简介：面向计算机相关专业毕设与课程设计场景，基于YOLOv8实现化工管道焊缝缺陷检测，包含可视化界面、完整数据集与部署教程，下载后按README说明即可运行。代码经测试通过，可输出核心指标曲线、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果与标签分布图，适合答辩展示，也便于在此基础上改进检测逻辑或扩展缺陷类型。资源包共97个文件，以Python源码（70个py）、训练权重（4个pt）、配置文件与说明文档（xml/txt）为主，另含界面图标和演示视频，整体24.21MB。界面交互、模型训练、视频检测等模块一应俱全，目录结构简洁，便于按需查看。已有56人浏览学习，适合初次接触目标检测的学生用于快速上手并理解YOLOv8训练与推理流程，也可作为课程设计或毕业设计的完整参考。
1. 焊缝缺陷检测为什么选YOLOv8：这套毕设系统的三大件拆解
化工管道在长期承压运行后，焊缝是最容易出问题的部位，而射线底片评定一直依赖检验人员肉眼读片。YOLOv8介入之后，这件事就变成了一条可复现的流水线：加载一份训练好的权重，把底片或数字图像丢进去，出来就是带类别标签和置信度的检测框。你说的这个系统，本质上就是由“完整数据集 + YOLOv8源码 + 可视化界面 + 部署教程”四块拼起来的，适合机械、化工、计算机方向正在做毕设或课程设计的同学。
我看了不少类似项目，最容易被低估的不是训练，而是数据整理和界面对接。数据决定模型上限，界面决定演示效果，训练反而只占整个工作量的三成左右。如果你手上拿到的这份源码包连部署教程都带了，那你要做的不是改模型结构，而是把环境跑通、把数据看明白、把界面的调用逻辑理顺，然后换成自己的数据集重新训练一遍。这篇文章就按这个顺序来写。
2. 环境搭建与首次运行：把“简单部署”从口号变成能演示的界面
2.1 CPU也能跑：版本搭配方案
先解决环境。YOLOv8不是独立框架，它对应的是ultralytics这个Python包，环境要求其实很宽松：Python 3.8到3.10之间最稳，PyTorch 2.0以上，ultralytics装 8.x 版本即可。如果你的机器没有独立显卡，也不用慌，CPU能跑推理，只是速度慢一些，演示一张图完全够用。很多同学就是按“ubuntu20.04搭建yolov8环境cpu版本”的思路来做本地部署，这套组合是经过大量验证的。
我一般建议用conda先建一个干净环境，避免把系统Python搞乱：
conda create -n weld_yolo python=3.9 -y conda activate weld_yolo pip install ultralytics==8.2.0 torch torchvision如果你有NVIDIA显卡，先看驱动支持什么CUDA版本，再装对应的PyTorch。CPU版则不需要关心CUDA，直接pip install torch torchvision就会拉CPU版本。装完后用一行命令验证：
python -c "from ultralytics import YOLO; print(YOLO('yolov8n.pt'))"能打印出模型对象说明环境没问题。注意yolov8n.pt是ultralytics自动下载的预训练权重，首次运行需要联网，下载慢的话可以手动把权重文件放进项目weights目录。
2.2 目录结构与启动入口
拿到项目包先别急着双击任何文件，先看目录。典型结构是这样：
weld_defect_system/ ├── weights/ │ └── best.pt ├── datasets/ │ ├── images/ │ └── labels/ ├── main.py ├── requirements.txt └── 部署教程.mdweights/best.pt是训练好的模型，main.py是可视化界面入口，requirements.txt是依赖清单。先打开部署教程文档，再对照requirements.txt装依赖，顺序不要反。有些项目会用pip install -r requirements.txt一键装，但要注意里面可能有opencv-python、PyQt5这类体积较大的包，耐心等。
界面启动一般是：
python main.py如果项目里没有main.py，去找带“UI”“window”“gui”字样的脚本，比如window.py或gui.py。启动后界面会弹出文件选择框，选一张焊缝图像，点击检测按钮，左侧显示原图，右侧显示带框的结果。这一步能跑通，说明源码、权重、界面三块都是完整的。
2.3 用最小推理脚本验证权重
启动界面之前，我建议先用命令行把权重跑一遍，这样能快速定位问题是出在环境、权重还是界面上。新建一个test_infer.py：
from ultralytics import YOLO model = YOLO("weights/best.pt") results = model.predict( source="demo.jpg", conf=0.25, iou=0.5, imgsz=640, save=True, project="runs/detect", name="weld_test", ) print(results[0].boxes.cls) print(results[0].boxes.conf) print(results[0].boxes.xyxy)这段代码里的conf=0.25是置信度阈值，低于这个值的框会被丢弃，调低会看到更多候选框但误检也会增多；iou=0.5是NMS去重的交并比阈值，同一条缺陷的重叠框会被合并；imgsz=640是输入分辨率，焊缝气孔这种小目标可以试着提到768。跑完后结果图保存在runs/detect/weld_test下。
