本项目是一套基于YOLOv8的钢材表面缺陷检测系统，以NEU-DET 钢材表面缺陷数据集为数据基础，面向龟裂、夹杂、斑块、点蚀表面、压入氧化皮和划痕六类缺陷完成模型训练、评估与系统应用。系统提供Web 端和 PyQt6 桌面端，支持图片、视频和摄像头输入，并集成结果查看、历史查询、模型管理与训练指标展示，适用于项目设计、课程实践和答辩展示。
一、项目简介
面向钢材表面的纹理缺陷检测，定位龟裂、夹杂、斑块、点蚀、氧化皮和划痕。系统以缺陷图像和 YOLO 标注为数据基础，提供检测结果对照、类别统计、模型参数配置、历史查询与实验图表。
| 组成 | 项目内容 |
|---|---|
| 数据集 | NEU-DET 钢材表面缺陷数据集 |
| 模型 | YOLOv8n |
| 识别任务 | 龟裂、夹杂、斑块、点蚀表面、压入氧化皮和划痕六类缺陷 |
| 实验资料 | 训练参数、日志、权重与已有图表 |
| 应用端 | 桌面界面与浏览器操作界面 |
二、系统功能设计
2.1 登录与导航
系统提供登录与注册，侧栏组织图片、视频、摄像头、历史、模型和指标入口。不同账号分别保存检测记录。
2.2 图片检测与缺陷复核
上传钢材表面图像后，显示缺陷边界框、中文类别、置信度及类别统计。结合原图与检测明细，可以检查纹理中相近的异常区域，并查看页面提供的缺陷处置参考说明。
2.3 视频与摄像头检测
视频模块后台处理采样画面，展示进度，支持取消并导出标注视频。本文视频使用图片序列演示流程；摄像头界面用于连接浏览器设备与采样检测。
2.4 历史查询与文件导出
检测历史按账号保存，支持文件名搜索、类型筛选与结果回看。标注图片、检测明细 CSV 和历史 CSV 可以分别下载，便于整理不同输入的结果。
2.5 模型与参数管理
管理项目既有权重，设置置信度与 IoU 阈值等推理参数。检测结果与当前权重、参数关联，便于比较不同设置下的输出。
2.6 训练指标
页面读取真实日志，展示 Precision、Recall、mAP 及训练、验证损失。指标峰值与末轮数据分别标注，避免将不同轮次拼成一组结果。
三、技术栈
| 类别 | 技术及用途 |
|---|---|
| 编程语言 | Python、JavaScript |
| 深度学习框架 | PyTorch |
| 模型训练与推理 | Ultralytics YOLOv8 |
| 桌面界面 | PyQt6 |
| Web 服务 | FastAPI |
| Web 前端 | HTML、CSS、JavaScript |
| 图像与视频处理 | OpenCV、NumPy |
| 训练日志与离线绘图 | Matplotlib；CSV 训练记录 |
| 结果保存 | Web 独立目录中的账号、任务、历史与结果文件 |
四、项目结构
项目将训练代码、界面、模型产物和 Web 服务分别组织，主要目录如下：
c29/ ├─ assets/ ├─ core/ ├─ neu_det_data.yaml ├─ plot_train_results.py ├─ README.md ├─ requirements.txt ├─ run_ui.py ├─ screenshots/ ├─ tools/ ├─ train.py ├─ train_result/ ├─ ui/ └─ web/ ├─ backend/ # 服务接口与推理任务 ├─ frontend/ # 页面与交互 └─ data/ # Web 独立运行数据本文对应的训练日志位于train_result/exp/results.csv。 数据集按实际配置定位；浏览器端的运行结果独立保存在 Web 数据目录。
五、数据集说明
5.1 数据集与识别任务
项目使用NEU-DET 钢材表面缺陷数据集，面向龟裂、夹杂、斑块、点蚀表面、压入氧化皮和划痕六类缺陷。每个目标由类别与边界框共同描述，模型输出位置及对应预测分数。
5.2 数据规模与划分
以下数量按当前本机配套数据目录统计；所列划分对应本项目的数据组织。
| 数据划分 | 图像数量 |
|---|---|
