) / img_w bh = (y2 - y1) / img_h lines.append(f"{class_index} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}") with open(txt_path, "w", encoding="utf-8") as f: f.write("\n".join(lines))

这里最容易出错的地方是混淆图片原始宽高：切图脚本输出的图片尺寸是 640×640，但如果切图时没做防抖处理，或者原始图片被 EXIF 方向信息旋转过，size/width和实际像素宽就可能对不上。所以转换完成后我建议随机挑几张小图，把 txt 里的归一化坐标乘以图片宽高还原成像素坐标，画出来对比一次，几百张图错一张，后面训练就要多花几个小时排查。

2.4 数据集划分与增强策略：用随机种子锁住可复现性

标注完成之后，数据集要划分成 train、val、test 三份，比例一般按 8:1:1。val 集用于训练过程中的指标评估，test 集要留到最后才用，用来模拟“模型没见过的新照片”。很多同学图省事只分两份，或者划分时没有随机打乱，导致某个拍摄场景的照片全部进了训练集，验证集失去代表性。划分脚本用固定随机种子，保证任何一次重跑结果一致，这在毕业设计里写进文档是加分项：

import os import random import shutil random.seed(2024) src_img_dir = "datasets/crack/images" src_lbl_dir = "datasets/crack/labels" all_images = [f for f in os.listdir(src_img_dir) if f.endswith(".jpg")] random.shuffle(all_images) n_train = int(len(all_images) * 0.8) n_val = int(len(all_images) * 0.1) splits = { "train": all_images[:n_train], "val": all_images[n_train:n_train + n_val], "test": all_images[n_train + n_val:], } for split, files in splits.items(): img_out = os.path.join("datasets/crack", split, "images") lbl_out = os.path.join("datasets/crack", split, "labels") os.makedirs(img_out, exist_ok=True) os.makedirs(lbl_out, exist_ok=True) for name in files: img_src = os.path.join(src_img_dir, name) lbl_src = os.path.join(src_lbl_dir, name.replace(".jpg", ".txt")) if os.path.exists(lbl_src): shutil.copy(img_src, os.path.join(img_out, name)) shutil.copy(lbl_src, os.path.join(lbl_out, name.replace(".jpg", ".txt"))) print(f"train: {len(splits['train'])} 张, val: {len(splits['val'])} 张, test: {len(splits['test'])} 张")

划分时注意保持 images 和 labels 两个目录下的文件名一一对应，YOLOv8 要求同名图片和 txt 文件分别放在train/images与train/labels下，后缀不同不影响匹配。数据增强方面，YOLOv8 默认开启 mosaic、平移、缩放等基础增强，裂缝场景我一般额外加强亮度对比度扰动，因为现场照片的光照差异远比实验室大。但要注意 mosaic 对细长裂缝并不友好，拼接后的长裂缝可能被切碎成多段，如果训练后期发现裂缝完整性识别变差，优先把mosaic概率调到 0.5 以下试试。

3. 搭建 Python + YOLOv8 环境：安装路径、网络结构与工程目录

3.1 Miniconda 环境：Windows GPU 与 Ubuntu 20.04 CPU 两条可复现路线

环境搭建是很多入门者卡壳的第一站，尤其 Windows 上 CUDA 和 PyTorch 的版本搭配总是出幺蛾子。我习惯用 Miniconda 创建独立环境，避免把系统 Python 搞乱。以 Ubuntu 20.04 为例，一条干净的安装路径是：

# 创建独立环境，避免和系统 Python 互相污染 conda create -n yolo python=3.10 -y conda activate yolo # 安装 ultralytics 和 GPU 版 PyTorch（以 CUDA 11.8 为例） pip install ultralytics pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

