企业官网建设流程全解析

使用官方预训练模型YOLOv8 进行天池铝材表面缺陷数据集的训练及应用 铝材缺陷检测数据集的训练及应用 构建深度学习铝材缺陷检测系统

天池铝材表面缺陷数据集

数据集描述：

不导电（budaodian）、擦花(cahua)、角位漏底(jiaoweiloudi)、桔皮(jupi)、漏底(loudi)、喷流(penliu)、漆泡(qipao)、起坑（qikeng）、杂色(zase)、脏点(zangdian)，图像分辨率为 2560×1920。不导电,390
擦花,128
角位漏底,346
桔皮,173
漏底,538
喷流,86
漆泡,82
起坑,407
杂色,365
脏点,261

多瑕疵,229
无瑕疵,1351

合计,4356

1

天池铝材表面缺陷数据集是用 YOLOv8 进行目标检测任务的数据集。以下是完整的环境配置 → 数据准备 → 模型训练 → 推理部署指南，包含详细的训练代码 + 推理代码 + 评估代码，帮助你快速构建铝材表面缺陷检测系统。仅供参考学习使用。

🧰 一、环境搭建（CUDA驱动 + Anaconda + Python虚拟环境）

1. 安装 CUDA 驱动

确保你的 NVIDIA 显卡驱动已更新，并安装合适的CUDA Toolkit（如 CUDA 11.8 或 12.1），推荐使用 NVIDIA Driver Download 下载并安装。

2. 安装 Anaconda

从官网下载并安装 Anaconda

3. 创建 Python 虚拟环境

conda create-naluminum_defectpython=3.9conda activate aluminum_defect

4. 安装必要依赖

pipinstalltorch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu118 pipinstallultralytics opencv-python matplotlib numpy

✅ultralytics是 YOLOv8 的官方库，支持检测、分割、姿态估计等多种任务。

📁 二、数据集格式与目录结构

你的数据集已经划分好训练集、验证集、测试集（比例 8:1:1），格式为 YOLOv5/YOLOv8 标准格式：

aluminum_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yaml

编写data.yaml文件

train:./images/trainval:./images/valtest:./images/testnc:10# 共10类缺陷names:-budaodian# 不导电-cahua# 擦花-jiaoweiloudi# 角位漏底-jupi# 桔皮-loudi# 漏底-penliu# 喷流-qipao# 漆泡-qikeng# 起坑-zase# 杂色-zangdian# 脏点

🏋️‍♂️ 三、YOLOv8 训练流程（调用官方预训练模型）

1. 下载官方预训练模型（YOLOv8s）

# 下载YOLOv8s预训练权重wgethttps://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8s.pt

2. 开始训练（命令行方式）

yolo traindata=data.yamlmodel=yolov8s.ptepochs=100imgsz=640batch=8device=0

参数说明：

• data: 数据配置文件路径
• model: 使用的预训练模型
• epochs: 训练轮数（建议100-200）
• imgsz: 输入图像大小（建议640或1024）
• batch: 批次大小（根据显存调整）
• device: GPU编号（例如0）或 cpu

训练完成后，模型会保存在runs/detect/train/weights/best.pt

📌 四、Python API 方式训练（可选）

fromultralyticsimportYOLO# 加载预训练模型model=YOLO('yolov8s.pt')# 开始训练results=model.train(data='data.yaml',epochs=100,imgsz=640,batch=8,device=0,name='aluminum_train')

🔍 五、推理与结果可视化

1. 单张图像推理（命令行）

yolo predictmodel=runs/detect/train/weights/best.ptsource=path/to/test_image.jpgsave=True

2. 视频或摄像头推理

# 视频yolo predictmodel=runs/detect/train/weights/best.ptsource=path/to/video.mp4save=True# 摄像头yolo predictmodel=runs/detect/train/weights/best.ptsource=0

3. 可视化代码（Python 示例）

fromultralyticsimportYOLOimportcv2 model=YOLO('runs/detect/train/weights/best.pt')image_path='path_to_test_image.jpg'results=model(image_path)forrinresults:im_array=r.plot()# 绘制带标签的图像im=cv2.cvtColor(im_array,cv2.COLOR_RGB2BGR)cv2.imshow('Aluminum Defect Detection',im)cv2.waitKey(0)cv2.destroyAllWindows()

📊 六、性能评估（验证集上测试 mAP）

1. 命令行评估

yolo valmodel=runs/detect/train/weights/best.ptdata=data.yaml

输出指标包括：

• mAP50/mAP50-95：目标检测精度
• Precision / Recall：精确率与召回率

2. Python API 评估示例

fromultralyticsimportYOLO# 加载训练好的模型model=YOLO('runs/detect/train/weights/best.pt')# 在验证集上评估模型性能metrics=model.val(data='data.yaml')# 输出评估结果print("mAP50:",metrics.box.map50)print("mAP50-95:",metrics.box.map)print("Precision:",metrics.box.precision)print("Recall:",metrics.box.recall)

以上文字及代码仅供参考学习使用。