基于YOLOv8与DentalAI的牙齿龋齿检测系统：从数据准备到Web部署全流程实战

简介：本资源是一套面向计算机视觉初学者与毕业设计学生的牙齿龋齿智能检测完整实现方案，基于DentalAI医学数据集与YOLOv8目标检测模型，解决口腔影像中龋齿区域精准定位的实际问题，适用于医学AI课程实践、毕设开发及轻量级Web部署学习。压缩包共9个文件，包含3个Jupyter Notebook（涵盖数据格式转换、模型训练与预测全流程）、1个预训练YOLOv8模型（.pt）、1个Web前端页面（index.html）、1个核心检测脚本（object_detector.py）、1张示例图像（caries.jpg）及依赖说明与文档，整体大小45.9MB，结构紧凑、模块职责清晰。已有134人下载学习，提供开箱即用的Web交互界面，支持用户上传牙片图像并实时返回带边界框的龋齿检测结果，同时附有可复现的训练与推理代码，便于理解医学图像标注适配、YOLOv8微调策略及Flask轻量服务封装逻辑。

1. 项目背景与核心价值

最近在整理硬盘时，翻到了我本科毕业设计的一个老项目，一个基于DentalAI数据集和YOLOv8的牙齿龋齿检测系统。当时做这个项目，一方面是觉得计算机视觉在医疗辅助诊断领域大有可为，另一方面也是想挑战一下自己，把从数据准备、模型训练到Web部署的完整流程都走一遍。现在回头看，这个项目虽然代码有些稚嫩，但其中的思路、踩过的坑和最终的解决方案，对于想入门目标检测或者做类似“AI+医疗”应用的同学来说，依然有很强的参考价值。这个项目最终打包成了一个完整的压缩包，包含了从数据处理、模型训练到Web界面展示的所有Python源码和模型文件，可以说是一个“开箱即用”的实战案例。

简单来说，这个项目就是用YOLOv8这个当下非常火的目标检测框架，去训练一个能自动识别牙齿X光片（或口腔内窥镜图像）中龋齿（也就是我们常说的“虫牙”或“蛀牙”）的模型，并把它封装成一个可以通过浏览器访问的Web应用。它的核心价值在于，将前沿的AI技术（YOLOv8）与一个具体的、有社会意义的医疗场景（龋齿早期筛查）相结合，提供了一个从算法到产品的完整实现路径。对于学生做毕业设计、课程设计，或者开发者想快速搭建一个目标检测Demo来说，这个项目结构清晰，代码可读性强，是个不错的起点。

2. 技术选型：为什么是YOLOv8与DentalAI？

在做这个项目之初，技术选型是第一个要解决的问题。为什么最终敲定了YOLOv8和DentalAI数据集这个组合？这背后有一系列的权衡和考量。

2.1 YOLOv8：平衡速度、精度与易用性的不二之选

在目标检测领域，框架选择很多，从老牌的Faster R-CNN、SSD，到YOLO系列的各代版本。我选择YOLOv8，主要基于以下几点实战考量：

第一，极致的易用性。Ultralytics公司推出的YOLOv8，其API设计非常友好。相比YOLOv5，它的命令行接口和Python API更加统一和简洁。对于毕业设计或者快速原型开发来说，这意味着你可以用很少的代码就完成从训练到验证的整个流程。例如，训练一个模型可能只需要几行命令，这大大降低了入门门槛，让我能把更多精力放在数据理解和业务逻辑上，而不是纠结于复杂的模型配置。

第二，出色的性能平衡。YOLOv8在速度（FPS）和精度（mAP）之间取得了很好的平衡。对于医疗影像辅助检测，虽然精度至关重要，但推理速度也不能太慢，否则无法满足实时或准实时的应用场景（比如集成到体检设备中）。YOLOv8提供了n、s、m、l、x不同尺度的模型，我可以根据手头的计算资源（当时我用的是GTX 1660 Ti）选择合适的版本进行训练和部署。实测下来，YOLOv8s模型在保证不错精度的前提下，推理速度完全能满足Web端展示的需求。

第三，活跃的社区与生态。YOLOv8的社区非常活跃，这意味着遇到问题时，更容易找到解决方案和预训练模型。其良好的PyTorch支持也使得模型部署和转换（例如转ONNX、TensorRT）相对顺畅，为后续可能的嵌入式设备部署（虽然毕业设计没做，但留出了可能性）打下了基础。

