基于yolov8的铝片缺陷检测系统 数据集共1400张，按照8：2划分训练集和验证集 包含四类缺陷：zhen_kong，ca_shang，zang_wu，zhe_zhou 有xml标签和txt标签，也可以用于yolo训练 yolov8训练完成，pyqt5设计了缺陷检测界面 注：电子资料 不退不换

最近，我完成了一个基于 YOLOv8 的铝片缺陷检测系统，今天就来和大家分享一下这个项目的开发过程，包括数据集处理、模型训练以及界面设计等方面。

数据集准备

首先是数据集，这次使用的数据集包含 1400 张铝片图片，里面涵盖了四类缺陷，分别是“zhenkong”（真空缺陷）、“cashang”（擦伤）、“zangwu”（污渍）和“zhezhou”（褶皱）。有了数据，我们得把它划分成训练集和验证集，按照 8:2 的比例来划分是比较常见的做法，这样既能保证模型有足够的数据进行学习，又能有一部分数据来验证模型的泛化能力。

下面是划分数据集的 Python 代码：

import os
import random
from shutil import copyfile

# 数据集总目录
data_dir = 'path/to/your/dataset'
# 训练集和验证集保存目录
train_dir = 'path/to/train'
val_dir = 'path/to/val'

# 创建训练集和验证集目录
if not os.path.exists(train_dir):
    os.makedirs(train_dir)
if not os.path.exists(val_dir):
    os.makedirs(val_dir)

# 获取所有图片文件
image_files = [f for f in os.listdir(data_dir) if f.endswith('.jpg') or f.endswith('.png')]
# 打乱图片文件列表
random.shuffle(image_files)

# 计算训练集和验证集的数量
train_size = int(len(image_files) * 0.8)
train_images = image_files[:train_size]
val_images = image_files[train_size:]

# 复制训练集图片和对应的标签文件
for image in train_images:
    image_path = os.path.join(data_dir, image)
    label_path = os.path.join(data_dir, image.replace('.jpg', '.txt').replace('.png', '.txt'))
    copyfile(image_path, os.path.join(train_dir, image))
    copyfile(label_path, os.path.join(train_dir, image.replace('.jpg', '.txt').replace('.png', '.txt')))

# 复制验证集图片和对应的标签文件
for image in val_images:
    image_path = os.path.join(data_dir, image)
    label_path = os.path.join(data_dir, image.replace('.jpg', '.txt').replace('.png', '.txt'))
    copyfile(image_path, os.path.join(val_dir, image))
    copyfile(label_path, os.path.join(val_dir, image.replace('.jpg', '.txt').replace('.png', '.txt')))

代码分析：

• 首先，我们定义了数据集的总目录、训练集和验证集的保存目录。然后创建这两个目录，确保它们存在。
• 接着，我们获取所有的图片文件，并打乱它们的顺序。这样做是为了让训练集和验证集的数据更具随机性，避免模型学习到数据的顺序特征。
• 计算出训练集和验证集的数量后，我们将图片文件列表分成两部分。
• 最后，使用 copyfile 函数将图片和对应的标签文件复制到训练集和验证集目录中。

这个数据集还有一个好处，它同时提供了 XML 标签和 TXT 标签，而 YOLOv8 可以直接使用 TXT 标签进行训练，这就省去了很多数据转换的麻烦。

YOLOv8 模型训练

有了数据集，接下来就是训练 YOLOv8 模型了。YOLOv8 是一个非常强大的目标检测模型，它在速度和精度上都有很好的表现。

基于yolov8的铝片缺陷检测系统 数据集共1400张，按照8：2划分训练集和验证集 包含四类缺陷：zhen_kong，ca_shang，zang_wu，zhe_zhou 有xml标签和txt标签，也可以用于yolo训练 yolov8训练完成，pyqt5设计了缺陷检测界面 注：电子资料 不退不换

以下是使用 YOLOv8 进行训练的简单代码：

from ultralytics import YOLO

# 加载预训练模型
model = YOLO('yolov8n.pt')

# 训练模型
results = model.train(
    data='path/to/data.yaml',
    epochs=100,
    imgsz=640
)

代码分析：

• 首先，我们从 ultralytics 库中导入 YOLO 类，并加载预训练的 YOLOv8n 模型。预训练模型可以帮助我们在训练时更快地收敛，节省训练时间。
• 然后，调用 train 方法开始训练模型。data 参数指定了数据集的配置文件路径，这个文件里包含了训练集和验证集的路径、类别名称等信息。epochs 参数表示训练的轮数，imgsz 参数表示输入图片的大小。

PyQt5 设计缺陷检测界面

模型训练完成后，为了方便使用，我们使用 PyQt5 设计了一个缺陷检测界面。

以下是一个简单的 PyQt5 界面代码示例：

import sys
import cv2
from PyQt5.QtWidgets import QApplication, QWidget, QLabel, QVBoxLayout, QPushButton
from PyQt5.QtGui import QPixmap, QImage
from ultralytics import YOLO

# 加载训练好的模型
model = YOLO('path/to/best.pt')

class DefectDetectionApp(QWidget):
    def __init__(self):
        super().__init__()
        self.initUI()

    def initUI(self):
        self.setWindowTitle('铝片缺陷检测系统')
        self.setGeometry(100, 100, 800, 600)

        # 创建标签用于显示图片
        self.image_label = QLabel(self)
        self.image_label.setScaledContents(True)

        # 创建按钮用于检测
        self.detect_button = QPushButton('检测缺陷', self)
        self.detect_button.clicked.connect(self.detect_defects)

        # 布局
        layout = QVBoxLayout()
        layout.addWidget(self.image_label)
        layout.addWidget(self.detect_button)
        self.setLayout(layout)

    def detect_defects(self):
        # 读取图片
        image = cv2.imread('path/to/test_image.jpg')
        # 进行缺陷检测
        results = model(image)
        # 获取检测结果图片
        result_image = results[0].plot()
        # 将 OpenCV 图片转换为 QImage
        height, width, channel = result_image.shape
        bytes_per_line = 3 * width
        q_img = QImage(result_image.data, width, height, bytes_per_line, QImage.Format_RGB888).rgbSwapped()
        pixmap = QPixmap.fromImage(q_img)
        # 在标签上显示图片
        self.image_label.setPixmap(pixmap)

if __name__ == '__main__':
    app = QApplication(sys.argv)
    window = DefectDetectionApp()
    window.show()
    sys.exit(app.exec_())

代码分析：

• 首先，我们加载训练好的 YOLOv8 模型。
• 然后创建一个 DefectDetectionApp 类，继承自 QWidget。在 initUI 方法中，我们设置了窗口的标题和大小，创建了一个用于显示图片的标签和一个用于触发检测的按钮，并将它们添加到布局中。
• detect_defects 方法是按钮的点击事件处理函数。在这个方法中，我们读取一张测试图片，使用训练好的模型进行缺陷检测，获取检测结果图片，将其转换为 QImage 格式，再转换为 QPixmap 格式，最后在标签上显示出来。

注意事项

最后要提醒一下，这个项目的相关电子资料是不退不换的哦。

通过以上步骤，我们就完成了一个基于 YOLOv8 的铝片缺陷检测系统，从数据集处理到模型训练，再到界面设计，整个流程都走了一遍。希望这篇分享能对大家有所帮助。