使用YOLOv12进行钢板表面缺陷检测

原创 已于 2025-08-14 11:26:32 修改 · 181 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#YOLO

于 2025-08-14 11:21:54 首次发布
部署运行你感兴趣的模型镜像

前期使用YOLO11对钢板表面的六种缺陷进行了模型训练，结果可以查看之前的文章：https://blog.youkuaiyun.com/mx9818/article/details/149596196

我们使用同样的数据集，使用YOLOv12模型进行了训练，结果如下。

训练结果

使用YOLOv12n模型训练结果

请添加图片描述

使用YOLOv12s模型训练结果

请添加图片描述

您可能感兴趣的与本文相关的镜像

Yolo-v5

Yolo-v5

Yolo

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎

【表面缺陷检测】基于yolov7的钢板表面缺陷检测(附代码)
学无止境、积少成多、厚积薄发
10-17 3181
项目实操：基于yolov7的钢板表面缺陷检测(附代码)
【表面缺陷检测】基于yolov7的钢板表面缺陷检测(附代码和数据集，Ubuntu系统)
学无止境、积少成多、厚积薄发
10-14 4127
今天手把手带大家做一个深度学习实战项目：基于yolov7的钢板表面缺陷检测(Ubuntu系统)
基于YOLOv5的钢板表面缺陷检测：源码、数据集及训练权重解析
07-29
内容概要：本文介绍了基于YOLOv5的钢板表面缺陷检测系统，涵盖了从模型选择、数据准备、模型训练到实际应用的全过程。文中详细解释了YOLOv5模型的特点及其在目标检测领域的优势，并提供了包含夹杂、划痕、压入氧化皮、裂纹、麻点、斑块六种常见缺陷的高质量数据集。此外，还分享了完整的源码，帮助用户理解和复现整个流程。通过数据增强技术和超参数优化，模型的泛化能力和准确性得到了显著提高。最后，展示了具体的缺陷检测实例，演示了如何利用训练好的权重文件进行实时检测。 适合人群：从事工业制造、机器视觉、深度学习研究的技术人员，尤其是对钢板质量检测感兴趣的开发者。 使用场景及目标：适用于需要高效、精准检测钢板表面缺陷的工业环境。主要目标是提高检测速度和精度，减少人工检测的成本和误差。 其他说明：本文不仅提供理论和技术细节，还包括实用的代码示例，便于读者直接应用于实际项目中。
YOLOv12 训练结果如何评估？实测best.pt
darcsdn
04-07 719
另外也可以查看训练的各种维度的曲线图，bounding box，分类，还有平均精度等等，只要接近收敛到比较小，以及train和val差别不是很离谱，都算正常。Recall曲线，召回率，TP/TP+FN，实际为P样本中T的比例（为什么是TP+FN，因为不是判断对了就是判断错了，也可以是TN/TN+FP）有两个手的，虽然识别正确，但置信度就差了很多，并且左侧有识别错误的bbox和类别，因为样本中都是单个手。Precision曲线，置信度越高，精确率越高，TP/TP+FP，表示预测的精确率。
YOLOv12 正式发布 | 检测效果超越YOLO11！！
qq_40716944的博客
02-20 5969
提升YOLO框架的网络架构一直至关重要，尽管注意力机制在建模能力方面已被证明具有优越性，但长期以来一直专注于基于CNN的改进。这是因为基于注意力的模型无法与基于CNN的模型的速度相匹配。本文提出了一种以注意力为中心的YOLO框架，即YOLOv12，该框架在匹配先前基于CNN的模型速度的同时，利用了注意力机制的性能优势。YOLOv12在准确率上超越了所有流行的实时目标检测器，同时保持了有竞争力的速度。
使用YOLOv13进行钢板表面缺陷检测
mx9818的博客
