YOLO-v8木材缺陷检测系统

YOLO-WDD 木材缺陷检测系统

系统介绍

YOLO-WDD是基于改进型特征提取器和增强小目标检测能力的YOLOv8优化模型，专为木材缺陷检测设计。

环境配置指南（Windows 10 + NVIDIA RTX A2000）

基础软件安装

1. 安装Anaconda3 2024.06-1 (Python 3.12.4 64位版)
2. 安装Git-2.26.2-64位版本
3. 配置GPU驱动程序
4. 安装CUDA 12.8及对应版本的CUDNN 8.9.7

环境搭建步骤

# 创建conda环境
conda create -n yolov8 python=3.10

# 激活环境
activate yolov8

# 建立项目目录
E:
mkdir yolov8-gpu

# 安装PyTorch GPU版
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# 安装ultralytics
pip install ultralytics

类别

live knot
dead knot
knot with crack
crack
resin
knot missing
marrow
活节(Live knot) - 与周围木材组织紧密连接的树节

死节(Dead knot) - 与周围木材分离的松脱树节

裂纹节(Knot with crack) - 带有放射状裂纹的树节

裂纹(Crack) - 木材表面的线性开裂

树脂囊(Resin) - 含有树脂的囊状空隙

缺节(Knot missing) - 节子脱落后形成的孔洞

髓心(Marrow) - 木材中心部位的疏松组织

数据集配置

1. 数据集大小9.41GB，存储于Google Drive（链接见wood defect dataset文件夹）
2. 目录结构要求：

# wood-defect.yaml示例
path: E:\yolov8-gpu\dataset\wood-defect-dataset
train: images\train
val: images\val 
test: images\test

names: ['活节', '死节', '裂纹节', '裂纹', '树脂囊', '缺节', '髓心']

模型训练与测试

YOLO-WDD模型

# 训练命令
yolo detect train model=YOLO-WDD.yaml data=dataset\wood-defect.yaml imgsz=640 workers=8 batch=8 device=0 epochs=300 line_thickness=2 patience=300

# 测试命令
yolo detect predict model=YOLO-WDD-best.pt source="E:\yolov8-gpu\dataset\wood-defect-dataset\images\test" save=True

YOLOv8n基准模型

# 训练命令
yolo detect train model=yolov8n.yaml data=dataset\wood-defect.yaml imgsz=640 workers=8 batch=8 device=0 epochs=300 line_thickness=2 patience=300

# 测试命令
yolo detect predict model=YOLOv8n-best.pt source="E:\yolov8-gpu\dataset\wood-defect-dataset\images\test" save=True

YOLOv10n模型

# 训练命令
yolo detect train model=yolov10n.yaml data=dataset\wood-defect.yaml imgsz=640 workers=8 batch=8 device=0 epochs=300 patience=300 project=results name=yolov10n-batch8-epochs300 amp=True

# 测试命令
yolo detect predict model=YOLOv10n-best.pt source=assets

YOLOv7-tiny模型

# 训练命令
python train.py --img 640 --batch 8 --epochs 300 --data dataset/wood-defect.yaml --cfg yolov7-tiny.yaml --weights yolov7-tiny.py --device 0 --workers 8

# 测试命令
python detect.py --weights YOLOv7-tiny-best.pt source E:\yolov8-gpu\dataset\wood-defect-dataset\images\test

Jetson Nano部署方案

硬件配置

• Maxwell架构GPU
• 四核ARM Cortex-A57处理器
• 4GB LPDDR4内存

系统安装

1. 使用balenaEtcher将JetPack 4.4镜像写入microSD卡
2. 插入Jetson Nano启动安装
3. 完成系统初始化设置后，通过终端执行YOLO模型性能测试配置

注：Google Colab测试环境配置详见项目中的Google Colab Notebook文件夹