深度学习yolov8模型目标检测算法处理训练工业类电焊缺陷数据集识别检测焊接焊缝缺陷检测数据集建立基于深度学习的yolov8焊接焊点焊缝缺陷检测

最新推荐文章于 2025-10-20 09:02:11 发布

原创最新推荐文章于 2025-10-20 09:02:11 发布 · 1k 阅读

17 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #YOLO #目标检测

图像处理同时被 3 个专栏收录

3 篇文章

订阅专栏

模型训练

3 篇文章

订阅专栏

Yolo

2 篇文章

订阅专栏

深度学习yolov8模型处理训练工业类电焊缺陷数据集识别检测焊接焊缝缺陷检测数据集建立基于深度学习的yolov8焊接焊点焊缝缺陷检测
文章目录

            🔧 焊接焊缝缺陷检测数据集分类（ 5 类）
            一、环境准备
            二、数据组织
            三、创建 `data.yaml` 文件
            四、模型训练
            五、模型验证与性能评估
            六、单图推理 + 结果可视化
            七、批量推理并保存结果
            一、加载训练好的模型
            二、推理与结果可视化
                单张图片推理
                批量图片推理并保存结果
            三、构建用户界面
            四、Web应用部署

以下文字及代码仅供参考。

焊接焊缝缺陷检测数据集

1400 5类缺陷
相邻缺陷：凝固的小液滴，局部熔化
完整性缺陷：异物，小孔，焊穿，凸起，焊接产生废料
几何缺陷：凹陷，熔合不够
处理后缺陷：加工后损伤，加工后留下异物

未焊接好缺陷：未焊透，未熔合大面积
🔧 焊接焊缝缺陷检测数据集分类（ 5 类）
主类别编号    主类别名称    子类缺陷类型    示例说明
1    相邻缺陷    - 凝固的小液滴
- 局部熔化    焊接过程中飞溅、局部过热造成的不规则附着或熔融状态
2    完整性缺陷    - 异物
- 小孔
- 焊穿
- 凸起
- 焊接产生废料    表示焊缝结构不完整，存在空洞、杂质或多余材料
3    几何缺陷    - 凹陷
- 熔合不够    形状尺寸异常，如焊缝凹陷、两侧未充分融合
4    处理后缺陷    - 加工后损伤
- 加工后留下异物    焊后处理不当导致的新缺陷或残留物
5    未焊接好缺陷    - 未焊透
- 未熔合大面积    焊接未完成，母材未完全融合，影响强度和密封性

yolo格式txt标签，yolo

YOLOv8训练焊接焊缝缺陷检测数据集，基于训练好的权重进行推理。从环境准备、数据组织、模型训练到推理的完整流程。
一、环境准备

首先确保安装了必要的Python包：

pip install ultralytics opencv-python matplotlib numpy

bash

二、数据组织

确保你的数据集按照以下结构组织：

welding_defect_dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/
└── data.yaml

images/train/ 和 labels/train/ 分别存放训练图像及其对应的标签文件。
images/val/ 和 labels/val/ 分别存放验证图像及其对应的标签文件。

每个图像都需要有一个对应的.txt文件，格式为：class_id center_x center_y width height，所有坐标归一化到[0,1]。
三、创建 data.yaml 文件

在项目根目录下创建 data.yaml 文件，内容如下：

train: ./welding_defect_dataset/images/train
val: ./welding_defect_dataset/images/val

nc: 5
names: ['Adjacent_Defect', 'Integrity_Defect', 'Geometric_Defect', 'Post_Process_Defect', 'Unwelded_Defect']

yaml

四、模型训练

使用YOLOv8进行模型训练的代码示例如下：

from ultralytics import YOLO

# 加载YOLOv8模型架构配置或预训练模型
model = YOLO('yolov8s.yaml') # 根据需求选择不同大小的模型如'n', 'm', 'l', 'x'

# 开始训练
results = model.train(
    data='./welding_defect_dataset/data.yaml',
    epochs=100, # 可以根据需要调整epoch数
    imgsz=640,
    batch=16,
    name='welding_defect_train',
    project='runs/welding_defect',
    exist_ok=True,
    device=0 if torch.cuda.is_available() else 'cpu'
)

# 保存最佳权重
best_weights_path = model.save('./welding_defect_best.pt')
print(f"Best weights saved to {best_weights_path}")

python
运行

五、模型验证与性能评估

训练完成后，可以使用以下代码来评估模型在验证集上的表现：

from ultralytics import YOLO

# 加载训练好的模型
model = YOLO('./welding_defect_best.pt')

# 在验证集上评估
metrics = model.val()

# 打印关键指标
print(f"mAP@0.5:0.95: {metrics.box.map:.4f}")
print(f"mAP@0.5: {metrics.box.map50:.4f}")
print(f"Recall: {metrics.box.recall.mean():.4f}")
print(f"Precision: {metrics.box.precision.mean():.4f}")

python
运行

六、单图推理 + 结果可视化

下面是如何对单张图片进行推理并显示结果：

from ultralytics import YOLO
import cv2

def detect_and_show(image_path):
model = YOLO('./welding_defect_best.pt')

    results = model.predict(source=image_path, conf=0.25)

    for result in results:
        im_array = result.plot()
        im = cv2.cvtColor(im_array, cv2.COLOR_RGB2BGR)
        cv2.imshow("Detection Result", im)
        cv2.waitKey(0)
        cv2.destroyAllWindows()