boxes.cls输出的是类别索引，比如[0, 1]表示检测到了两个缺陷，分别是第0类和第1类；boxes.conf是置信度；boxes.xyxy是左上角和右下角坐标。看到这行输出，就可以放心打开界面了。
3. 焊缝缺陷数据集与YOLO标注：六类缺陷的标签怎么做才算合格
3.1 六类缺陷长什么样，难在哪
化工管道焊缝射线底片里，最常见的缺陷类别有六种：气孔、夹渣、未熔合、未焊透、咬边、裂纹。这六类在底片上的形态差异很大，也是你在标注阶段要反复区分的对象：
- 气孔：圆形或椭圆形暗斑，边缘清晰，通常成串或成群出现，是最好标的一类。
- 夹渣：不规则块状暗区，边界模糊，常藏在焊缝内部，标的时候很容易画大。
- 未熔合：沿坡口方向的细长直线暗影，宽度很窄，需要放大图片才能看清。
- 未焊透：焊缝根部一条连续或断续的暗线，比夹渣更规则。
- 咬边：焊缝边缘母材上的凹陷，呈条状，紧贴焊缝边界。
- 裂纹：最棘手的一类，细长、曲折、末端尖锐，长宽比经常超过10:1。
难点很清楚：气孔和夹渣是大目标，裂纹和未熔合是小目标。如果你拿到的数据集是从公开的X射线焊缝数据集（比如GDXray这类）里整理的，那类别分布基本就是按上面六类给的；如果是自己拍的底片，标注前一定先做类别确认，别把“夹渣”和“未熔合”混在一起，后面训练的模型会一直懵。
3.2 labelme标注与YOLO格式转换
标注阶段用labelme还是labelImg都行，但要注意一点：labelme保存的是JSON文件，不能直接给YOLOv8训练，必须转成YOLO格式的txt。YOLO的标签格式是每行五个数：
class_id x_center y_center width height其中坐标全部是归一化比例，不是像素值。比如一张1000×800的图，缺陷中心在(500, 400)，宽200、高100，那么这一行就是0 0.5 0.5 0.2 0.125。类别的顺序由你的类别清单决定，不是写死的气孔就是0。
转换完成后，写一个校验脚本检查所有标签，这步能省下训练时的排查时间：
import os label_dir = "datasets/weld/labels/train" class_names = ["porosity", "slag", "lack_of_fusion", "incomplete_penetration", "undercut", "crack"] for fname in os.listdir(label_dir): if not fname.endswith(".txt"): continue path = os.path.join(label_dir, fname) with open(path, encoding="utf-8") as f: lines = f.read().strip().splitlines() for i, line in enumerate(lines): parts = line.split() if len(parts) != 5: print(f"{fname} 第{i+1}行: 必须5个数, 实际{len(parts)}个") continue cls = int(parts[0]) x, y, w, h = map(float, parts[1:]) if not (0 <= cls < len(class_names)): print(f"{fname} 第{i+1}行: 类别索引越界 -> {cls}") if not (0 < x < 1 and 0 < y < 1 and 0 < w < 1 and 0 < h < 1): print(f"{fname} 第{i+1}行: 归一化坐标越界 -> {line}")这段脚本的重点是检查出三类问题：长度不对、类别越界、坐标越界。坐标越界最常见的来源是标注工具在图片边缘画框时，或转换脚本四舍五入出错，坐标计算成了负数或大于1的值。越界的标签不会被YOLO直接报错，但会产生质量很差的候选框，手动排查极麻烦。
3.3 数据集划分与重复检查
数据准备好后，按train / val划分，常见比例是85/15或80/20。我习惯用脚本随机划分，同时把图片和标签一起拷过去：
import random import os from shutil import copy2 random.seed(42) images = [f for f in os.listdir("images_all") if f.endswith((".jpg", ".png", ".jpeg"))] random.shuffle(images) split = int(len(images) * 0.85) train_list = images[:split] val_list = images[split:] for split_name, file_list in [("train", train_list), ("val", val_list)]: os.makedirs(f"datasets/weld/images/{split_name}", exist_ok=True) os.makedirs(f"datasets/weld/labels/{split_name}", exist_ok=True) for file_name in file_list: