YOLOv11齿轮缺陷分类识别(训练模型+数据集+界面)

YOLOv11齿轮缺陷分类识别

是针对齿轮制造与维护领域开发的高效自动化检测技术，依托YOLOv11目标检测算法，能实现对齿轮表面缺陷的高精度识别。以下是具体介绍：

文件与文件夹：

包含.idea、pycache、data、data_set、models、runs/train20、test 等文件夹，以及 best.pt、detector.py、main.py 等文件。最近提交信息显示 “训练了新的 yolo11 模型，完成了 test 测试脚本”

其他功能：提供保存搜索、与 Copilot 聊天、创建新内容等功能，还有反馈提交入口

• 技术原理：YOLOv11通过深度神经网络的多层级特征融合与自适应锚框优化技术，精准捕捉不同生产场景中各类齿轮缺陷目标的细节特征。同时，结合背景抑制与特征增强算法过滤齿轮表面油污、光影等无关信息，提升检测鲁棒性。此外，还运用先进的数据增强与自适应光线调节技术，以应对不同光照条件。

• 检测能力：可精准定位齿轮的“break（断裂）”“lack（断齿）”与“scratch（划痕）”等典型缺陷类型，也能对齿轮生产场景中的“hp_cm”“hp_cd”“kp”等缺陷目标进行准确识别并标记。
  

• 数据集情况：采用Pascal VOC与YOLO双格式标注，涵盖7000+张齿轮图像，标注框总数超1.6w个，确保了模型具有良好的泛化能力，可适应多种齿轮检测场景。

• 系统功能与应用场景：支持单张图像、视频流及实时摄像头画面检测，能满足不同场景的检测需求。可应用于机械制造质量把控、生产效率提升以及智能化生产线管理等领域，为生产线提供实时质量预警。

• 系统优势：相较于传统的齿轮缺陷检测方式，如人工检测或早期基于简单图像识别的检测工具，YOLOv11检测稳定性强，能适应复杂生产环境，精准识别各类缺陷目标，还可实时记录缺陷出现的位置和程度，极大地提高了检测效率和准确性，降低了漏检和误检率。
  

• 使用方法：首先根据官方框架ultralytics安装教程安装好YOLOv11环境，并安装好PyQt5。切换到安装的YOLOv11环境后，进入源码目录，执行“python main.py”即可运行启动界面，进行相应的检测操作。