2.2 DentalAI数据集：聚焦牙齿疾病的专业数据源

数据集是模型效果的基石。我选择了DentalAI数据集，主要是因为它直接针对口腔疾病检测，特别是龋齿。使用领域特定的数据集，比起用通用数据集（如COCO）进行迁移学习，往往能获得更好的效果，因为数据特征更加匹配。

这个数据集通常包含了大量的口腔X光片或临床照片，并且已经由专业牙医进行了龋齿区域的标注。标注格式多为PASCAL VOC的XML或者更现代的YOLO格式的txt文件。使用这类专业数据集的关键在于理解其标注规范：龋齿在图像中可能表现为牙齿表面的黑斑、釉质下的白斑或窝沟处的着色，标注框需要精确地框住这些病变区域。在数据预处理阶段，我需要仔细检查标注质量，处理一些常见的标注问题，比如框体不精确、漏标、或者将正常的牙齿结构（如窝沟）误标为龋齿。

将YOLOv8与DentalAI结合，本质上是用一个强大且易用的通用检测框架，去解决一个专业的垂直领域问题。这种“强框架+专数据”的模式，是快速构建高质量AI应用的有效路径。

3. 从零到一：环境配置与数据准备详解

拿到一个项目压缩包，第一步永远是搭建环境和理解数据。这里我会详细拆解我当时的环境配置步骤和数据预处理流程，其中很多细节是文档里不会强调，但实际操作中却至关重要的。

3.1 Python与深度学习环境搭建避坑指南

我的开发环境是Windows 10，配合NVIDIA GTX 1660 Ti显卡。以下是具体的步骤和踩过的坑：

第一步：Python环境管理。强烈建议使用Anaconda或Miniconda创建独立的虚拟环境。这能避免不同项目间的包版本冲突。我创建了一个名为dental_yolo的Python 3.8环境（当时PyTorch对3.8支持很稳定）。

conda create -n dental_yolo python=3.8 conda activate dental_yolo

第二步：安装PyTorch。这是最可能出错的环节。一定要去PyTorch官网，根据你的CUDA版本（通过nvidia-smi命令查看）选择正确的安装命令。我的GTX 1660 Ti驱动支持CUDA 11.3，所以我安装了对应的PyTorch 1.12版本。命令类似如下（具体请以官网为准）：

pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113

注意：直接pip install torch可能会安装不匹配CUDA版本的CPU版本或错误版本，导致训练时无法调用GPU，速度奇慢无比。务必核对版本。

第三步：安装Ultralytics YOLOv8。这是项目的核心。

pip install ultralytics

这个命令会安装YOLOv8所需的所有依赖，包括OpenCV、Pillow等。安装后，可以通过yolo checks命令验证环境是否正常。

第四步：安装Web框架依赖。我的Web界面用的是Flask，一个轻量级的Python Web框架。因为它简单、灵活，适合快速搭建原型。

pip install flask flask-cors pillow opencv-python

至此，核心环境就搭建好了。关键点在于PyTorch与CUDA版本的精确匹配，这是能利用GPU加速训练的前提。

3.2 DentalAI数据集处理与YOLO格式转换

DentalAI数据集原始格式可能是VOC XML或COCO JSON。YOLOv8训练需要的是特定的YOLO格式：每个图像对应一个.txt标注文件，文件内容每行代表一个标注对象，格式为<class_id> <x_center> <y_center> <width> <height>，坐标是归一化后的（即除以图像宽高）。

处理流程如下：

1. 数据检查与清洗：首先，用Python脚本遍历所有图像和标注文件。使用OpenCV或Pillow尝试读取每一张图片，如果遇到类似E:\yolov8\images\val\00010752.png: ignoring corrupt image/label这样的错误，说明图片文件已损坏，需要将其从数据集中移除，并同步删除对应的标注文件。这是保证训练过程不中断的重要一步。

2. 格式转换：编写转换脚本。如果原始是VOC XML，需要解析XML文件，提取object节点中的name（类别，如caries）和bndbox（边界框坐标），然后进行归一化计算。 假设图片宽为img_w，高为img_h，边界框左上角(xmin, ymin)，右下角(xmax, ymax)，则：x_center = ((xmin + xmax) / 2) / img_wy_center = ((ymin + ymax) / 2) / img_hwidth = (xmax - xmin) / img_wheight = (ymax - ymin) / img_h将计算出的四个浮点数，连同类别ID（比如龋齿caries对应ID 0），写入图片名.txt文件中。