copy2(os.path.join("images_all", file_name), os.path.join("datasets/weld/images", split_name, file_name)) label_name = os.path.splitext(file_name)[0] + ".txt" src_label = os.path.join("labels_all", label_name) if os.path.exists(src_label): copy2(src_label, os.path.join("datasets/weld/labels", split_name, label_name)) else: print(f"警告: {file_name} 缺少标签文件")跑完脚本后检查两个事：第一，labels/val里不能有和images/train同名的文件，防止数据泄露；第二，检查是否有空标签文件，即txt文件大小为0，这类文件对应的图像会被YOLO忽略，导致实际参与训练的图像数量比预期少。检查空标签用一行find命令：
find datasets/weld/labels/train -name "*.txt" -size 0如果结果不为空，要么重新标注，要么把这些图片从数据集里移出去。
4. 训练自己的焊缝模型：五个必调参数与loss曲线判读
4.1 先写对data.yaml
YOLOv8训练时需要一个数据集配置文件，这是新手最容易写错的地方。在项目根目录建weld.yaml：
path: /home/yourname/weld_defect_system/datasets/weld train: images/train val: images/val nc: 6 names: 0: porosity 1: slag 2: lack_of_fusion 3: incomplete_penetration 4: undercut 5: crackpath必须写绝对路径，YOLOv8对相对路径的解析经常出问题；train和val是相对path的路径，不能加前缀/；nc是类别数，这里6；names的索引必须和标签txt里的class_id一一对应。很多“No labels found”的报错，最后查下来都是path少了一层目录。
4.2 训练命令与参数表
数据集就绪后，训练命令长这样：
yolo train model=yolov8n.pt data=weld.yaml epochs=120 batch=16 imgsz=640 workers=4 device=0yolov8n.pt是COCO预训练权重，在这个基础上做迁移学习，收敛比从零训练快得多。如果你有GPU但显存只有6G左右，把batch降到8；没有GPU就把device=cpu加上，但训练时间会拉长到几小时甚至十几小时，建议先跑少量轮次验证流程。
几个必调参数按下面这张表来：
| 参数 | 建议值 | 说明 |
|---|---|---|
| epochs | 100-150 | 焊接缺陷特征不算复杂，120轮左右足够收敛 |
| batch | 8-16 | 受显存约束，OOM就减半 |
| imgsz | 640-768 | 气孔、裂纹占比小，768能明显提升小目标召回 |
| lr0 | 0.005-0.01 | 预训练权重迁移时，学习率过大容易把已有特征冲掉 |
| patience | 30 | 验证集指标连续30轮不提升就早停 |
| workers | 4-8 | 数据加载线程数，CPU不够就调低 |
训练过程中终端会实时打印每个epoch的loss和mAP，不用盯着看，但要注意有没有出现nan。lr0设了0.01还出现loss爆炸，通常是数据里混入了异常标签，回到第3章跑一遍校验脚本。
4.3 用loss曲线和mAP判断训练状态
训练完成后，所有指标都落在runs/detect/train/目录下。不要只看最后的mAP，要把训练过程拉成曲线看。YOLOv8训练时自动生成results.csv，用脚本画出来：
import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv("runs/detect/train/results.csv") plt.figure(figsize=(10, 4)) plt.plot(df["epoch"], df["train/box_loss"], label="train_box_loss") plt.plot(df["epoch"], df["val/box_loss"], label="val_box_loss") plt.xlabel("epoch") plt.ylabel("loss") plt.legend() plt.grid(True) plt.savefig("loss_curve.png")正常的收敛曲线是训练和验证的box_loss同步下降并趋于平缓。如果训练loss一直降但验证loss在后半段反弹，说明过拟合，常见对策是减小lr0、增大数据增强的scale参数，或者补充更多标注样本。如果两条loss都在高位震荡不下降，先查标签是否有错，再查学习率是否设置合理。
模型权重会保存两份：best.pt是验证集mAP最高的版本，last.pt是最后一轮的版本。部署时一律用best.pt，不要觉得训练轮数越多权重越好。我自己的习惯是只保留best.pt，然后拿它对一张训练集之外的底片做一次推理，确认检测框落在真实缺陷位置上，再谈部署。
5. 部署踩坑与排查：五个高频问题让项目翻车在答辩前
5.1 训练时反复报“No labels found”
- 现象：
