企业官网建设流程全解析

做钢材表面缺陷检测这个项目，我最早就是从YOLOv5入手的。钢材在热轧、冷轧、酸洗、镀锌这些工序之后，表面会出现氧化铁皮、划痕、麻点、夹杂、辊印等各种缺陷，靠人眼盯监控屏不仅费神，漏检率还很难压下来。用误差检测模型去替代人工，几乎是产线升级的必经之路。前前后后折腾了几个月，我把YOLOv5、YOLOv7、YOLOv8、YOLOv10都在这套缺陷数据上跑了一遍，有些结果和社区里传的“新版本一定更好”并不完全一样。这篇文章就把完整过程写出来，给做工业视觉检测的朋友做个参考，尤其是刚入行准备选型的同学，应该能省不少弯路。

1. 产线质检的真实痛点：为什么最后选了YOLO系列

1.1 钢材表面缺陷到底长什么样

先对齐一下缺陷类别。钢材表面缺陷不是一个东西，而是好几类视觉特征差异很大的东西叠加在一起。最常见的几类大概是这些：

• 氧化铁皮压入（麻点/麻面）：热轧过程中氧化皮被压入钢板表面，呈现点状、片状分布，颜色偏暗，和基材对比度低。这类缺陷分布广，单个体积小，有时候整块板密密麻麻，让人标注到崩溃。
• 划痕：轧辊或导卫设备刮擦造成，呈线状，方向性强，大多沿轧制方向延伸。有的划痕宽而深，有的细到只有几个像素宽。
• 夹杂：轧制前或轧制过程中非金属夹杂物压入表面，形状不规则，边界模糊，灰度变化不大，属于最难检的类型之一。
• 裂纹：板坯在冷却或后续加工时产生的线状裂纹，细、浅、线条扭曲，背景稍微复杂一点就看不见。
• 辊印：轧辊表面局部损伤后，在钢板表面周期性重复出现的压印，有固定的间距，算是有迹可循，但容易和多处随机缺陷混淆。

这些缺陷的尺度差异非常大，大的有几十厘米长，小的几个毫米；对比度也完全不同，有的黑得明显，有的只比背景深一点点。这决定了对模型的要求不只是“能不能检测”，而是“在高速运动、光照不均的现场能不能稳定检出小目标和弱纹理目标”。

1.2 传统视觉方案的瓶颈

很多早期项目用传统图像处理做这类检测：阈值分割、边缘检测、频域滤波、模板匹配。固定光源、固定背景下，规则写得仔细一点，确实能跑通。但一到现场就露馅——产线震动导致相机抖动、钢材高速运动产生运动模糊、水面油污反光、光照波动、钢种变化导致底色不同，任何一条都让阈值失效。

我给某项目做过一次对比测试：把传统算法调了大半个月，干净样本上能到90%以上检出率，一换钢种直接掉到60%。规则是死的，表面纹理是活的，这就是传统方案在钢材质检上推动不了的原因。

1.3 为什么是YOLO，而不是Faster R-CNN或SSD

工业项目不是发论文，它有三个硬约束：速度、稳定、可维护。两阶段检测器精度是高，但推理速度很难满足产线节拍；另外，它在小目标上虽然理论更强，但部署复杂度也更高，四周的依赖库、选择更重，交付时间压不住。

SSD当时已经不是主流了，社区生态弱，遇到问题连参考都不好找。YOLO单阶段结构平衡了速度和精度，而且从YOLOv5开始整个生态比较成熟：标注、训练、导出、部署工具链都是现成的，人员上手快，后期维护也有大量资料。选它做工业视觉项目，输了模型还能换版本迭代，不用推翻重来。

2. YOLOv5当baseline：从数据采集到训练调参的完整流程

2.1 数据采集和标注决定上限

模型结构再先进，数据不行都是白搭。钢材检测的数据采集有几个关键点：

• 用线扫相机而不是面阵相机：钢板是连续运动的，线扫配合编码器做行触发，才能得到无拉伸的清晰图像。
• 光源很关键：我见过一些项目把光源随便装在产线上，结果反光斑和缺陷在图上长得一模一样。后来改用低频闪照明加偏振片，反光才压下去。
• 样本要有代表性：不同钢种、不同厚度、不同速度下拍出来的图差异很大。如果只拿一个班次、一个钢种的数据训练，模型一到换钢种就崩。