3. 数据集划分：将处理好的数据按比例（如7:2:1）划分为训练集（train）、验证集（val）和测试集（test）。划分时要确保随机性，并且每个集合中各类别的比例大致均衡。最终目录结构应如下所示：

   DentalAI_YOLO/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ └── labels/ ├── train/ ├── val/ └── test/

   同时，需要创建一个数据集配置文件data.yaml，放在项目根目录：

   path: /path/to/DentalAI_YOLO # 数据集根目录 train: images/train # 训练集图像路径（相对path） val: images/val # 验证集图像路径 test: images/test # 测试集路径（可选） # 类别信息 nc: 1 # 类别数量，本项目只有‘龋齿’一类 names: ['caries'] # 类别名称列表

这个data.yaml文件是后续训练时告诉YOLOv8去哪里找数据的关键。

4. YOLOv8模型训练：参数调优与损失曲线分析

环境数据就绪，就进入了核心环节——模型训练。YOLOv8的训练命令虽然简单，但背后的参数理解和调优过程才是体现功力的地方。

4.1 启动训练与关键参数解析

在项目根目录下，执行训练命令：

yolo task=detect mode=train model=yolov8s.pt data=data.yaml epochs=100 imgsz=640 batch=16 workers=4

这条命令的每个参数都值得深究：

• task=detect: 指定任务为目标检测。
• mode=train: 模式为训练。
• model=yolov8s.pt: 使用YOLOv8小模型（s）的预训练权重。这是非常重要的技巧，使用在ImageNet等大型数据集上预训练的权重进行迁移学习，能极大加速收敛并提升最终精度。
• data=data.yaml: 指定上一步创建的数据集配置文件路径。
• epochs=100: 训练轮数。对于中等规模数据集，100轮通常是一个合理的起点，可以观察损失曲线决定是否早停。
• imgsz=640: 输入图像缩放尺寸。YOLOv8默认将输入图像统一缩放到此尺寸。更大的尺寸可能带来精度提升，但会显著增加显存消耗和训练时间。我的GTX 1660 Ti在batch=16时，640是一个平衡点。
• batch=16: 批次大小。在显存允许的前提下，较大的批次大小能使训练更稳定。需要通过调整batch和imgsz来适应自己的显卡。
• workers=4: 数据加载的进程数。用于加速数据读取，通常设置为CPU核心数左右。

训练开始后，控制台会打印日志，并在runs/detect/train/目录下生成一系列结果，其中最重要的是weights/best.pt（最佳模型）和results.csv、损失函数曲线图。

4.2 解读训练过程与损失函数曲线

训练过程中，最需要关注的是损失函数曲线。YOLOv8的训练日志和可视化工具会生成损失曲线图，通常包含train/box_loss、train/cls_loss、train/dfl_loss以及对应的val损失。

• box_loss（边界框损失）：衡量预测框与真实框位置和大小的差异。如果这个损失居高不下或剧烈震荡，可能意味着标注框质量有问题，或者模型学习定位能力困难，可以检查数据标注，或尝试调整学习率。
• cls_loss（分类损失）：衡量预测类别是否正确。由于本项目是单类别检测，这个损失通常比较低且稳定。如果出现异常，可能是类别不平衡或难例样本过多。
• dfl_loss（分布焦点损失）：YOLOv8引入的用于优化边界框回归的损失。

一个健康的训练过程表现为：训练损失和验证损失都随着epoch增加而平稳下降，并在后期逐渐趋于平缓，且两者之间的差距（过拟合程度）不大。如果出现以下情况需要警惕：

1. 训练损失下降，验证损失上升：典型的过拟合。需要增加数据增强的强度（如随机旋转、裁剪、色彩抖动），或者使用更小的模型（如yolov8n.pt），或者引入正则化（如权重衰减）。
2. 损失曲线剧烈抖动：学习率可能设置得太高。可以尝试使用YOLOv8内置的cos或linear学习率调度器，或者手动降低初始学习率。
3. 损失很早就停止下降：可能模型容量不足（对于复杂场景，yolov8s可能不够，可尝试yolov8m），或者学习率太低，或者数据本身存在大量模糊、难以识别的样本。

