基于YOLOv11的工业产线实时质检系统
本项目聚焦于在制造产线中部署YOLOv11（You Only Look Once第11版）实时目标检测系统，旨在实现产品缺陷自动识别、合格/不良品分类及智能计数。该系统可直接集成到生产流程中，实现质量控制的自动化升级。
目录结构
- 项目概述
- 数据集说明
- 技术方案
- 性能指标
- 使用指南
- 演示视频
- 致谢
项目概述
制造业亟需高效的质检系统来保障产品一致性并减少损耗。本项目采用最先进的YOLOv11目标检测模型，主要实现三大功能：
- 实时检测产线上的产品
- 自动分类为「合格品」或「不良品」
- 双类别产品自动计数
该系统以高速度、高精度和可扩展性为核心设计目标，专为工业场景优化。
数据集说明
采用Kaggle开源工业数据集，包含多工况下的产品图像，每张图片均标注边界框并分类为：
- 不良品（Damaged/خراب）：存在可见缺陷
- 合格品（OK/سالم）：符合质量标准
关键参数
- 数据集来源：[工业铸件产品真实数据集]
- 图像数量：700张
- 标注类型：边界框+双标签（Damaged/OK）
技术方案
模型架构
采用YOLO11l与YOLO11s双版本，该架构具有以下优势：
- 单阶段检测实现毫秒级推理
- 支持多类别分类（本项目中为双类别）
训练流程
- 数据预处理
- 统一缩放至512×512分辨率
- 按8:1:1划分训练集/验证集/测试集
- 模型训练
- 基于预训练权重进行迁移学习
- 定制化微调
- 性能评估
- 核心指标：精确率、召回率、mAP、F1分数
- 测试集mAP@0.5达95.10%
部署方案
通过Python+OpenCV在产线模拟环境中实现实时推理。
性能指标
| 指标 | 数值 |
| 精确率 | 95.55% |
| 召回率 | 95.65% |
| mAP@0.5 | 95.10% |
| 损失值 | 0.17 |
效果演示
点击下载测试视频示例：[下载链接]
使用指南
环境配置
- 通过yml文件快速创建环境
- 基础要求：
- Python 3.10.16
- 安装依赖库：
pip install torch torchvision opencv-python ultralytics
基于YOLOv11的工业轴承缺陷检测 产线实时质检系统