标注这一步也踩过坑。最开始对划痕这种长条目标直接拉一个大方框，结果一个框里大半是背景，模型学出来又飘又不稳定。后来统一规则：长宽比超过5比1的条状缺陷拆成多个实例，相邻实例预留一点重叠。虽然标注量上去了，但定位精度明显改善。

还有数据集划分的问题。同一卷钢板上反复出现的周期性缺陷，如果直接把裁切图随机分到训练集和验证集，同一缺陷的多个图像就会同时出现在两边，验证指标会虚高得离谱。某模拟项目中我一开始就被这个假象骗了，验证集mAP干到90%以上，一上线漏检一大堆。正确做法是以“卷”或“最小缺陷单元”为单位划分，保证同一物理缺陷只出现在一侧。

2.2 YOLOv5模型选择和输入尺寸

YOLOv5有n/s/m/l/x几个规格。我当时先用YOLOv5s跑通全链路，因为工业项目先要有一个端到端可用的版本，再去谈精度。s跑通了之后，再对比m和l在精度速度上的收益，最终发现对于钢材表面缺陷这个场景，输入分辨率比模型宽度更影响结果。

默认大家都喜欢用640x640输入。但对直径只有几十像素的麻点、宽度只有几个像素的裂纹，640分辨率下这些目标摊到特征图上的有效像素太少，模型容易学不到细节。我把输入分辨率提到1280x1280后，mAP50在模拟项目X上提升了将近7个百分点。代价是推理耗时接近翻倍。所以最终取舍要看产线速度和算力：不能只看模型卡，要看“在允许的推理耗时下，哪个分辨率能最高”。

另外，YOLOv5会自动根据训练集聚类anchors。但钢材缺陷的长宽比极端，自动聚类出来的anchor分布仍然偏向普通目标。我在自己的脚本里统计过标注框尺寸分布，发现大部分缺陷集中在几个特定尺度区间，元素长宽比分布跨度很大。因此我建议在训练好第一版之后，重新跑一下anchor分析，必要时手动指定anchor的尺度和比率，让它们照顾到5:1以上的长条缺陷。

2.3 训练时的关键参数和坑

YOLOv5的默认超参数在一般目标检测上表现不错，但钢材缺陷有自己的脾性。我的配置大致是这样：

• 输入尺寸：1280x1280，模型规格选s优先，后期升级到m。
• epochs：100起步，小数据集不要一次拉太长，容易过拟合；用早停机制盯着验证集。
• batch size：尽量大，显存不够就减小输入或梯度累积，稳定BN统计量对钢材这种背景纹理复杂的图很重要。
• 优化器：SGD配余弦退火，初始lr 0.01，weight_decay 0.0005。
• 数据增强：Mosaic增强在YOLOv5训练里默认开，但有个隐藏问题——Mosaic把四张图拼一起，很多小缺陷被裁出边界，模型反而学不到完整目标。我在后半段训练阶段关闭Mosaic，只留基本翻转、缩放和HSV扰动，验证集小目标召回有明显回升。

还有类别不平衡。钢材缺陷里划痕样本可能占了一半，裂纹样本可能只有几十张。光靠简单采样，模型会把裂纹当成背景。我采取了两手策略：第一，对稀有类别做过采样，让每个epoch里裂纹图重复出现；第二，给稀有类别的loss加一个权重系数。两种办法叠加之后，裂纹的召回率从42%左右提到了67%。

2.4 baseline效果与瓶颈

跑完一波调参，YOLOv5s在1280输入、某模拟项目X数据集上的结果大概是：mAP50约83~85，mAP50-95约55~58，TensorRT FP16下单张推理速度约60FPS上下。这个结果能上线吗？保守说，能跑但不够稳。主要漏检集中在两类：细裂纹和低对比度麻点。这些目标实在太细、太浅，模型特征表达不够，往下调置信度阈值又会带来一堆误报。所以这只能当baseline，接着试新版本。