在我的项目中，使用yolov8s.pt在DentalAI数据集上训练，大约在50个epoch后验证损失趋于稳定，最终mAP50-95达到了一个可接受的水平（具体数值取决于数据集质量和划分）。关键技巧：不要只看最后的精度指标，要养成观察损失曲线、分析模型学习状态的习惯。我会在训练中期暂停一下，用验证集跑一下预测，直观地看看模型在哪些图片上表现好，哪些图片上表现差，这能提供比数字更直接的改进方向。

5. 模型验证与性能优化策略

训练完成后，得到best.pt模型，但这并不意味着工作的结束。我们需要系统地验证模型性能，并寻找优化空间。

5.1 模型验证与指标解读

使用以下命令在测试集上验证模型：

yolo task=detect mode=val model=runs/detect/train/weights/best.pt data=data.yaml

验证过程会输出一系列关键指标，对于目标检测，最需要关注的是：

• mAP50(Mean Average Precision at IoU=0.5)：这是最常用的指标。它计算在不同召回率（Recall）下的平均精度（Precision），IoU阈值设为0.5。值越高，说明模型在宽松阈值下整体检测性能越好。
• mAP50-95：在IoU阈值从0.5到0.95（步长0.05）区间内，计算mAP的平均值。这是一个更严格的指标，要求预测框与真实框的重合度非常高，更能反映模型的精确定位能力。
• Precision（精确率）和Recall（召回率）：对于医疗检测，这两者的平衡至关重要。高精确率意味着模型说“有龋齿”时，大概率是真的有，可以减少误报（将健康牙齿判为龋齿）。高召回率意味着模型能找出大部分的龋齿，减少漏报。通常，我们需要根据实际应用场景来权衡。在辅助筛查场景，可能更倾向于高召回率，宁可多标记一些疑似病例由医生复核，也不能漏掉真正的病灶。

通过分析这些指标，我们可以对模型能力有一个量化认识。如果mAP50-95远低于mAP50，说明模型框的位置不够准，可能需要更精细的标注数据，或者调整损失函数中定位损失的权重。

5.2 性能优化实战技巧

如果验证结果不理想，可以从以下几个方向进行优化：

1. 数据增强（Data Augmentation）：这是提升模型泛化能力、防止过拟合最有效的手段之一。YOLOv8内置了丰富的数据增强选项，可以在data.yaml中配置，或者通过训练命令参数调整。对于牙齿图像，有效的增强包括：

   • 几何变换：随机水平翻转（flipud=0.5）、小角度的随机旋转（degrees=10）、缩放裁剪（scale=0.5）。注意，垂直翻转要谨慎使用，因为牙齿上下结构不对称。
   • 色彩变换：调整亮度、对比度、饱和度（hsv_h=0.015, hsv_s=0.7, hsv_v=0.4），模拟不同拍摄设备、光照条件下的图像。
   • Mosaic增强：YOLO系列经典的增强方法，将四张图片拼成一张进行训练，能极大地提升模型对小目标和上下文信息的理解能力。YOLOv8默认开启。

2. 模型结构调整与超参数调优：如果使用的是yolov8s.pt，可以尝试更大的模型yolov8m.pt或yolov8l.pt以获得更高精度（代价是速度变慢）。此外，可以调整超参数：

   • 学习率（lr0）：如果损失震荡，尝试降低它（如从0.01降到0.001）。
   • 权重衰减（weight_decay）：一种正则化手段，防止过拟合，默认值通常不错，可以微调。
   • 优化器：YOLOv8默认使用SGD，也可以尝试AdamW，有时在小型数据集上收敛更快。

3. 解决类别不平衡：如果数据中“健康牙齿”背景远多于“龋齿”目标，模型可能会偏向于预测背景。可以尝试：

   • 在线难例挖掘（OHEM）：虽然YOLOv8没有直接提供，但可以通过调整分类损失权重来近似。
   • Focal Loss：YOLOv8的cls_loss已经考虑了Focal Loss的思想来应对类别不平衡，通常不需要额外调整。

我的经验是：对于DentalAI这样的专业数据集，数据质量本身往往比模型调参更重要。花时间清洗错误标注、统一标注标准（比如龋齿的边界到底划在哪里）、增加一些难例样本，其带来的性能提升可能比换一个更大模型更显著。在调参时，建议采用控制变量法，一次只调整一个参数，并记录每次实验的验证集指标，这样才能清晰地知道每个改动的影响。

