基於 YOLOv8 的焊接表面缺陷檢測｜完整源碼數據集+PyQt5界面+完整訓練流程+開箱即用！詳情 - 機器學習,深度學習逐夢AI 博客

基於 YOLOv8 的焊接表面缺陷檢測｜完整源碼數據集+PyQt5界面+完整訓練流程+開箱即用！

源碼包含：完整YOLOv8訓練代碼+數據集(帶標註)+權重文件+直接可允許檢測的yolo檢測程序+直接部署教程/訓練教程

源碼在文末嗶哩嗶哩視頻簡介處獲取。

nc: 3
names: [
  '焊接不良',
  '焊接良好',
  '焊接缺陷'
]

項目摘要

本項目結合 YOLOv8 檢測模型 與 PyQt5 圖形界面工具，實現了焊接表面缺陷的自動檢測與分類。數據集包含三類標註：焊接不良、焊接良好、焊接缺陷，均採用 YOLO 格式標註，可直接用於訓練。

項目特點：

數據驅動：數據集經過嚴格劃分，包括訓練集、驗證集和測試集，保證模型訓練與評估的科學性。
全流程覆蓋：從數據準備、模型訓練、推理測試到可視化界面展示，一應俱全。
易於擴展：用户可替換數據集或增加檢測類別，快速適配新的工業檢測需求。

通過本項目，開發者可以快速構建高精度焊縫檢測系統，實現生產線焊接質量的自動監控與缺陷報警，為工業智能製造提供強大技術支撐。

前言

隨着工業自動化和智能製造的發展，焊接質量檢測成為保證產品性能和安全的重要環節。傳統人工檢測存在效率低、主觀性強、成本高等問題，而基於深度學習的自動化檢測系統，可以實現高精度、低成本、實時化的焊接缺陷識別。

本項目利用 YOLOv8 的高性能目標檢測能力，結合 PyQt5 的可視化界面，實現了一個完整、開箱即用的焊接缺陷檢測方案。無論是學術研究還是工業應用，都能快速上手並進行二次開發。

一、軟件核心功能介紹及效果演示

本項目數據集包含千張焊接表面圖片，按照訓練集、驗證集和測試集劃分，三類標註如下：

nc: 3
names: [
  '焊接不良',
  '焊接良好',
  '焊接缺陷'
]

焊接不良：存在明顯缺陷，如焊縫斷裂、氣孔等
焊接良好：焊縫平整、無明顯瑕疵
焊接缺陷：輕微缺陷或局部異常，可作為輔助判斷

數據集可直接用於 YOLOv8 模型訓練，標註格式完全兼容 YOLO 框架。

二、軟件效果演示

為了直觀展示本系統基於 YOLOv8 模型的檢測能力，我們設計了多種操作場景，涵蓋靜態圖片、批量圖片、視頻以及實時攝像頭流的檢測演示。

（1）單圖片檢測演示

用户點擊“選擇圖片”，即可加載本地圖像並執行檢測：

（2）多文件夾圖片檢測演示

用户可選擇包含多張圖像的文件夾，系統會批量檢測並生成結果圖。

（3）視頻檢測演示

支持上傳視頻文件，系統會逐幀處理並生成目標檢測結果，可選保存輸出視頻：

（4）攝像頭檢測演示

實時檢測是系統中的核心應用之一，系統可直接調用攝像頭進行檢測。由於原理和視頻檢測相同，就不重複演示了。

（5）保存圖片與視頻檢測結果

用户可通過按鈕勾選是否保存檢測結果，所有檢測圖像自動加框標註並保存至指定文件夾，支持後續數據分析與複審。

三、模型的訓練、評估與推理

YOLOv8是Ultralytics公司發佈的新一代目標檢測模型，採用更輕量的架構、更先進的損失函數（如CIoU、TaskAlignedAssigner）與Anchor-Free策略，在COCO等數據集上表現優異。
其核心優勢如下：