如果你的机器是 NVIDIA 显卡，先看显卡驱动的 CUDA 版本再选 cu118 还是 cu121；如果只有 CPU，直接把上面两条 pip 命令合成一条pip install ultralytics torch torchvision就行。在 Ubuntu 20.04 的纯 CPU 环境下搭建 YOLOv8 环境完全可行，训练速度慢几个数量级，但推理和验证流程都能跑通，用来做课程设计交差足够了。装完立刻验证：

python -c "import torch; from ultralytics import YOLO; print(torch.__version__, torch.cuda.is_available())"

如果打印出的cuda.is_available()是 False，大概率是 PyTorch 版本和驱动不匹配，先去nvidia-smi确认驱动支持的 CUDA 版本，再回头重装对应版本的 torch。这一步值得多花十分钟确认，否则训练跑到一半才报 CUDA 错误，挫败感极强。

3.2 网络结构与模型规格选型：为什么 Anchor-Free 适合裂缝

YOLOv8 的网络结构可以拆成三段看：Backbone 负责提取特征，用的是 CSPDarknet 结构，通过残差连接和跨阶段部分连接在保持精度的同时控制计算量；Neck 是 PAN-FPN 结构，把高层语义特征和低层纹理特征做多尺度融合，这对裂缝这类细长目标很关键，因为低层特征里才保留着裂缝边缘的细节；Head 是解耦检测头，把分类和回归分成两个分支，同时采用了 Anchor-Free 策略。

Anchor-Free 对裂缝检测是实实在在的优势。传统 Anchor-Based 方法需要预设锚框的宽高比，而裂缝的宽高比极其极端，有的框宽是高的几十倍，预设锚框很难覆盖这种分布。Anchor-Free 直接预测目标中心点到四条边的距离，不需要预设先验，对任意长宽比的目标都更友好。模型规格方面，YOLOv8 提供 n、s、m、l、x 五个档位，对应关系如下：

毕业设计我一般建议从yolov8s.pt起步，它比 n 精度高一截，又不像 m 那样把训练时间拉长一倍。如果你的电脑只有 CPU，老老实实用 n，把imgsz降到 480，否则一个 epoch 跑半小时会耗尽所有耐心。这里不需要去改网络结构 YAML 文件——大多数情况改了反而翻车，YOLOv8 默认结构已经足够成熟。

3.3 工程目录与 data.yaml：把源码、数据集和权重组织成规范项目

项目开发文档里，一个清晰的工程目录结构能让答辩老师一眼看出你有没有工程素养。我常用的结构如下：

crack-detection/ ├── configs/ │ └── data.yaml # 数据集配置 ├── data/ │ └── crack/ │ ├── train/ │ │ ├── images/ │ │ └── labels/ │ ├── val/ │ └── test/ ├── scripts/ │ ├── split_dataset.py # 数据集划分 │ ├── train.py # 训练入口 │ └── predict.py # 推理入口 ├── weights/ # 训练输出权重目录 └── results/ # 推理结果与指标曲线

data.yaml是整个训练的数据索引，YOLOv8 根据它找到图片和标签。内容很简单，但 path 字段的路径写法是高频踩坑点：

# configs/data.yaml path: ../data/crack # 相对 data.yaml 所在目录的路径 train: train/images val: val/images test: test/images nc: 1 names: ["crack"]

注意path是相对当前工作目录的路径，不是相对 data.yaml 的路径。如果你在项目根目录执行训练命令，path就写data/crack；在configs目录里执行，就得写成../data/crack。训练报错说找不到图片时，先检查这里，八成是路径写岔了。nc是类别数，单类别就是 1；names列表的顺序必须和标注 txt 里的类别序号一一对应，否则模型训练时会把类别标签对错位，这种错误特别隐蔽，指标看着正常，推理结果全乱。

4. YOLOv8 训练自己的数据集：参数解读、损失曲线与过拟合治理

4.1 第一次训练就设置好的关键参数与执行命令

数据准备好了，环境也没问题，就可以开始训练。第一次跑通流程，参数不必多，先按保守配置来：

yolo detect train \ model=yolov8s.pt \ data=configs/data.yaml \ project=weights \ name=crack_run1 \ imgsz=640 \ epochs=100 \ batch=8 \ lr0=0.001 \ optimizer=AdamW \ patience=20 \ seed=42