3. YOLOv7带来的变化：重参数化和小目标缺陷的取舍

3.1 结构升级在哪里

YOLOv7在结构上的核心变化是E-ELAN（Extended Efficient Layer Aggregation Network）和重参数化卷积（RepConv）。简单理解，E-ELAN让网络在不同层之间做更丰富的特征聚合，低层细节和高层语义合并得更好；RepConv则把训练时的多分支结构在推理时合并成单一卷积，部署时计算量更低。

这对钢材缺陷检测是有实际意义的。裂纹、麻点这种小目标依赖的是低层细粒度特征，同时又要借助高层语义来区分“这是裂纹”和“这只是一个背景纹路”。YOLOv7的特征聚合方式比YOLOv5的跨层连接更充分，理论上小目标特征表达更强。

3.2 训练和部署的不对称性

用YOLOv7有一个很直接的体验：训练时慢，部署时快。因为重参数化结构在训练阶段是多个分支叠加，显存和计算开销都不小；训练完成后要把RepConv分支重参数化还原成单分支结构，模型才变成真正的部署形态。

这里有一个值得提醒的坑：训练完一定要做权重转换，然后用转换后的模型重新跑一遍全部验证集，别拿训练状态下的模型直接报指标。我在某项目里曾经直接拿训练产物做TensorRT导出，结果算子不兼容，走了不少弯路才意识到要先做重参数化合并。如果工具链不支持自动合并，需要自己写脚本处理或者换一个导出工具。

3.3 针对钢材缺陷的改进尝试

YOLOv7本身的精度不错，但为了拉高裂纹这类低对比度缺陷的召回，我还做了两处改动：

• 加注意力机制：在backbone和neck之间加SE或CBAM模块，让网络更关注通道维度上有信息量的特征。实测中，CBAM对裂纹和麻点的提升比SE更明显，大概mAP50涨了1.5个百分点，代价是训练时间长了十分之一。
• 调整anchor比例：钢材缺陷长宽比极端，我把anchor的宽高比从默认的[0.5, 1, 2]扩展到[0.25, 0.5, 1, 2, 4, 8]，又针对划痕单独加了一个超宽anchor。定位准了，但负样本误报也略增，需要后续调NMS参数来平衡。

从YOLOv5切到YOLOv7时，不要想当然地把YOLOv5的权重拿来微调。两个网络结构差异很大，迁移学习收益有限，更靠谱的做法是用官方COCO预训练权重，在自己的缺陷数据上重新训练全部层。

3.4 实际表现：精度高了，部署成本也高了

在模拟项目X上，YOLOv7的mAP50确实比YOLOv5提升了不少，大概到87%左右，mAP50-95到61%。但它有两个明显的代价：一是模型参数和计算量明显上升，大约36.9M参数，训练显存需求更大；二是在TensorRT上部署时，重参数化后的算子偶尔有兼容性问题，要花时间调。

最终判断：YOLOv7适合离线分析或者算力充足的工控机场景。如果目标是追求极致精度、每分钟需要分析的量不大，它很能打；但如果是高速产线实时检测，后面出来的YOLOv8和YOLOv10更划算。

4. YOLOv8与YOLOv10：anchor-free、解耦头和端到端推理

4.1 YOLOv8为什么把小目标漏检降下来

YOLOv8带来的变化里，我认为有三个对钢材缺陷最重要：

• C2f模块：比之前的CSP结构更强调梯度流的分支融合，小目标特征不容易在深层被稀释。
• anchor-free检测头：直接把目标中心点当正样本，不需要预设anchor比例。对极端长宽比的划痕来说，anchor-free天然更灵活，省掉了聚类anchor这一步。
• 解耦分类和回归头：分类任务和定位任务各用各的分支，互不干扰。钢材缺陷里很多目标对比度低、边界模糊，分类和定位的特征需求不同，解耦之后两个任务都能收敛得更好。

在实践中，YOLOv8s在1280输入下的mAP50达到了约86.7，mAP50-95约59.6，和YOLOv7已经非常接近，但参数量只有11.2M，推理速度更快。它最明显的变化是漏检少了，低对比度麻点和细小裂纹的召回都有改善。

