基于YOLO的试卷题目自动切割：从ZIP解压到模型推理的完整实践-平芜编程栈

简介：基于YOLO的试卷题目自动切割系统，是一份面向毕业设计、课程设计与期末大作业的深度学习图像识别项目，利用YOLO实时目标检测能力从整张试卷图像中自动识别并切割出各个题目区域，适用于考试机构、在线教育平台及试卷数字化处理等场景，也适合希望掌握目标检测工程化流程的学习者参考。资源包共9个文件，包含3个Python脚本（分别用于训练、测试与核心切割）、2个预训练模型、2个文本文件、1个gitignore及1个Markdown说明，压缩包大小约10.48MB；脚本覆盖训练测试流程，预训练权重便于快速验证，依赖清单与使用文档辅助环境搭建和项目运行。该项目完整覆盖数据标注、模型训练、目标检测到图像切割与后处理的核心步骤，目前已有69人学习下载，适合完成智能试卷切割课题或构建YOLO视觉项目的同学参考。

1. 基于YOLO的试卷题目自动切割：这一张 zip 里装的到底是什么

以“基于YOLO的试卷题目自动切割系统-1.zip”为起点，面对的是一堆扫描或拍照的试卷图片。它不是普通的批量裁剪工具，而是通过目标检测模型定位每道题的边界，再输出按题号排列的题目切片。类似项目常用于AI题库、错题本、成绩分析等场景，压缩包内通常包含训练代码、数据整理脚本和一个推理demo。适合手里有几百张考试卷、希望自动生成结构化题库的开发者。YOLO在这里解决两个问题：把“试卷题目”当成一个目标类别来定位，以及把重叠、倾斜的文本区域从版面中剥离。但真正决定项目价值的，是后面按阅读顺序归档的那层后处理。下文从解压 zip 开始，到训练、避坑和排序，给你一条能直接照着搭的路径。

2. 从 zip 开始准备数据：解压、伪加密与 YOLO 标注格式

在实际工程里，压缩包里面的文件名、目录结构往往和你预期的不一样。常见的“基于YOLO的试卷题目自动切割系统-1.zip”可能由Windows下的压缩工具生成，文件名编码可能是简体中文或繁体中文，也可能带伪加密。如果一开始就打不开，或者打开后文件名乱码，后续所有环节都会被拖住。所以我把解压和数据标准化放在第一个中间章。

2.1 别直接双击解压：用命令行先看内部结构、校验完整性

解压虽然是个初级操作，但试卷切割项目的压缩包通常不止一层目录。如果直接双击解压到当前文件夹，很可能会得到一堆散落的 .py 和 .yaml 文件。我习惯先打开命令行，定位到 zip 所在目录，先执行：

unzip -l 基于YOLO的试卷题目自动切割系统-1.zip

-l只列出压缩包内的文件清单，不解压。输出的第一列是文件长度，第三列是文件名；你可以根据它判断是否存在weights/、datasets/、runs/这样的子目录，以及是否包含已经标注好的缓存文件。如果一个 zip 包里有多个.yaml，先打开看一遍再决定用哪个训练配置。

确定结构后，再测一下 zip 的 CRC 完整性：

unzip -t 基于YOLO的试卷题目自动切割系统-1.zip

这步会逐个文件校验。出现 “OK” 只能说明文件在 zip 内是完整的，不代表解压出来不乱码；出现 “bad CRC” 说明这一层文件在传输或分卷时损坏，最好先重新获取压缩包，不要执迷于用修复工具硬解。训练数据损坏时，模型训练出来的特征会变得异常，后面排查时间反而更长。

真正解压时再添加-O gbk选项，这是针对中文文件名编码的常见处理：

unzip -O gbk -q 基于YOLO的试卷题目自动切割系统-1.zip -d exam_project

这里-d exam_project指定解压目标目录，避免文件直接散落当前目录。如果你的 unzip 命令没有-O参数（某些简化版 unzip 不支持），一个变通办法是先用 Python 的zipfile库列出文件名，再用脚本把 GBK 名字逐一重命名，但那样会很繁琐。普通场景下用 7-Zip 也能解决，它自动识别本地编码，中文名很少乱码。