这段命令的意思是：从官方预训练权重yolov8s.pt开始迁移学习，用configs/data.yaml指向的数据集，输出到weights/crack_run1目录，训练 100 轮，批大小 8，初始学习率 0.001，优化器用 AdamW，连续 20 轮验证指标没提升就提前停止。迁移学习是这里最关键的选择，不要从零训练，预训练权重已经在 COCO 数据集上学到了丰富的通用特征，裂缝检测只需要在它基础上做微调，收敛速度快得多，最终精度也更高。

几个参数的调整逻辑值得说清楚。batch是显存敏感型参数，8 是比较保守的起点，显存不够就降到 4，配合imgsz=640通常不会爆显存；学习率设 0.001 在迁移学习场景下比较稳妥，AdamW 对学习率的敏感度比 SGD 低，适合第一次跑；patience=20是后悔药，训练后期指标不再提升时自动停止，既省时间又避免过拟合。如果训练过程想可视化，开一个终端跑yolo detect train ...，再配合 TensorBoard 就能实时看曲线，不过第一次训练保持简单就好，训练结束后看results.png就够。

4.2 训练过程怎么判断：损失函数曲线、mAP 与 P/R 取舍

训练结束后，Ultralytics 会在输出目录生成results.png，把整个训练过程的指标曲线都画好，YOLOv8 官方也推荐直接用它来定位问题。你要重点看的是 box_loss、cls_loss、dfl_loss 三条曲线和 mAP50、mAP50-95 两条精度曲线。

正常训练迹象是：三条 loss 在前 20 轮快速下降，之后缓慢收敛最终走平；train 和 val 的 loss 曲线走势接近，差距不大。如果 train loss 持续下降但 val loss 掉头向上，就是过拟合的典型信号。对裂缝检测这类单类别任务，cls_loss 通常不是瓶颈，box_loss 和 dfl_loss 更能反映细长目标的回归质量。mAP50-95 和 mAP50 的差距也值得关注：mAP50 只按 IoU 大于 0.5 计算，对框的定位精度不敏感；mAP50-95 则综合了从 0.5 到 0.95 多个 IoU 阈值。裂缝检测经常出现 mAP50 不错但 mAP50-95 偏低的情况，说明框的位置不够准，这时候优先检查标注框是否紧贴裂缝、以及训练时是否因为显存不足把 imgsz 压得太低。

P 和 R 的取舍在基建场景有明确倾向：漏检的代价远高于误检。桥梁巡检漏掉一条裂缝可能意味着安全隐患，而多报一个可疑区域顶多是后续人工复核多花几秒。所以调参时我通常以 Recall 为主要优化目标，conf 阈值调低到 0.2 左右，宁多勿漏。

4.3 过拟合与欠拟合治理：从数据集和增强层做文章

裂缝数据集天然容易过拟合，原因在于采集成本高，几百张图里的背景高度重复——同一个墙面、同一个光照、同一个拍摄距离。训练集里十张图可能拍的是同一面墙的十个局部，模型很容易“背”下墙面的纹理特征而不是学习裂缝本身。

欠拟合的解决思路相对线性：模型不够大换大一号，训练轮数不够加轮数，学习率不合适重新调。但过拟合不能只靠早停解决，核心在数据多样性。先把训练集里重复场景的照片人工筛一遍，同一面墙留三五张代表性的就够；再从增强层面动手，把 YOLOv8 默认的hsv_h、hsv_s、hsv_v适当调高，增加亮度扰动，模拟阴天和晴天两种光照。一个容易忽略的细节是：训练集里不能全是裂缝密集的“高价值”图片，适当混入一些完全不含裂缝的背景图作为负样本，能显著降低误检率。如果这些手段都试过效果仍不理想，再考虑从yolov8s.pt换成yolov8m.pt提升模型容量。

