項目介紹

項目中所用到的算法模型和數據集等信息如下：

算法模型：
? ? yolov8

? ? yolov8主要包含以下幾種創新：
? ? ? ? 1. 添加注意力機制（SE、CBAM等）
? ? ? ? 2. 修改可變形卷積（DySnake-主干c3替換、DySnake-所有c3替換）

數據集：
? ? 東北大學(NEU)表面缺陷數據集

以上是本套代碼的整體算法架構和對目標檢測模型的修改說明，這些模型修改可以為您的 畢設、作業等提供創新點和增強模型性能的功能 。

如果要是需要更換其他的檢測模型，請私信。

注：本項目提供所用到的所有資源，包含 環境安裝包、訓練代碼、測試代碼、數據集、視頻文件、 界面UI文件等。

如果需要yolov5版本的系統，見此鏈接：https://blog.csdn.net/qq_28949847/article/details/134492438

---

項目簡介

本文將詳細介紹如何使用深度學習中的YOLOv8算法實現對鋼材表面缺陷的檢測，并利用PyQt5設計了簡約的系統UI界面。在界面中，您可以選擇自己的視頻文件、圖片文件進行檢測。此外，您還可以更換自己訓練的yolov8模型，進行自己數據的檢測。

該系統界面優美，檢測精度高，功能強大。它具備多目標實時檢測，同時可以自由選擇感興趣的檢測目標。

本博文提供了完整的Python程序代碼和使用教程，適合新入門的朋友參考。您可以在文末的下載鏈接中獲取完整的代碼資源文件。以下是本博文的目錄：

效果展示：

功能：
1. 支持單張圖片識別
2. 支持遍歷文件夾識別
3. 支持識別視頻文件
4. 支持結果導出（xls、csv兩種格式）
5. 支持切換檢測到的目標

---

🌟一、環境安裝

本項目提供所有需要的環境安裝包（python、pycharm、cuda、torch等），可以直接按照視頻講解進行安裝。具體的安裝流程見此視頻：視頻鏈接
環境安裝視頻是以車牌項目為例進行講解的，但是可以適用于任何項目。

視頻快進到 3:18 - 21:17，這段時間講解的是環境安裝，可直接快進到此處觀看。

環境安裝包可通過百度網盤下載：
鏈接：https://pan.baidu.com/s/17SZHeVZrpXsi513D-6KmQw?pwd=a0gi
提取碼：a0gi
–來自百度網盤超級會員V6的分享

---

🌟二、數據集介紹

東北大學(NEU)表面缺陷數據集，收集了熱軋帶鋼6種典型的表面缺陷，即軋內垢(RS)、斑塊(Pa)、裂紋(Cr)、點蝕面(PS)、夾雜物(In)和劃痕(Sc)。該數據庫包括1800張灰度圖像：6種不同類型的典型表面缺陷各300個樣本。

下圖為6種典型表面缺陷的樣本圖像，每張圖像的原始分辨率為200×200像素。從圖中，我們可以清楚地觀察到類內缺陷在外觀上存在較大差異，例如劃痕(最后一列)可能是水平劃痕、垂直劃痕和傾斜劃痕等。與此同時，類間缺陷也具有相似的特征，如滾積垢、裂紋和坑狀表面。此外，由于光照和材料變化的影響，類內缺陷圖像的灰度會發生變化。總之，NEU表面缺陷數據庫包含兩個難題，即類內缺陷存在較大外觀差異，類間缺陷具有相似方面，缺陷圖像受到光照和材料變化的影響。

---

🌟三、 目標檢測介紹

yolov8相關介紹

YOLOv8 是一個 SOTA 模型，它建立在以前 YOLO 版本的成功基礎上，并引入了新的功能和改進，以進一步提升性能和靈活性。具體創新包括一個新的骨干網絡、一個新的 Ancher-Free 檢測頭和一個新的損失函數，可以在從 CPU 到 GPU 的各種硬件平臺上運行。