| 训练集 | 1,770 |
| 验证集 | 30 |
| 合计 | 1,800 |
5.3 类别与标注格式
| 类别编号 | 类别名称 | 中文含义 |
|---|---|---|
| 0 | crazing | 龟裂 |
| 1 | inclusion | 夹杂 |
| 2 | patches | 斑块 |
| 3 | pitted_surface | 点蚀表面 |
| 4 | rolled-in_scale | 压入氧化皮 |
| 5 | scratches | 划痕 |
YOLO 标注按每行一个目标组织：
class_id center_x center_y width height中心点坐标与宽高采用相对图像尺寸的归一化值，图像与 TXT 标注按文件名对应。
六、模型训练过程
6.1 训练流程
训练代码由train.py组织，先读取图像、类别与划分，再加载预训练模型进行训练，并保留逐轮日志与已有权重。
- 按当前数据目录读取图像及对应标签。
- 将输入调整为实验配置的尺寸，并应用训练预处理。
- 加载基础模型，在对应类别上进行训练。
- 在验证阶段计算指标并保存日志及权重。
- 使用已有训练图表分析结果，并在系统中加载权重开展推理。
6.2 模型与训练参数
| 参数 | 本次记录 |
|---|---|
| 基础模型 | YOLOv8n |
| 配置轮数 | 100 |
| 日志实际轮数 | 100 |
| 输入尺寸 | 640 × 640 |
| Batch Size | 16 |
| 优化器配置 | auto |
| 预热轮数 | 3.0 |
| DataLoader Workers | 4 |
日志最后一行累计耗时为1,431.83 秒，约 23.9 分钟。 数据增强与学习率调度以本次参数记录和逐轮 CSV 为准；配置值与实际日志中的学习率分别读取。
6.3 训练产物
args.yaml：本次实验参数。results.csv：每一轮损失、检测指标和学习率。weights/：已保存的模型权重。- 训练图表：原始产物中的曲线、分布或评估图，见第八节。
七、训练结果与核心指标
7.1 最后一轮结果
以下为当前实验 CSV 的第100 轮验证结果：
| 指标 | 日志数值 | 百分比 |
|---|---|---|
| Precision | 0.74897 | 74.897% |
| Recall | 0.88631 | 88.631% |
| mAP@0.5 | 0.84935 | 84.935% |
| mAP@0.5:0.95 | 0.47914 | 47.914% |
7.2 各指标最高值
| 指标 | 最高值 | 对应轮次 |
|---|---|---|
| Precision | 0.79961 | 第 45 轮 |
| Recall | 0.88869 | 第 75 轮 |
| mAP@0.5 | 0.85979 | 第 86 轮 |
| mAP@0.5:0.95 | 0.50149 | 第 31 轮 |
单项峰值可能出现在不同轮次；末轮表用于查看同一轮完整结果，峰值表用于查看各指标在本次训练中的最高记录。
7.3 结果分析
末轮 Recall 高于 Precision，说明检出范围与误检控制需要结合场景权衡；细小纹理缺陷的定位仍可结合更严格的 mAP 和原图区域进行检查。
八、可视化图表说明
以下图片直接采用源码目录已有的训练产物，保留原始图表内容与数值。
8.1 训练与验证损失
展示图中对应的损失项随训练轮次的变化，结合训练与验证结果观察拟合情况。
8.2 训练与验证损失
展示图中对应的损失项随训练轮次的变化，结合训练与验证结果观察拟合情况。
8.3 训练与验证损失
展示图中对应的损失项随训练轮次的变化，结合训练与验证结果观察拟合情况。
8.4 学习率调度
展示实际日志中的学习率变化，辅助查看预热与衰减过程。
本项目为个人原创项目，配套源码、模型权重、训练资料和项目说明，可用于毕业设计、课程实践、简历展示及个人学习。有项目成品或定制需求，可以通过主页联系作者。