08-14 666
本文在前期采用YOLO11和YOLOv12模型进行钢板表面六种缺陷检测的基础上，进一步使用相同数据集训练了YOLOv13模型。实验结果显示，YOLOv13n和YOLOv13s两种变体模型均取得了良好的训练效果，相关性能指标通过图表展示。该研究为工业质检领域提供了新的目标检测解决方案，验证了YOLOv13模型在钢板缺陷检测任务中的适用性。
【表面缺陷检测】基于yolov5的钢板表面缺陷检测(附代码和数据集，Ubuntu系统)
学无止境、积少成多、厚积薄发
05-10 2248
【表面缺陷检测】基于yolov5的钢板表面缺陷检测(附代码和数据集，Ubuntu系统)
基于YOLOv5的钢材表面缺陷检测
m0_49800270的博客
06-14 1005
意思就是，当我设置置信度为某一数值的时候，各个类别识别的准确率。可以看到，当置信度越大的时候，类别检测的越准确。这也很好理解，只有confidence很大，才被判断是某一类别。但也很好想到，这样的话，会漏检一些置信度低的类别。但我们希望我们的网络，在准确率很高的前提下，尽可能的检测到全部的类别。所以希望我们的曲线接近（1，1）点，即希望mAP曲线的面积尽可能接近1。mAP 是 Mean Average Precision 的缩写，即 均值平均精度。3、下载权重模型，我选择的是。第七类inclusion类。
【表面缺陷检测】基于yolov5的钢板表面缺陷检测(附代码和数据集，Windows系统)
学无止境、积少成多、厚积薄发
05-11 2162
基于yolov5的钢板表面缺陷检测(附代码和数据集，Windows系统)
基于yolov5的钢铁表面缺陷检测系统，支持图像检测，视频检测和实时摄像检测功能（pytorch框架，python源码）
蓝博AI的博客
10-23 769
基于yolov5的钢铁表面缺陷检测系统是在pytorch框架下实现的，这是一个完整的项目，包括代码，数据集，训练好的模型权重，模型训练记录，ui界面等。ui界面由pyqt5设计实现。
基于YOLOv5的钢板表面缺陷检测技术及实现
08-27
内容概要：本文介绍了一种基于YOLOv5模型的钢板表面缺陷检测方法，涵盖夹杂、划痕、压入氧化皮、裂纹、麻点、斑块六种常见缺陷。文章详细阐述了YOLOv5模型的原理、数据集构建、源码实现、模型训练过程以及训练好的...
基于Yolov5的钢板表面缺陷检测研究：涵盖源码、数据集及预训练权重文件，识别六种缺陷类型,基于Yolov5的钢板表面缺陷检测：涵盖源码、数据集及预训练权重文件，六种缺陷类型全面识别,基于yolov5
02-19
基于Yolov5的钢板表面缺陷检测研究：涵盖源码、数据集及预训练权重文件，识别六种缺陷类型,基于Yolov5的钢板表面缺陷检测：涵盖源码、数据集及预训练权重文件，六种缺陷类型全面识别,基于yolov5的钢板表面缺陷检测...
基于Yolov5的钢板表面缺陷检测研究：涵盖源码、数据集及预训练权重文件，识别六种缺陷类型,基于yolov5的钢板表面缺陷检测（包含源码和数据集以及训练好的权重文件） 夹杂、划痕、压入氧化皮、裂纹、麻
01-20
随着深度学习技术的发展，基于Yolov5的钢板表面缺陷检测系统成为行业关注的焦点。Yolov5是一种先进的目标检测算法，它能够快速准确地识别图像中的多个对象，并且适用于实时应用场景。在这一背景下，研究者们开发了...
自训练yolo模型自主学习性能持续提升思路
varda8899的博客
12-25 528
能力实现方式自主发现未知样本不确定性评估（置信度 + 一致性）获取新知识人工标注 + 伪标签越用越聪明增量训练 + 旧数据回放防遗忘混合训练 + 小学习率 + 知识蒸馏（可选）✅当前最可行路径YOLOv8 + 主动学习（人工审核不确定样本） + 增量训练—— 这已在工业质检、安防监控等场景落地。