# 测试一张图片
detect_and_show('path/to/test_image.jpg')

python
运行

七、批量推理并保存结果

如果需要对一批图片进行推理并将结果保存：

from ultralytics import YOLO

model = YOLO('./welding_defect_best.pt')

# 批量处理指定文件夹下的图片，并保存结果
model.predict(
    source='./welding_defect_dataset/images/val',
    save=True,
    project='runs/welding_defect/predictions',
    name='val_results',
    conf=0.25
)

python
运行

一、加载训练好的模型

首先，已经完成了模型的训练，并保存了最佳权重（例如 welding_defect_best.pt）。接下来同学，使用这些权重来初始化模型并进行推理。

from ultralytics import YOLO

# 加载训练好的YOLOv8模型
model = YOLO('path/to/welding_defect_best.pt')

python
运行

二、推理与结果可视化
单张图片推理

下面是如何对单张图片进行推理并显示结果：

import cv2

def detect_and_show(image_path):
    # 使用模型进行预测
    results = model.predict(source=image_path, conf=0.25)

    for result in results:
        # 将结果绘制成图像
        im_array = result.plot() # 绘制边界框和标签
        im = cv2.cvtColor(im_array, cv2.COLOR_RGB2BGR) # 转换颜色空间以便于显示
        cv2.imshow("Detection Result", im)
        cv2.waitKey(0)
        cv2.destroyAllWindows()

# 测试一张图片
detect_and_show('path/to/test_image.jpg')

python
运行

批量图片推理并保存结果

想要批量处理图片并将结果保存下来：

# 批量处理指定文件夹下的图片，并保存结果
model.predict(
    source='path/to/images/folder',
    save=True,
    project='runs/detect/predictions', # 结果保存路径
    name='batch_results',
    conf=0.25
)

python
运行

三、构建用户界面

为了使系统更加用户友好，可以考虑构建一个简单的图形用户界面（GUI），让用户能够轻松上传图片或视频进行检测。这里以PyQt5为例：

import sys
from PyQt5.QtWidgets import QApplication, QMainWindow, QLabel, QVBoxLayout, QWidget, QPushButton, QFileDialog
from PyQt5.QtGui import QPixmap
import cv2
from PyQt5.QtCore import Qt

class WeldingDefectDetectionApp(QMainWindow):
    def __init__(self):
        super().__init__()

        self.setWindowTitle("Welding Defect Detection System")
        self.setGeometry(100, 100, 800, 600)

        layout = QVBoxLayout()

        self.image_label = QLabel(self)
        layout.addWidget(self.image_label)

        self.upload_button = QPushButton("Upload Image", self)
        self.upload_button.clicked.connect(self.upload_image)
        layout.addWidget(self.upload_button)

        container = QWidget()
        container.setLayout(layout)
        self.setCentralWidget(container)

    def upload_image(self):
        options = QFileDialog.Options()
        file_name, _ = QFileDialog.getOpenFileName(self, "QFileDialog.getOpenFileName()", "",
                                                    "Images (*.png *.xpm *.jpg)", options=options)
        if file_name:
            self.detect_and_display(file_name)

    def detect_and_display(self, image_path):
        results = model.predict(source=image_path, conf=0.25)
        for result in results:
            im_array = result.plot()
            im = cv2.cvtColor(im_array, cv2.COLOR_RGB2BGR)
            height, width, channel = im.shape
            bytes_per_line = 3 * width
            q_img = QPixmap.fromImage(QImage(im.data, width, height, bytes_per_line, QImage.Format_RGB888).rgbSwapped())
            self.image_label.setPixmap(q_img.scaled(self.image_label.size(), aspectRatioMode=Qt.KeepAspectRatio))

if __name__ == '__main__':
    app = QApplication(sys.argv)
    mainWin = WeldingDefectDetectionApp()
    mainWin.show()
    sys.exit(app.exec_())

python
运行

四、Web应用部署

这个系统作为Web服务提供给用户，可以使用Flask框架来快速搭建一个API接口。

from flask import Flask, request, jsonify
from ultralytics import YOLO
import cv2
import numpy as np
from PIL import Image
import io
import base64

app = Flask(__name__)
model = YOLO('path/to/welding_defect_best.pt')

@app.route('/predict', methods=['POST'])
def predict():
    file = request.files['image']
    img_bytes = file.read()
    img = Image.open(io.BytesIO(img_bytes))

    results = model.predict(source=img, conf=0.25)
    for result in results:
        im_array = result.plot()
        im = Image.fromarray(cv2.cvtColor(im_array, cv2.COLOR_BGR2RGB))

        img_byte_arr = io.BytesIO()
        im.save(img_byte_arr, format='PNG')
        img_byte_arr = img_byte_arr.getvalue()

        return jsonify({"status": "success", "result": base64.b64encode(img_byte_arr).decode('utf-8')}), 200

if __name__ == '__main__':
app.run(debug=True)

python
运行