智慧工业巡检-深度学习-基于YOLOv8的钢材表面缺陷检测系统 源码 + 2700 张标注数据集 + 训练好的模型 + UI 界面 + 部署教程

智慧工业巡检-深度学习基于YOLOv8的钢材表面缺陷检测系统包括全部源码完整标注的数据集训练好的模型及训练结果项目运行教程内含2700张钢材表面缺陷数据集包括[“开裂”, ‘内含杂质’, ‘斑块斑点’,“点蚀表面”, ‘轧制氧化皮’, ‘划痕’]6类本项目已经训练好模型配置成功环境可直接使用运行效果见介绍图项目介绍软件PycharmAnaconda或者VSCodeAnaconda环境python3.9 opencv-python PyQt5 ultralytics torch1.9等文件①完整程序文件.py等②UI界面源文件、图标.ui、.qrc、.py等③数据集图片项目运行教程.jpg、.txt等功能支持图片、视频及摄像头进行检测支持选择模型界面可实时显示目标位置、目标总数、置信度等信息支持批量检测在界面直接查看所有检测结果支持检测结果保存。①选择单张图片或者图片文件夹进行识别②选择视频文件进行识别③调用本地摄像头进行识别④自定义置信度IOU阈值⑤选择显示标签和原图⑥选择检测模型⑦查看批量检测每一张检测结果智慧工业巡检 - 基于YOLOv8的钢材表面缺陷检测系统完整项目源码数据集UI模型全网最全工业缺陷检测实战项目2700张标注数据集6大类缺陷PyQt5可视化界面开箱即用✨适合毕业设计 / 课程设计 / 工业质检项目 / 深度学习实战一、项目介绍在现代智慧工业生产与自动化质检流程中钢材表面缺陷检测是保障产品质量、提升生产效率的关键环节。传统人工检测效率低、易疲劳、成本高难以满足高速生产线需求。本项目基于YOLOv8 目标检测算法构建钢材表面缺陷智能检测系统可自动识别钢材表面 6 大类典型缺陷搭配PyQt5 可视化交互界面支持图片、视频、摄像头实时检测、批量检测、参数调节、结果保存与统计功能完整、界面简洁、工业实用性强。项目提供全套源码 标注数据集 训练好的模型 详细部署教程零基础可直接运行。二、项目核心亮点✅2700 张高质量钢材缺陷数据集人工精准标注无脏数据✅6 类常见钢材表面缺陷全覆盖贴合真实工业场景✅YOLOv8 高精度检测速度快、精度高、适合工业部署✅PyQt5 可视化 UI 界面操作简单无需代码基础✅多输入源支持图片 / 视频 / 摄像头 / 文件夹批量检测✅参数自由调节置信度、IOU 阈值、显示模式可自定义✅结果实时统计缺陷类别、数量、置信度实时显示✅结果自动保存检测图片/视频自动保存便于追溯✅开箱即用提供训练好的模型配置环境即可运行三、数据集介绍数据集规模2700 张钢材表面图像标注格式YOLO TXT 标注格式可直接训练缺陷类别6 类开裂内含杂质斑块斑点点蚀表面轧制氧化皮划痕数据集覆盖真实工业场景光照多样、角度丰富缺陷样本均衡非常适合深度学习模型训练与工业质检项目使用。—四、系统功能清单单张图片检测上传单张钢材图片实时显示缺陷位置与类别文件夹批量检测选择文件夹自动批量识别界面内预览所有结果视频文件检测支持 MP4 / AVI 等格式视频逐帧识别摄像头实时检测调用本地摄像头实现实时在线检测阈值自定义可调节置信度阈值、IOU 阈值模型切换支持加载不同训练权重模型显示切换可选择显示标签、边框、原图/结果图结果统计实时显示缺陷总数、类别、坐标、置信度结果保存自动保存检测后的图像与视频文件五、开发环境配置开发工具PyCharm / VSCode Anaconda环境依赖Python 3.9torch 1.9opencv-pythonPyQt5ultralyticsnumpy、pillow、matplotlib一键安装命令conda create-nsteel_defectpython3.9conda activate steel_defect pipinstalltorch1.9.0cu111torchvision0.10.0cu111-fhttps://download.pytorch.org/whl/torch_stable.html pipinstallultralytics opencv-python pyqt5 numpy pillow六、项目文件结构钢材表面缺陷检测系统/ ├── dataset/ # 2700张完整标注数据集 ├── weights/ # 训练完成的best.pt模型权重 ├── ui/ # UI界面源码、ui文件、图标资源 ├── main.py # 系统主程序UI启动入口 ├── train.py # 模型训练代码 ├── predict.py # 检测推理核心代码 ├── utils.py # 工具函数 ├── steel.yaml # 数据集配置文件 ├── results/ # 检测结果保存目录 └── 项目运行教程.md # 详细部署与使用教程七、数据集配置文件 steel.yamltrain:./dataset/images/trainval:./dataset/images/valnc:6names:0:开裂1:内含杂质2:斑块斑点3:点蚀表面4:轧制氧化皮5:划痕八、核心训练代码 train.pyfromultralyticsimportYOLOimporttorchif__name____main__:# 加载预训练模型modelYOLO(yolov8s.pt)# 开始训练model.train(datasteel.yaml,epochs100,batch16,imgsz640,device0iftorch.cuda.is_available()elsecpu,patience15,optimizerAdamW,lr00.001,projectsteel_defect,nameyolov8_steel,exist_okTrue,augmentTrue,plotsTrue)九、核心检测推理代码fromultralyticsimportYOLOimportcv2classSteelDefectDetect:def__init__(self,model_path,conf0.25,iou0.45):self.modelYOLO(model_path)self.confconf self.iouioudefdetect_image(self,img_path):resultsself.model.predict(sourceimg_path,confself.conf,iouself.iou,saveFalse)result_imgresults[0].plot()defect_countlen(results[0].boxes)returnresult_img,defect_countdefdetect_video(self,video_path,save_path):capcv2.VideoCapture(video_path)whilecap.isOpened():ret,framecap.read()ifnotret:breakresultsself.model(frame,confself.conf)annotated_frameresults[0].plot()cv2.imshow(Steel Defect Detection,annotated_frame)ifcv2.waitKey(1)ord(q):breakcap.release()cv2.destroyAllWindows()十、项目运行步骤配置 Anaconda 虚拟环境安装依赖库确认数据集路径与steel.yaml一致可选运行train.py重新训练模型运行main.py启动可视化 UI 界面选择检测模式图片 / 视频 / 摄像头 / 批量文件夹调节置信度、IOU 参数查看并保存检测结果十一、适用场景智慧工业质检系统钢材生产线自动化缺陷检测深度学习毕业设计 / 课程设计表面缺陷检测科研实验工业视觉检测教学项目十二、项目总结本项目基于YOLOv8实现了一套完整的钢材表面缺陷智能检测系统具备高精度、高效率、易部署、易操作等优势可大幅降低工业质检成本、提升检测效率。项目包含全套源码 2700 张标注数据集 训练好的模型 UI 界面 部署教程可直接用于毕业设计、工程落地或深度学习学习。