2.2 伪加密：明明没设密码，解压却弹密码框

zip 伪加密容易发生在老式打包工具生成的压缩包上。现象是双击解压弹密码框，你明明没设置过密码，输什么都解不开。这种伪加密不是真正的加密，也没有用密码保护文件内容，只是文件头通用位标志被设置为“加密”，属于结构损坏或工具兼容性问题。遇到这种情况，可以用zip -FF修复命令试试：

zip -FF 基于YOLO的试卷题目自动切割系统-1.zip --out fixed.zip

-FF会扫描并尝试重建中央目录结构；伪加密的情况下经常能直接恢复成正常 zip。如果-FF也不行，就用 7-Zip 打开，7-Zip 通常忽略该标志并能立即解压。最后的手段是用 Python 把本地文件头的加密标志位清零，但因为要修改二进制偏移量，只建议在测试副本上操作。核心思路是：伪加密不等于真正的密码保护，不需要暴力试探，绕过错误的标志位即可。

注意：以上处理只面向伪加密和损坏文件。真正加了密码的文件请确认密码来源，绕过他人设置的访问限制不在本方案适用范围内。

2.3 标注“题目区域”而不是“题号”：一个类别更稳

接下来处理数据集。YOLO 需要的是标注框，而试卷题目检测的标注框要框住“一道完整题”。实际标注时，有人把题号、题干、选项分别标出来，这样做翻车概率很高。试卷上的题号“1.”与题干之间的空白很小，如果分成两个类别，题号框和题干框会互相干扰，导致模型在边界附近输出一堆重复框。更好的做法是只定义一个question类别，把一道题从头到尾整体框住。这样一个类别 YOLO 学起来更容易，调 NMS 参数时也不会有跨类别重复框的问题。

如果你还是想拿到题号，建议额外做一个独立的题号识别模块（例如用下一个 OCR 去识别小区域），而不是把题号与题干用两类方式硬拆。切割系统的主模型专注输出“题目框”，后面的排序和编号交给后处理，前后职责分开才容易维护。

2.4 用 voc2yolo.py 把标注统一成 YOLO txt

项目里可能已经给了转换脚本，但搞清楚转换逻辑仍然有价值。因为很多旧标注是 PascalVOC 格式，YOLO 要求每张图的标注为一个 txt 文件，每行是“类ID 中心x 中心y 宽高”，且坐标统一归一化到 0~1。我一般使用下面这段代码批量转换：

# voc2yolo.py import os import xml.etree.ElementTree as ET classes = ['question'] def convert_annotation(xml_path, out_dir): tree = ET.parse(xml_path) root = tree.getroot() size = root.find('size') w = int(size.find('width').text) h = int(size.find('height').text) basename = os.path.splitext(os.path.basename(xml_path))[0] out_path = os.path.join(out_dir, basename + '.txt') with open(out_path, 'w', encoding='utf-8') as f: for obj in root.findall('object'): label = obj.find('name').text if label not in classes: continue cls_id = classes.index(label) box = obj.find('bndbox') xmin = int(box.find('xmin').text) ymin = int(box.find('ymin').text) xmax = int(box.find('xmax').text) ymax = int(box.find('ymax').text) cx = (xmin + xmax) / 2.0 / w cy = (ymin + ymax) / 2.0 / h bw = (xmax - xmin) / w bh = (ymax - ymin) / h f.write(f"{cls_id} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}\n")

逻辑说明：ET 解析 XML，先从size节点拿到图片宽高，再从每个object里拿bndbox的四角坐标，换算成中心点坐标和宽高。这个转换结果天然是 0~1 之间的浮点数，不会因为输入到 YOLO 后图片被 letterbox 缩放而失真。一个细节：如果 XML 里有多余类别，即便classes列表只有question，脚本会默认跳过其他类，这时候你容易误以为全部对象都转换了。建议脚本跑完用wc -l labels/*.txt查看每个 txt 的行数，与 XML 里题目数对一下。

2.5 拆分数据集并写 data.yaml

数据集准备完后，按 9:1 切成 train 和 val。不要直接random.sample，因为试卷项目常有同一张试卷的正反面和多角度衍生图，如果不做分组，验证集里可能出现与训练集内容几乎相同的图片。一个务实做法是按试卷编号的前缀分组，再切：

import os, random, shutil def group_split(image_files, val_ratio=0.1): groups = {} for f in image_files: key = f.split('_')[0] # 比如 paper_001_1.jpg -> paper_001 groups.setdefault(key, []).append(f) items = list(groups.values()) random.shuffle(items) split = int(len(items) * (1 - val_ratio)) train_imgs = [img for g in items[:split] for img in g] val_imgs = [img for g in items[split:] for img in g] return train_imgs, val_imgs

分组拆分可以降低验证集和训练集之间的语义重叠，让 mAP 更真实。然后把图片和 txt 放到images/train、labels/train、images/val、labels/val，最后写data.yaml：

path: ./exam_dataset train: images/train val: images/val nc: 1 names: ['question']