不過 ultralytics 并沒有直接將開源庫命名為 YOLOv8，而是直接使用 ultralytics 這個詞，原因是 ultralytics 將這個庫定位為算法框架，而非某一個特定算法，一個主要特點是可擴展性。其希望這個庫不僅僅能夠用于 YOLO 系列模型，而是能夠支持非 YOLO 模型以及分類分割姿態估計等各類任務。
總而言之，ultralytics 開源庫的兩個主要優點是：

• 融合眾多當前 SOTA 技術于一體

• 未來將支持其他 YOLO 系列以及 YOLO 之外的更多算法

網絡結構如下：

---

四、 yolov8訓練步驟

此代碼的訓練步驟極其簡單，不需要修改代碼，直接通過cmd就可以命令運行，命令都已寫好，直接復制即可，命令如下圖：

下面這條命令是 訓練 添加 CBAM 注意力機制的命令，復制下來，直接就可以運行，看到訓練效果。

python ./train.py --epochs 500 --cfg models/yolov5s-CBAM-2.yaml --hyp data/hyps/hyp.scratch-low.yaml --data data/coco_NEU-DET.yaml --weight weights/yolov5s.pt --workers 4 --batch 16

執行完上述命令后，即可完成訓練，訓練過程如下：

下面是對命令中各個參數的詳細解釋說明：

• python: 這是Python解釋器的命令行執行器，用于執行后續的Python腳本。

• ./train.py: 這是要執行的Python腳本文件的路徑和名稱，它是用于訓練目標檢測模型的腳本。

• --epochs 500: 這是訓練的總輪數（epochs），指定為500，表示訓練將運行500個輪次。

• --cfg models/yolov5s-CBAM-2.yaml: 這是YOLOv5模型的配置文件的路徑和名稱，它指定了模型的結構和參數設置。

• --hyp data/hyps/hyp.scratch-low.yaml: 這是超參數文件的路徑和名稱，它包含了訓練過程中的各種超參數設置，如學習率、權重衰減等。

• --data data/coco_NEU-DET.yaml: 這是數據集的配置文件的路徑和名稱，它指定了訓練數據集的相關信息，如類別標簽、圖像路徑等。

• --weight weights/yolov5s.pt: 這是預訓練權重文件的路徑和名稱，用于加載已經訓練好的模型權重以便繼續訓練或進行遷移學習。

• --workers 4: 這是用于數據加載的工作進程數，指定為4，表示使用4個工作進程來加速數據加載。

• --batch 16: 這是每個批次的樣本數，指定為16，表示每個訓練批次將包含16個樣本。

通過運行上面這個命令，您將使用YOLOv5模型對目標檢測任務進行訓練，訓練500個輪次，使用指定的配置文件、超參數文件、數據集配置文件和預訓練權重。同時，使用4個工作進程來加速數據加載，并且每個訓練批次包含16個樣本。

---

五、 yolov8評估步驟

評估步驟同訓練步驟一樣，執行1行語句即可，注意--weights需要變為自己想要測試的模型路徑。

python ./val.py --data  data/coco_NEU-DET.yaml --weights ../weights/yolov5s.yaml/weights/best.pt

評估結果如下：

---

六、 訓練結果

我們每次訓練后，會在 run/train 文件夾下出現一系列的文件，如下圖所示：

---

🌟下載鏈接

? ?該代碼采用Pycharm+Python3.8開發，經過測試能成功運行，運行界面的主程序為main.py，提供用到的所有程序。為確保程序順利運行，請按照requirements.txt配置Python依賴包的版本。Python版本：3.8，為避免出現運行報錯，請勿使用其他版本，詳見requirements.txt文件；

? ? 若您想獲得博文中涉及的實現完整全部程序文件（包括訓練代碼、測試代碼、訓練數據、測試數據、視頻，py、 UI文件等，如下圖），這里已打包上傳至博主的面包多平臺，可通過下方項目講解鏈接中的視頻簡介部分下載，完整文件截圖如下：

項目演示講解鏈接：B站