高速推理，適合實時檢測任務
支持Anchor-Free檢測
支持可擴展的Backbone和Neck結構
原生支持ONNX導出與部署

3.1 YOLOv8的基本原理

YOLOv8 是 Ultralytics 發佈的新一代實時目標檢測模型，具備如下優勢：

速度快：推理速度提升明顯；
準確率高：支持 Anchor-Free 架構；
支持分類/檢測/分割/姿態多任務；
本項目使用 YOLOv8 的 Detection 分支，訓練時每類表情均標註為獨立目標。

YOLOv8 由Ultralytics 於 2023 年 1 月 10 日發佈，在準確性和速度方面具有尖端性能。在以往YOLO 版本的基礎上，YOLOv8 引入了新的功能和優化，使其成為廣泛應用中各種物體檢測任務的理想選擇。

YOLOv8原理圖如下：

3.2 數據集準備與訓練

採用 YOLO 格式的數據集結構如下：

dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/

每張圖像有對應的 .txt 文件，內容格式為：

4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757

分類包括（可自定義）：

3.3. 訓練結果評估

訓練完成後，將在 runs/detect/train 目錄生成結果文件，包括：

results.png：損失曲線和 mAP 曲線；
weights/best.pt：最佳模型權重；
confusion_matrix.png：混淆矩陣分析圖。

若 mAP@0.5 達到 90% 以上，即可用於部署。

在深度學習領域，我們通常通過觀察損失函數下降的曲線來評估模型的訓練狀態。YOLOv8訓練過程中，主要包含三種損失：定位損失（box_loss）、分類損失（cls_loss）和動態特徵損失（dfl_loss）。訓練完成後，相關的訓練記錄和結果文件會保存在runs/目錄下，具體內容如下：

3.4檢測結果識別

使用 PyTorch 推理接口加載模型：

import cv2
from ultralytics import YOLO
import torch
from torch.serialization import safe_globals
from ultralytics.nn.tasks import DetectionModel

# 加入可信模型結構
safe_globals().add(DetectionModel)

# 加載模型並推理
model = YOLO('runs/detect/train/weights/best.pt')
results = model('test.jpg', save=True, conf=0.25)

# 獲取保存後的圖像路徑
# 默認保存到 runs/detect/predict/ 目錄
save_path = results[0].save_dir / results[0].path.name

# 使用 OpenCV 加載並顯示圖像
img = cv2.imread(str(save_path))
cv2.imshow('Detection Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

預測結果包含類別、置信度、邊框座標等信息。

四.YOLOV8+YOLOUI完整源碼打包

本文涉及到的完整全部程序文件：包括python源碼、數據集、訓練代碼、UI文件、測試圖片視頻等（見下圖），獲取方式見【4.2 完整源碼下載】：

4.1 項目開箱即用

作者已將整個工程打包。包含已訓練完成的權重，讀者可不用自行訓練直接運行檢測。

運行項目只需輸入下面命令。

python main.py

讀者也可自行配置訓練集，或使用打包好的數據集直接訓練。

自行訓練項目只需輸入下面命令。

yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001

4.2 完整源碼

至項目實錄視頻下方獲取：

嗶哩嗶哩視頻演示：https://www.bilibili.com/video/BV1NrkiBJEcH/

包含：

📦完整項目源碼

📦 預訓練模型權重

🗂️ 數據集地址（含標註腳本）

總結

本項目基於 YOLOv8 深度學習目標檢測模型，結合 PyQt5 圖形界面，實現了一個完整的焊接表面缺陷檢測系統。通過實際演示可以看出，該系統能夠對單張圖片、批量圖片、視頻以及實時攝像頭流進行高精度檢測，並自動標註缺陷位置和類別，支持檢測結果的保存和複查，為工業生產線提供了高效、智能化的焊接質量監控手段。

項目的核心亮點包括：