训练时常遇到一个报错是“image not found”，多半是path写成了绝对路径或路径下还有一层。把path设成相对路径并固定所有目录层级，从开始就少一次 debug。

3. 训练 YOLO：预训练权重、损失函数与三个必调参数

数据准备好了，训练是一道分水岭。有些人一跑训练就期待第一轮 mAP 很高，实际上 YOLO 针对特定数据集能从预训练权重上学到不少东西，但仍要正确设置几个参数。这里我用 YOLOv8 举例，但思路同样适用于 YOLOv5。

3.1 选 YOLOv8 还是 YOLOv5，先看项目和部署环境

试卷切割系统可能会被部署在边缘盒子上，也可能只在本地离线跑。YOLOv5 的依赖更传统，导出 ONNX 相对直接；YOLOv8 的接口更像一个闭环，训练完成能直接export成 ONNX 或 TensorRT。项目压缩包如果是 YOLOv5 代码，就按 YOLOv5 来，不要强行把数据拷到 v8 里，因为两个版本的 CLI 参数和输出目录逻辑差异不小。

一般我用 YOLOv8n 作为基准模型。这个“n”的模型体量小，在试卷这类相对规整的文本区域上，效果和更大模型差距不大，但训练和推理速度快很多。如果你手里的 GPU 是 V100 或更高，可以直接用yolov8s或yolov8m；要是单卡 8G 显存，还是用 nano 或 small。

3.2 训练命令：参数不是玄学，是有依据的

一个能直接跑的训练命令：

yolo train model=yolov8n.pt data=exam_dataset.yaml epochs=120 imgsz=640 batch=16 device=0 cache=True

model=yolov8n.pt：从预训练权重开始。第一次执行会自动下载权重，如果你希望离线部署，就把.pt文件放到项目根目录。
epochs=120：只检测一个类别时，60～150 轮足够。样本量少于 300 时，可以把 epochs 开到 200，配合早停。
imgsz=640：输入尺寸。640 是速度与精度的平衡点；如果识别的题目包含小字号，调到 960 再训练。
batch=16：显存 8GB 以上建议 16，显存 6GB 降到 8，并在命令里保留cache=True来减少磁盘读取。

另外还有三个容易被忽略的参数：lr0初始学习率默认 0.01；如果发现框的回归不稳，把 lr0 降到 0.005。patience早停耐心值在 YOLOv8 默认 100 轮；数据量少时可能 80 轮已经收敛，把 patience 设成 30 能节省时间。workers数据加载线程数默认 8；在 Windows 上有时要改成 0，否则报 DataLoader worker 错误。

3.3 损失函数曲线和混淆矩阵怎么读

YOLOv8 的损失函数包含几个部分：box_loss是边界框回归损失，cls_loss是分类损失，dfl_loss是分布聚焦损失。单类别场景里cls_loss下降趋势会很快，但真正应该盯着的是box_loss。如果box_loss前 20 轮不见明显下降，先怀疑输入尺寸、学习率或标注框的准确性，而不是去换更大的模型。

训练结束后，runs/detect/train/目录下会有一个混淆矩阵。这里有个现象经常让新手困惑：混淆矩阵每个格子的总和并不等于 1，因为 YOLO 按行归一化，而且 background 行可能没参与计算。你看到的是矩阵里“question → question”的百分比，这个值越高越好；而“question → background”这一项才是漏检率。我一般把漏检率控制在 10% 以内，超过了就回去查 imgsz、查标注边界。

提示：如果训练日志中val/box_loss出现突增，往往是因为验证集图片分辨率与训练集不一致。不要盲目提高imgsz，先看验证集是否混入了旋转 90 度的试卷图。

4. 避坑记录：试卷切割系统从解压到推理最容易踩的五个坑

这一章更像一份“血泪经验”。我不写泛泛的“注意事项”，每条都对得上具体现象：现象、原因、解决。

4.1 zip 伪加密：没设密码却要密码

现象：用操作系统自带工具解压“基于YOLO的试卷题目自动切割系统-1.zip”，弹出密码输入框；明明打包时没设置密码。
原因：文件头的加密标志位被设置为 1，实际内容没有加密，属于伪加密。
解决：优先用 7-Zip 打开并尝试解压；若 7-Zip 也弹密码框，输入一个任意密码，多数伪加密能通过。仍不行则用zip -FF修复。不要对这种包跑暴力破解工具，浪费时间。

另外，如果解压时提示 “missing zip entry” 或 “Could not find EOCD”，意味着 zip 的中央目录结尾标记丢了。这通常是下载不完整或从网盘在线解压导致。解决方法是重新导出完整文件，不要强行修复后再训练，因为丢掉的可能是关键标注。