4.2 YOLOv10的端到端设计

YOLOv10给人的第一印象是结构图比之前复杂，但核心理念反而是“简化”：主分支采用NMS-free端到端设计，双标签分配策略让网络在训练时有一个辅助分支帮助学习，推理时只走主分支、去掉NMS后处理。

去掉NMS对工业检测影响很大。传统检测器完成推理后还要做NMS，多了一步后处理不说，NMS的参数也依赖人工调试。YOLOv10端到端输出时直接给最终框，一方面延迟更低，另一方面也减少了后处理把正确框滤掉的概率。

但有个细节要清醒：NMS-free并不是免费的。YOLOv10在某些目标密集的场景会比带NMS的结构多一点重复输出，需要额外用置信度阈值控制。另外，它的端到端训练比较敏感，最好按照官方推荐的训练配置跑，不要自己乱改标签分配部分。

4.3 一碗水端平的对比，先看数据再说

四代模型要在同等条件下对比，否则没有意义。下面这张表是模拟项目X上的实测结果，输入分辨率均为1280x1280，部署平台为同一套推理优化工具链（TensorRT FP16，静态batch=1）：

看数字就知道，社区里“新版碾压旧版”的说法不能全信。YOLOv7小目标精度依然能打，但它的时效比不够好；YOLOv8和YOLOv10把速度和精度平衡到了更适合产线的区间。如果让我选：追求极致精度的离线分析用YOLOv7，实时产线首选YOLOv8s或YOLOv10s，再根据误报和漏检的具体表现决定。

5. 部署在线质检系统时那些文档里不会写的事

5.1 模型导出与精度对齐

训练完了不等于能上线。YOLO模型从PyTorch到部署板卡，一般要经过ONNX导出再到目标推理引擎。这个环节的坑比训练多得多。

首先是动态shape和静态shape的选择。钢材表面图像尺寸不一定固定，很多项目用动态shape图方便。动态shape在CPU上还好，到了GPU TensorRT上要么编译慢，要么在切换分辨率时触发重复优化，推理性能不稳定。我的做法是固定输入尺寸，上线前把所有验证集的批次、分辨率都固定好，换来的是部署稳定性和更高的吞吐。

其次是精度对齐。同一份模型，PyTorch直接推理和TensorRT FP16推理的结果可能差0.5~2个mAP。FP16对小数值梯度不敏感，钢材背景的纹理波动可能被量化掉，导致裂纹检出率下跌。我遇到过INT8量化后裂纹类别mAP直接腰斩的情况，最后老老实实用FP16部署，保留了性能和安全之间的平衡。

最后是版本问题。推理引擎、工具链版本一旦升级，权重导出产物就可能不兼容。这点在工业项目里很容易被忽略，上线半年后想增加一个类别，结果发现原先的训练环境没了，导出链路全断。最好从第一天起把环境版本和导出脚本都固化到文档里，甚至打包成容器镜像。

5.2 切图拼接与坐标映射

相机拍出来的整幅钢板图像往往很大，比如12000像素宽、10000像素高。检测器没法直接塞进这么高的分辨率，需要先切图再检测。切图会产生边界问题——一个缺陷恰好被切成两半，两个裁切块各检测到半个目标。

解决思路是重叠切图：相邻块之间留出一定重叠区域，检测后再把重叠区域内的重复框合并掉。重叠比例我一般设5%~10%，太小了防止不了目标跨边界，太大了重复计算太多、检测耗时上升。合并的策略不是简单做NMS，而是先把候选框映射回原图坐标，再做一次跨块NMS。

还有坐标映射。模型输出的是像素坐标，产线要的是缺陷在钢卷上的物理位置，比如距离带头多少米、距边部多少毫米。这一步需要在相机标定阶段完成像素到物理坐标的换算。如果有多台相机拼接覆盖整幅宽度，还要考虑相邻相机的重叠视野和标定误差。很多项目在模型上花了大时间，却在这个机械但关键的环节翻车。