6. 构建Flask Web界面：将模型封装为服务

模型训练好了，但最终要交付一个可交互的程序。一个本地Web界面是最直观的方式。我选择了Flask框架，因为它足够轻量，与Python生态结合紧密，适合快速开发。

6.1 Flask应用结构与核心逻辑

项目中的Web部分通常包含以下文件结构：

web_app/ ├── app.py # Flask主应用文件 ├── static/ │ ├── css/ # 样式表 │ └── js/ # JavaScript文件 ├── templates/ │ └── index.html # 前端HTML页面 ├── weights/ │ └── best.pt # 训练好的YOLOv8模型 └── uploads/ # 用户上传图片的临时目录

app.py的核心逻辑如下：

from flask import Flask, render_template, request, jsonify, send_from_directory import os from ultralytics import YOLO from PIL import Image import cv2 app = Flask(__name__) app.config['UPLOAD_FOLDER'] = 'uploads/' app.config['MAX_CONTENT_LENGTH'] = 16 * 1024 * 1024 # 限制上传16MB # 加载训练好的模型 model = YOLO('weights/best.pt') @app.route('/') def index(): return render_template('index.html') @app.route('/predict', methods=['POST']) def predict(): if 'file' not in request.files: return jsonify({'error': 'No file uploaded'}), 400 file = request.files['file'] if file.filename == '': return jsonify({'error': 'No file selected'}), 400 # 保存上传的文件 filepath = os.path.join(app.config['UPLOAD_FOLDER'], file.filename) file.save(filepath) try: # 使用YOLOv8模型进行预测 results = model(filepath, conf=0.25) # conf为置信度阈值，可调 # 处理预测结果 if len(results) > 0: result = results[0] # 获取带标注框的图片 annotated_img = result.plot() # 返回一个BGR格式的numpy数组 # 保存或直接处理标注后的图片 output_path = os.path.join(app.config['UPLOAD_FOLDER'], 'pred_' + file.filename) cv2.imwrite(output_path, annotated_img) # 提取检测信息（框坐标、置信度、类别） boxes = result.boxes.xyxy.cpu().numpy() # 边界框 [x1, y1, x2, y2] confidences = result.boxes.conf.cpu().numpy() # 置信度 class_ids = result.boxes.cls.cpu().numpy().astype(int) # 类别ID detections = [] for box, conf, cls_id in zip(boxes, confidences, class_ids): detections.append({ 'bbox': box.tolist(), 'confidence': round(float(conf), 3), 'class': model.names[cls_id] }) return jsonify({ 'success': True, 'detections': detections, 'annotated_image_url': f'/uploads/pred_{file.filename}' }) else: return jsonify({'success': True, 'detections': [], 'message': 'No caries detected.'}) except Exception as e: return jsonify({'error': str(e)}), 500 @app.route('/uploads/<filename>') def uploaded_file(filename): return send_from_directory(app.config['UPLOAD_FOLDER'], filename) if __name__ == '__main__': os.makedirs(app.config['UPLOAD_FOLDER'], exist_ok=True) app.run(debug=True, host='0.0.0.0', port=5000)

这段代码的核心是/predict路由。它接收前端上传的图片，调用加载好的YOLOv8模型进行预测，然后将检测结果（包括标注框、置信度）和绘制了框的图片路径返回给前端。

6.2 前端交互与结果展示

前端index.html主要提供一个文件上传表单和一个用于显示结果的区域。使用JavaScript（如jQuery或原生JS）处理文件上传，并通过Ajax将图片发送到后端的/predict接口。收到返回的JSON数据后，将检测到的龋齿位置和置信度以列表形式展示，同时将后端生成的带标注框的图片显示在页面上。

一个关键的优化点：异步处理与用户体验。如果图片较大或模型推理较慢，上传后页面会一直等待，体验很差。可以采用更高级的模式：

1. 前端轮询：上传后，后端立即返回一个任务ID，前端定时向另一个接口询问该ID的任务状态（处理中/完成/失败），完成后再获取结果。
2. WebSocket：实现真正的双向通信，后端处理完成后主动推送结果给前端。