5. 五个高频故障的避坑指南：YOLOv8 裂缝检测的排查与解决

5.1 标注坐标错乱：loss 低但预测框完全对不上

现象：训练 loss 正常下降，验证集 mAP 看着也不错，但拿一张测试图推理，预测框全部偏离真实裂缝位置。

原因：标注 txt 的坐标与图片不匹配。最常见的是切图后标注没有同步，比如你用的是切图前的大图标注，但训练时喂进去的是切图后的小图；或者是 VOC 转 YOLO 时中心点坐标误用了角点坐标，归一化后数值偏差极大。

解决：训练前做一次坐标可视化校验，写几行代码把 txt 里还原出来的框画到对应图片上，人工抽查 20 张左右。这步用不了五分钟，能避免后续几小时的无效训练。

5.2 裂缝漏检率高：mAP50-95 长期上不去

现象：模型能框出粗壮的主裂缝，但对细裂缝、裂缝末端、被阴影遮挡的裂缝经常漏检，mAP50-95 明显低于正常水平。

原因：裂缝是典型的小目标，尤其裂缝末端在 640×640 上可能只有十几个像素，下采样几次之后特征基本丢失；另外细长裂缝的纵横比极度失衡，即使是 Anchor-Free 的 YOLOv8，对极端形状的回归仍然吃力。

解决：优先检查输入尺寸，尽量保证imgsz=640，不要为了省显存降到 320；切图时提高重叠率到 0.3，减少裂缝被切断的概率；数据增强里给裂缝加随机旋转和轻微缩放，让模型见过更多姿态的裂缝。如果条件允许，对含细裂缝的样本做过采样复制，让模型多学几轮。

5.3 验证集指标好，换一批现场照片就翻车

现象：在你自己划分的验证集上 mAP 达到 0.85，结果拿到现场拍的手机照片一测，漏检和误检同时爆发。

原因：这是典型的域差异问题。训练照片可能都是同一个相机拍的，光照均匀、距离固定；现场照片有逆光、反光、抖动模糊、远近不一，模型训练时没有见过这些分布，自然无法泛化。另外一个隐蔽原因是训练集里固定出现了某些背景物体，模型学到了背景特征当“捷径”。

解决：数据集里混入多个来源的图片，每类场景至少包含 10% 的样本；拍照时故意覆盖阴天、强光、阴影、近距离特写等极端情况；测试时建立一套“盲测集”，从网上下载或者实际拍摄一批完全没参与训练的照片，专门用来评估泛化能力。

5.4 显存不足，batch size 只能设 4

现象：训练时报 CUDA Out Of Memory，batch 降到 4 才能开始训练，但训练速度极慢，一个 epoch 要跑十几分钟，心态直接崩了。

原因：YOLOv8s 在 640×640 输入下的显存占用本身就偏高，加上 PyTorch 默认缓存机制，batch size 稍大就容易爆显存。如果你同时开了 TensorBoard、浏览器还挂着几十个标签页，显存被占掉一截是常态。

解决：先关掉占用显存的其他程序，用nvidia-smi确认实际可用显存；然后按 batch 减半、显存不够再减的流程走。还有一个被很多人忽略的技巧是用梯度累积代替大 batch：

yolo detect train \ model=yolov8s.pt \ data=configs/data.yaml \ imgsz=640 \ batch=4 \ epochs=100 \ amp=True

amp=True启用混合精度训练，显存占用能降一半左右，训练速度还有提升，输出模型精度几乎没有损失。这一项设置对显存受限的同学来说是最直接的后悔药。

5.5 损失曲线严重震荡，前 30 轮没有收敛趋势

现象：loss 曲线像锯齿一样剧烈抖动，train 和 val 完全不成平滑下降趋势，30 个 epoch 后 mAP 仍然只有 0.2 左右。

原因：多为学习率设置不当。迁移学习场景下 lr0 设得太大（比如直接用了默认的 0.01），模型在预训练权重附近反复震荡；也可能是数据集本身噪声太大，标注错误率超过 10%，模型无法学到稳定特征。