5.3 连续运行稳定性

实验室里跑100张图、算完指标就宣布成功，这在工业现场是远远不够的。连续运行会暴露出显存泄漏、队列堵塞、偶发卡死等一堆问题。检测结果也有抖动，同一缺陷上一帧置信度0.6，下一帧0.4，再下一帧又0.7，直接按单帧阈值报警会频繁误报。

我后来做的方案是加一层简单的多帧确认机制：连续三帧中至少两帧检出同一位置的缺陷，才触发报警。这样做牺牲了一点单帧灵敏度，但误报率大幅下降，现场能接受。定位框也用轻量的平滑方式处理，避免画面里框的位置来回跳。

部署后还要盯性能衰减。模型在线上跑几个月，环境变了、相机亮度和位置微偏，整体指标会慢慢下滑。建议设定一个周期性的样本回测流程：定期抽当天数据回放，快速算一遍mAP和漏检率，一旦发现异常就重新校准或更新模型。这一点看起来不起眼，却是产线项目能不能长期稳定交付的分水岭。

5.4 从哪个版本开始项目更容易

如果完全让我重新做一个钢材表面缺陷检测项目，我会这样走：

1. 第一版直接用YOLOv5s搭起全流程，数据、标注、训练、导出、部署、报警全部打通。
2. 稳定跑两周之后，收集线上漏检和误报样本，补齐训练集短板。
3. 再并行尝试YOLOv8s和YOLOv10s，各保存一次完整评测，对比表格和可视化结果。
4. 如果算力富余且对精度有极致要求，最后考虑YOLOv7，但提前评估重参数化部署的额外工作量。

YOLOv8s的算子兼容性在主流推理引擎上比另外几个版本更好，遇到奇奇怪怪的算子问题少一些，适合当作“兜底方案”。YOLOv10s虽然跑得最快，但端到端训练和阈值行为都需要单独调，上新项目时最好不要一上来就选最激进的方案。

6. 经验沉淀：几个比选模型更重要的习惯

整个项目做完，我最深的体会是：数据质量比模型结构重要得多。有一段时间我连续换了好几个模型，mAP始终卡在原来的水平上，后来把最难检的那一批裂纹样本单独拉出来补充标注、重新训练，指标立刻涨了一截。模型是在表达数据里的规律，数据本身没覆盖到的规律，再先进的网络也发现不了。

对比实验要做成“一套脚本、一套数据集、一套评测指标”。很多项目换模型时顺手改了输入分辨率、改了增强策略、改了训练步数，结果根本说不清性能变化来自哪一部分。我只在完全相同的评测脚本和相同的数据划分下比较各模型，这样才能得到可信的横向对比。

不要只看mAP。工业缺陷检测里，每类召回率才是真正要盯的东西。尤其裂纹和麻点这两类稀有缺陷，如果总样本只有几十个，一个漏检对mAP的影响没有想象中大，但对现场来说漏一个就是一次质量事故。我会把每一类的precision、recall单独列出来，再配合可视化错误样本的图看，比单看总指标有效得多。

线上误报是一座更大的山。模型训练指标再好，上线后误报率一旦高，操作工很快就不信任系统，最后变成“检测系统在跑，但没人按它报警处理”。一定在离线阶段就把误报样本池建起来，把常误报的背景纹理样本加入训练集，反复迭代。这一步的工程量可能比换模型还大，但它是真正决定系统能不能被现场接受的关键。

如果以后继续在这个方向深入，我会优先尝试半监督或自监督预训练。钢材本身的背景纹理花样很多，带标注的缺陷数据永远不够，但无标注的钢板图像几乎取之不尽。让模型先在大规模无标注钢材图像上学一遍底层纹理规律，再做下游检测微调，是比单纯换更新版本模型更有潜力的路线。

最后分享一个实操小经验：所有训练过程和评测结果，我都用带时间戳的目录保存，包括超参数、模型权重、评测日志、可视化结果。项目做到后面会同时存在十几个模型目录，没有这套记录体系，你很快就会分不清哪个版本是真正可以上线的那个。别嫌麻烦，这个习惯在关键时刻能帮你省下好几天的排查时间。