yolo train启动后很快报错，提示Dataset 'weld.yaml' error、labels not found或No labels found in ...，训练直接中止。 - 原因：大概率是三件事之一——
weld.yaml里的path写成了相对路径；images/train和labels/train路径下对应文件不匹配；图片后缀不是.jpg/.png导致YOLO没扫描到。 - 解决：先用
ls datasets/weld/images/train | head -3看一下图片文件确实存在，再确认find datasets/weld/labels/train -name "*.txt" | wc -l的txt数量和图片数量一致，最后把path改成绝对路径后重新跑一次。
5.2 界面点“开始检测”直接卡死或白屏
- 现象：界面能打开，但一点检测按钮就无响应，Windows里显示“未响应”，过几秒甚至永久卡住。
- 原因：
main.py里把model.predict()直接放在了按钮点击回调里，推理阻塞了Qt的事件循环。这是新手写界面最常犯的错误，严格说不是YOLO的问题，是线程模型的问题。 - 解决：把推理放到
QThread里执行，或用线程池提交任务。如果不想改线程结构，至少在界面启动前先加载best.pt，不要在点击时才YOLO(...)，模型加载也是耗时操作。改了线程后，推理过程中界面还能正常拖动窗口，就是一个合格的修复。
5.3 气孔、裂纹漏检严重，mAP卡在低位
- 现象：大目标夹渣能检出，小目标气孔和裂纹几乎全部漏掉，mAP50一直上不去。
- 原因：两个主因，第一是
imgsz=640对直径只有十几个像素的气孔来说太小；第二是置信度阈值设太高，比如conf=0.5，小目标本来置信度就低，直接被过滤了。 - 解决：训练时把
imgsz=768，推理时降到conf=0.15-0.2观察候选框数量。如果训练集里裂纹样本太少，比如不足150个实例，先做数据扩增——水平翻转、小角度旋转、亮度抖动，对细长目标有效。裂纹这类缺陷，样本数量压倒算法技巧。
5.4 CPU训练慢到让人想直接放弃
- 现象：一台只有CPU的笔记本跑
yolov8m+imgsz=640，一个epoch要好几分钟，120轮根本没法等。 - 原因：模型规模选大了。
yolov8m的参数量是yolov8n的三倍多倍数级，CPU推理本来就慢，训练更是放大十倍。 - 解决：训练用
yolov8n.pt+imgsz=640+batch=4，先把流程跑通；最后做演示时再考虑换大的模型权重。如果真的需要高性能权重，本地用小模型完成开发验证，用云GPU跑一轮完整训练，再把best.pt下载回来本地部署，这是个成熟的低成本路线。
5.5 中文路径导致图像读不出来、文字乱码
- 现象：图像放在
D:\实验数据\底片\001.jpg这种带中文路径的位置，界面检测不出结果，或者终端输出一堆???乱码；界面上的标签中文显示成方块。 - 原因：OpenCV 的
imread不支持中文路径，会静默返回空图；matplotlib 默认字体不含中文字形。 - 解决：训练推理都不走中文路径，项目目录统一用英文；如果必须读，用
np.fromfile加cv2.imdecode代替imread：
import cv2 import numpy as np data = np.fromfile("实验数据/底片/001.jpg", dtype=np.uint8) img = cv2.imdecode(data, cv2.IMREAD_COLOR)界面中文乱码则是在matplotlib里手动指定中文字体，比如plt.rcParams['font.sans-serif'] = ['SimHei']。这个问题在答辩演示时特别容易翻车，提前检查演示机的中文语言包。
6. 进阶验证：导出ONNX，用未参与训练的图像做一次读片测试
训练完模型，下一步不只是演示，而是做一个更接近工程实践的验证：把best.pt导出成ONNX，再用非训练数据检验泛化能力。ONNX的好处是摆脱PyTorch依赖，推理速度更快，也方便以后接C++或嵌入式端。
导出命令很简单：
yolo export model=runs/detect/train/weights/best.pt format=onnx imgsz=640 simplify=True导出的best.onnx可以直接用ultralytics的接口加载，省去手写预处理和后处理的麻烦：
from ultralytics import YOLO model = YOLO("runs/detect/train/weights/best.onnx") result = model.predict("unseen_001.jpg", conf=0.25, imgsz=640)[0] print(result.boxes.cls.tolist()) print(result.boxes.conf.tolist())我的验收标准是：从未参与训练和验证的图像里再挑出20张，六类缺陷至少能检出四类，且每张图的误报控制在两个以内。如果漏检集中在某一类，就针对那类补数据重新训练；如果误报多，就把置信度阈值上调。用这个指标代替单看mAP，会更贴近答辩时“现场演示一张没见过的图”的场景。
这几年在毕设辅导里，我提醒最多的一句话是：YOLOv8本身是稳定可靠的，项目翻车基本都是环境版本冲突、数据标签混乱、界面线程阻塞这三类问题，花在排查上的时间远大于写代码的时间。每次拿到新的数据集，先写一个校验脚本把标签全查一遍，再开始训练。希望这套操作思路帮你在自己的焊缝缺陷检测项目里少走一段弯路。
本文还有配套的精品资源，点击获取