解决：先把lr0降到 0.0005 重跑一次，如果曲线变平稳，说明是学习率问题，再逐步调回 0.001；如果降学习率没有改善，重点检查数据集——随机抽 50 张图人工核对标注框是否贴紧目标，把明显标错的图挑出来重新标注。震荡问题最忌“盲目堆 epoch”，模型不收敛，训练一千轮也没有意义。

6. 从训练结果到毕业答辩：推理封装、结果展示与边缘部署扩展

6.1 一段能直接交付的推理脚本

训练完成后，weights/crack_run1/weights/best.pt就是验证集上表现最好的权重。把它封装成推理脚本是整个系统的最终交付形态，代码量不大，但要注意输出结果的整理：

from ultralytics import YOLO import os model = YOLO("weights/crack_run1/weights/best.pt") results = model.predict( source="data/crack/test/images", conf=0.20, iou=0.45, imgsz=640, save=True, project="results", name="test_output" ) for r in results: path = os.path.basename(r.path) boxes = r.boxes if len(boxes) > 0: confs = boxes.conf.cpu().numpy() print(f"{path}: 检测到 {len(boxes)} 处裂缝，平均置信度 {confs.mean():.2f}") else: print(f"{path}: 未检测到裂缝")

conf按之前说的调到了 0.20，体现“宁多勿漏”的巡检逻辑；iou=0.45是 NMS 的去重阈值，裂缝密集区域多条裂缝靠得过近时，阈值太低会误删真目标。这段脚本产出的可视化结果图存在results/test_output/目录里，直接可以作为论文截图素材。

6.2 让结果展示有“项目感”的三个加分操作

答辩时老师愿意看到的不只是“我跑通了模型”，而是一整套有工程感的交付物。第一，做一张测试集统计表，列出每张图的裂缝数量、平均置信度、单张推理耗时，让数据说话；第二，挑一组裂缝密集的现场照片做前后对比图，原图、标注图、预测图三张并排，直观展示检测效果；第三，拍一段视频推理演示，用手机或相机对着墙面缓慢移动，实时显示检测框。这三个操作能覆盖从静态到动态的展示需求，比单张图片有说服力得多。

6.3 后续扩展：把模型导出 ONNX 并在 RK3588 这类边缘设备上落地

如果你还想往前走一步，把模型从训练环境搬到边缘设备是个很有含金量的扩展方向。常见路线是先把 PyTorch 权重导出成 ONNX 格式：

yolo export model=weights/crack_run1/weights/best.pt format=onnx imgsz=640 opset=12

ONNX 是中间格式，之后可以转成 RKNN 在瑞芯微 RK3588 这类边缘设备上跑，也可以转 TensorRT 在 NVIDIA 嵌入式平台上部署。RK3588 部署 yolov8 目前是边缘计算方向的高频需求，因为基建巡检场景很难在桥上架一台带独立显卡的电脑，一块 RK3588 开发板加一个工业相机就能组成一套低功耗巡检终端。实际部署时需要注意 INT8 量化会掉精度，要用训练集的一部分做校准集，量化后务必跑一遍测试集对比 mAP 变化，裂缝这种细目标对量化误差尤其敏感。

我自己每次做完一个项目，最后一步永远是做一次盲测：把训练集之外新拍的照片统一跑一遍，模拟真实使用场景。这个习惯帮我避开了不止一次“以为自己成功了，实际上换个场景立刻露馅”的尴尬。毕业设计也好，课程设计也好，系统做出来不是终点，能在真实场景里稳定工作才是。希望帮到你。

本文还有配套的精品资源，点击获取