基于 YOLOv8 的焊接表面缺陷检测｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！
源码包含：完整YOLOv8训练代码+数据集(带标注)+权重文件+直接可允许检测的yolo检测程序+直接部署教程/训练教程
源码在文末哔哩哔哩视频简介处获取。
nc: 3
names: [
'焊接不良',
'焊接良好',
'焊接缺陷'
]
项目摘要
本项目结合 YOLOv8 检测模型 与 PyQt5 图形界面工具，实现了焊接表面缺陷的自动检测与分类。数据集包含三类标注：焊接不良、焊接良好、焊接缺陷，均采用 YOLO 格式标注，可直接用于训练。
项目特点：
- 数据驱动：数据集经过严格划分，包括训练集、验证集和测试集，保证模型训练与评估的科学性。
- 全流程覆盖：从数据准备、模型训练、推理测试到可视化界面展示，一应俱全。
- 易于扩展：用户可替换数据集或增加检测类别，快速适配新的工业检测需求。
通过本项目，开发者可以快速构建高精度焊缝检测系统，实现生产线焊接质量的自动监控与缺陷报警，为工业智能制造提供强大技术支撑。
@[toc]
前言
随着工业自动化和智能制造的发展，焊接质量检测成为保证产品性能和安全的重要环节。传统人工检测存在效率低、主观性强、成本高等问题，而基于深度学习的自动化检测系统，可以实现高精度、低成本、实时化的焊接缺陷识别。
本项目利用 YOLOv8 的高性能目标检测能力，结合 PyQt5 的可视化界面，实现了一个完整、开箱即用的焊接缺陷检测方案。无论是学术研究还是工业应用，都能快速上手并进行二次开发。
一、软件核心功能介绍及效果演示
本项目数据集包含千张焊接表面图片，按照训练集、验证集和测试集划分，三类标注如下：
nc: 3
names: [
'焊接不良',
'焊接良好',
'焊接缺陷'
]
- 焊接不良：存在明显缺陷，如焊缝断裂、气孔等
- 焊接良好：焊缝平整、无明显瑕疵
- 焊接缺陷：轻微缺陷或局部异常，可作为辅助判断
数据集可直接用于 YOLOv8 模型训练，标注格式完全兼容 YOLO 框架。
二、软件效果演示
为了直观展示本系统基于 YOLOv8 模型的检测能力，我们设计了多种操作场景，涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。
（1）单图片检测演示
用户点击“选择图片”，即可加载本地图像并执行检测：
（2）多文件夹图片检测演示
用户可选择包含多张图像的文件夹，系统会批量检测并生成结果图。
（3）视频检测演示
支持上传视频文件，系统会逐帧处理并生成目标检测结果，可选保存输出视频：
（4）摄像头检测演示
实时检测是系统中的核心应用之一，系统可直接调用摄像头进行检测。由于原理和视频检测相同，就不重复演示了。
（5）保存图片与视频检测结果
用户可通过按钮勾选是否保存检测结果，所有检测图像自动加框标注并保存至指定文件夹，支持后续数据分析与复审。
三、模型的训练、评估与推理
YOLOv8是Ultralytics公司发布的新一代目标检测模型，采用更轻量的架构、更先进的损失函数（如CIoU、TaskAlignedAssigner）与Anchor-Free策略，在COCO等数据集上表现优异。
其核心优势如下：
- 高速推理，适合实时检测任务
- 支持Anchor-Free检测
- 支持可扩展的Backbone和Neck结构
- 原生支持ONNX导出与部署
3.1 YOLOv8的基本原理
YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：
- 速度快：推理速度提升明显；
- 准确率高：支持 Anchor-Free 架构；
- 支持分类/检测/分割/姿态多任务；
- 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。
YOLOv8 由Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。
YOLOv8原理图如下：
3.2 数据集准备与训练
采用 YOLO 格式的数据集结构如下：
dataset/
├── images/
│ ├── train/
│ └── val/
├── labels/
│ ├── train/
│ └── val/
每张图像有对应的 .txt 文件，内容格式为：
4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757
分类包括（可自定义）：
3.3. 训练结果评估
训练完成后，将在 runs/detect/train 目录生成结果文件，包括：
results.png：损失曲线和 mAP 曲线；weights/best.pt：最佳模型权重；confusion_matrix.png：混淆矩阵分析图。
若 mAP@0.5 达到 90% 以上，即可用于部署。
在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在runs/目录下，具体内容如下：
3.4检测结果识别
使用 PyTorch 推理接口加载模型：
import cv2
from ultralytics import YOLO
import torch
from torch.serialization import safe_globals
from ultralytics.nn.tasks import DetectionModel
# 加入可信模型结构
safe_globals().add(DetectionModel)
# 加载模型并推理
model = YOLO('runs/detect/train/weights/best.pt')
results = model('test.jpg', save=True, conf=0.25)
# 获取保存后的图像路径
# 默认保存到 runs/detect/predict/ 目录
save_path = results[0].save_dir / results[0].path.name
# 使用 OpenCV 加载并显示图像
img = cv2.imread(str(save_path))
cv2.imshow('Detection Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
预测结果包含类别、置信度、边框坐标等信息。
四.YOLOV8+YOLOUI完整源码打包
本文涉及到的完整全部程序文件：包括python源码、数据集、训练代码、UI文件、测试图片视频等（见下图），获取方式见【4.2 完整源码下载】：
4.1 项目开箱即用
作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。
运行项目只需输入下面命令。
python main.py
读者也可自行配置训练集，或使用打包好的数据集直接训练。
自行训练项目只需输入下面命令。
yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001
4.2 完整源码
至项目实录视频下方获取：
哔哩哔哩视频演示：https://www.bilibili.com/video/BV1NrkiBJEcH/
包含：
📦完整项目源码
📦 预训练模型权重
🗂️ 数据集地址（含标注脚本）
总结
本项目基于 YOLOv8 深度学习目标检测模型，结合 PyQt5 图形界面，实现了一个完整的焊接表面缺陷检测系统。通过实际演示可以看出，该系统能够对单张图片、批量图片、视频以及实时摄像头流进行高精度检测，并自动标注缺陷位置和类别，支持检测结果的保存和复查，为工业生产线提供了高效、智能化的焊接质量监控手段。
项目的核心亮点包括：
- 高精度检测：利用 YOLOv8 的先进架构与损失函数，实现焊接不良、焊接良好和焊接缺陷的精确分类。
- 全流程覆盖：从数据准备、模型训练、推理到可视化界面展示，用户可快速部署和复现。
- 可扩展性强：支持新增类别、替换数据集或自定义检测场景，适应不同工业检测需求。
- 易于部署：打包了完整源码与预训练权重，开箱即可运行，无需复杂环境配置。
- 结果可视化与分析：提供训练曲线、混淆矩阵以及检测结果图，便于模型评估和优化。
总体来看，该系统不仅降低了人工检测成本和主观误差，还为工业智能制造提供了可落地的技术解决方案。无论是科研实验还是生产实践，开发者都可以在此基础上快速搭建高性能焊缝检测系统，实现智能化生产监控和缺陷报警。