珊瑚形态识别与分类：基于YOLOv8-EfficientHead的14种珊瑚生长形态自动检测系统
Loacnasfhia9的博客
12-25 977
本研究基于改进EfficientHead的YOLOv8珊瑚形态检测算法，构建了能够识别14种珊瑚生长形态的自动检测系统，为珊瑚礁生态监测和保护提供了高效、准确的技术手段 🌟。该研究不仅有助于推动计算机视觉技术在海洋生态保护领域的应用，也为珊瑚礁生态系统的科学管理和保护决策提供了数据支撑，具有重要的理论意义和应用价值 💎。通过持续的技术创新和应用实践，我们期待这一系统能够为全球珊瑚礁保护事业贡献力量，助力海洋生态系统的可持续发展 🌍。相关资源获取| |视频教程更多研究。
YOLO11-CGAFusion融合方法在轮胎缺陷检测中的应用与实践详解
Aninier96933t的博客
12-22 631
本文提出了一种基于YOLO11-CGAFusion融合方法的轮胎缺陷检测技术，通过结合YOLOv11和跨模态注意力机制，有效提升了检测精度。实验表明，该方法在测试集上达到93.8%的mAP，相比基线模型提高了2.3个百分点，同时保持38FPS的实时检测速度。消融实验验证了CGA模块在特征融合中的有效性。该技术已成功部署到工业生产线，通过模型量化等优化策略，在边缘设备上实现了高效检测，为轮胎质量检测提供了可靠的解决方案。
低成本AI导盲眼镜技术实现：基于ESP32与YOLO的盲道及障碍物检测系统
weixin_42300449的博客
12-24 31
虽然作为原型，它在稳定性、功耗和穿戴设计上仍有巨大优化空间，但为未来开发更实用、普惠的辅助设备提供了明确的技术路径和开源参考。本项目旨在开发一套成本低于150元的智能导盲辅助系统，核心由搭载AI模型的ESP32硬件与基于YOLO的视觉分析软件组成。：建议使用单节3.7V锂电池配合TP4056充电升压模块，为整个系统提供稳定的5V电源，确保摄像头和语音模块正常工作。硬件是整个系统的感知与控制基石，其选型直接决定了成本、功耗与性能的平衡。：为追求更低的延迟，可以探索在ESP32-S3上直接部署量化后的。
YOLO11-4K：面向4K全景图像的高效实时检测框架，CVIP360数据集开
最新发布
Coovally_AI的博客
12-26 689
在CVIP360数据集上的实验表明，YOLO11-4K实现了显著的速度提升，将推理时间减少了近75%，同时保持了强大的检测性能，为360°环境展示了精度与效率之间的有效平衡——由于极端畸变和高分辨率处理的需求，这些环境仍然特别具有挑战性。在整个测试集中，总共检测到1,604个物体，平均尺寸为28.9 × 133.2像素，这证实了模型在高分辨率4K全景图像中进行小目标检测的强大能力，并补充了关于遮挡和极微小物体检测的定性示例。图3展示了YOLO11-4K在室内和室外4K全景场景上的定性检测结果。
医疗CT扫描设备与人员识别系统_YOLOv8-GFPN模型优化应用
Boll0966000的博客
12-22 899
本文介绍了一种基于YOLOv8-GFPN模型的医疗CT扫描设备人员识别系统优化方案。针对CT室安全管理需求，该系统通过改进特征金字塔网络、优化损失函数和学习率调度策略，显著提升了识别精度和实时性。实验结果显示，优化后的模型mAP达到92.1%，体积减小37%，推理速度提升至48FPS。该系统已在多家医院成功部署，有效减少了95%的非授权进入事件，提高了医疗安全性。未来将进一步优化模型轻量化，拓展更多医疗场景应用。
yolov12钢材表面缺陷检测
03-15
### 使用YOLOv12实现钢材表面缺陷检测 #### 方法概述 YOLO系列算法因其高效性和准确性，在工业领域得到了广泛应用。对于钢材表面缺陷检测的任务，可以采用YOLOv12作为核心模型进行开发。相比于传统的YOLO版本，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值