4.2 中文文件名乱码

现象：解压后出现“绗悆XX.jpg”之类的乱码，图片和标签名称无法对应。
原因：Windows 压缩时使用 GBK，目标系统用 UTF-8 解压。
解决：解压时用unzip -O gbk。如果已经解压成乱码，可以写 Python 脚本按原编码“gbk”重命名，但要先确认原字符串能逆变换。实际操作中，乱码文件名在复制到服务器后很难恢复，所以把解压这一步固化到流程里，用统一命令完成。

4.3 训练 loss 出现 NaN

现象：前 10 轮正常，第 15 轮突然nan。
原因：BN 统计不稳定。常见于 batch 过小、学习率过大，或数据集里出现异常尺寸的图片，比如一张宽度只有几十像素、高度却很大的拼接图。
解决：将 batch 提高到 8 以上，lr0降到 0.005 以下。同时过滤掉宽或高小于 50 像素的图片，这类图在预处理时容易导致数值溢出。

4.4 同一题出现两个框，NMS 效果失灵

现象：推理图中，同一道题被画了 2 个高度重叠的框。
原因：两个框的原始置信度都很高，NMS 的 IoU 阈值设得太高，算法认为它们是不同目标。
解决：yolo predict时用iou=0.45或更低0.3。如果训练时也有重叠框，检查你的标注是否真的一个题占用了两行，必要时手工合并。试卷的题号与题干之间出现重复双框，最常见的就是标注时没有统一框边界。

4.5 模型漏检小题号

现象：前排的小题，例如“1.（1）”，检测不到，而大题目正常。
原因：resize 到 640 后，小字号的文字在特征图上的表达损失严重。
解决：提升imgsz到 960 或 1280，同时给小题号框加一点 padding。如果算力有限，可以采用滑动窗口推理，将大图切成 4 块分别送入模型，再把边界框坐标按原图偏移合并。这种 trick 在超高分辨率试卷扫描里很常用。

5. 让切割系统真正可用：按阅读顺序对题目重排的实战技巧

模型输出的检测框是按置信度排序的，不是按阅读顺序。直接切出来是一堆顺序错乱的图片，下游 OCR 会出乱子。这一部分给一个不依赖 OCR 的重排方法。

5.1 为什么不能按 y 坐标整体排序

试卷印刷时常见两栏排版，直接按检测框的 y 中心排序，会让左右两栏的题目从上到下错位。正确做法是先把彼此在垂直方向上重叠的框归到同一行，再按行内 x 排序。问题在于“重叠比例”怎么算：两框相交高度除以两框中较矮的那个高度，如果这个比例超过 30%，就视为同一行。

5.2 排序函数与边界修正

前面章节里的sort_boxes只解决行聚类，实际还需要过滤面积过小的误检，以及把坐标修正回图像边界。合并后一个完整的后处理函数如下：

def post_process(boxes, img_w, img_h): # 1. 过滤面积过小的误检 boxes = [b for b in boxes if (b[2]-b[0])*(b[3]-b[1]) > 0.05 * img_w * img_h] # 2. 按垂直重叠聚类行 boxes.sort(key=lambda b: (b[1], b[0])) lines = [] for b in boxes: y1, y2 = b[1], b[3] for line in lines: l_y1, l_y2 = line[0][1], line[0][3] overlap = min(y2, l_y2) - max(y1, l_y1) if overlap >= 0: ratio = overlap / min(y2 - y1, l_y2 - l_y1) if ratio >= 0.3: line.append(b) break else: lines.append([b]) # 3. 每行内按x排序，并裁剪坐标到图像边界 ordered = [] for line in lines: line.sort(key=lambda b: b[0]) ordered.extend( (max(0, int(x1)), max(0, int(y1)), min(img_w, int(x2)), min(img_h, int(y2)), conf) for x1, y1, x2, y2, conf in line ) return ordered

这里面有一个容易错的地方：overlap = min(y2, l_y2) - max(y1, l_y1)如果为负数，就说明两个框在垂直方向上没有交集，此时不能直接除以min(y2-y1, l_y2-l_y1)，否则会得到一个负的比值并产生错误聚类。所以前面加了一个if overlap >= 0的判断。第三个步骤里的边界裁剪能把越界坐标直接压回图像内，避免裁出一张带黑边的图片。这个后处理函数可以单独保存成sort_utils.py，在训练和推理时复用，等于给项目上了“后悔药”，无论后续怎么调模型，切割排序结果都能一键生成。