对于毕业设计演示级别，简单的同步请求已经足够，但了解这些优化方向对构建更健壮的应用很有帮助。

7. 项目打包与部署注意事项

完成所有开发后，需要将项目打包成一个完整的、易于他人运行的程序包（即标题中的.zip文件）。

7.1 项目文件结构梳理

一个完整的、可交付的项目压缩包应该包含以下内容：

DentalAI_Caries_Detection_Web.zip/ ├── README.md # 项目说明文档，必备！ ├── requirements.txt # Python依赖包列表 ├── data/ # (可选) 示例数据或数据集的说明 │ └── sample_images/ ├── src/ # 源代码目录 │ ├── data_preprocessing/ # 数据预处理脚本 │ │ ├── convert_voc_to_yolo.py │ │ └── check_dataset.py │ ├── train.py # 模型训练脚本 │ ├── val.py # 模型验证脚本 │ ├── predict.py # 单张图片预测脚本（命令行） │ └── web_app/ # Web应用目录 │ ├── app.py │ ├── weights/ │ │ └── best.pt # 训练好的模型权重 │ ├── templates/ │ │ └── index.html │ └── static/ │ ├── css/ │ └── js/ ├── runs/ # (可选) 训练过程记录和结果 │ └── detect/train/ # 最后一次训练的输出 └── config/ # 配置文件 └── data.yaml

README.md是项目的门面，必须写清楚。它至少应包括：

1. 项目简介和功能。
2. 环境要求（Python版本，CUDA版本等）。
3. 快速开始步骤：如何安装依赖、如何运行Web应用。
4. 模型训练指南（如果提供训练能力）。
5. 文件结构说明。
6. 常见问题解答（FAQ）。

requirements.txt可以通过pip freeze > requirements.txt生成，但最好清理一下，只保留项目核心依赖，避免过于臃肿。

7.2 部署运行与常见问题排查

用户拿到压缩包后，解压并尝试运行，可能会遇到以下典型问题，在README中应给出解决方案：

1. 依赖安装失败：

   • 问题：pip install -r requirements.txt报错，尤其是PyTorch安装失败。
   • 解决：在README中明确说明，请用户根据自身CUDA版本，去PyTorch官网获取正确的安装命令，替换requirements.txt中的PyTorch行，或先单独安装PyTorch，再安装其他依赖。

2. 模型文件缺失或路径错误：

   • 问题：运行Web应用时，提示找不到best.pt文件。
   • 解决：确保web_app/weights/best.pt文件存在，并且在app.py中模型加载的路径是正确的相对路径或绝对路径。提醒用户不要移动文件结构。

3. Web界面访问卡顿或图片加载慢：

   • 问题：上传图片后，界面长时间无响应，或者生成的标注图加载很慢。
   • 分析：这可能是前端代码问题，也可能是后端推理速度慢。首先检查浏览器控制台有无JavaScript错误。其次，对于“web界面扫码卡顿”这类问题，如果项目涉及移动端扫码上传，可能是图片分辨率过高，前端未做压缩就上传。
   • 解决：可以在前端上传前，用JavaScript的Canvas API对图片进行等比例缩放压缩。在后端，可以记录模型推理时间，如果过长（例如大于3秒），考虑优化模型（使用更小的yolov8n版本），或者开启Flask的多线程/多进程模式（生产环境需用Gunicorn等WSGI服务器）。

4. 内存/显存不足：

   • 问题：运行训练或预测时，报CUDA out of memory错误。
   • 解决：在训练时，减小batch-size和imgsz。在Web预测时，确保没有内存泄漏（比如每次预测后及时释放不再使用的变量）。对于嵌入式设备部署（如RK3588），则需要将PyTorch模型转换为ONNX，再进一步转换为设备专用的格式（如RKNN），并进行大幅度的量化压缩，这完全是另一个技术领域了。

这个毕业设计项目，从构思到实现，再到打包交付，走完了一个完整的AI应用开发闭环。它不仅仅是一个算法实现，更是一个工程产品。过程中最大的收获不是调出了多高的mAP，而是学会了如何让一个模型从Jupyter Notebook里走出来，变成一个哪怕是不懂技术的同学也能点击运行的、有界面的程序。这种端到端的实践能力，在我看来，比单纯追求模型指标更有价值。如果你正在做类似的项目，希望这份详细的拆解和那些踩坑经验能帮你少走些弯路。

本文还有配套的精品资源，点击获取