本教程针对工业场景中的缺陷检测需求，详细讲解如何基于YOLOv8模型完成从工业缺陷数据集构建、标注，到模型训练调优、验证推理，最终实现边缘设备部署的全流程，帮助开发者掌握高效落地工业视觉检测的实操方法。

学习步骤

1. 工业缺陷检测数据集构建与标准化标注

   1. 数据收集：可通过公开数据集（如NEU-DET金属表面缺陷数据集、PCB缺陷数据集）获取基础数据，也可针对特定工业场景（如汽车零件、电子元件）拍摄真实缺陷图像，覆盖不同光照、角度、缺陷类型；2. 标注工具选择：使用LabelImg、Roboflow或Ultralytics自带的标注工具，按照YOLO格式进行标注，每个缺陷目标对应类别ID、归一化后的中心坐标及宽高；3. 数据集划分：将数据集按7:2:1比例划分为训练集、验证集和测试集，确保各类别缺陷在各集合中均匀分布；4. 格式转换：将标注文件转换为YOLO要求的txt格式，每个图像对应一个同名txt文件，每行格式为`类别ID x_center y_center width height`。

2. YOLOv8环境搭建与项目配置

   1. 环境安装：通过pip安装PyTorch（适配CUDA版本以加速训练）和ultralytics库，命令为`pip install torch ultralytics`；2. 项目结构创建：建立`defect_detection`项目文件夹，包含`data`（存放数据集、yaml配置文件）、`runs`（存放训练日志、模型权重）、`scripts`（部署脚本）子文件夹；3. 配置yaml文件：在`data`文件夹中创建`defect.yaml`，指定数据集路径、类别数量及类别名称，示例：`train: ./data/train/images
   val: ./data/val/images
   test: ./data/test/images
   nc: 3
   names: ['划痕', '缺损', '变形']`。

3. YOLOv8模型训练与针对性调优

   1. 模型选择：根据部署需求选择合适的YOLOv8版本，轻量化场景选yolov8n，高精度场景选yolov8s；2. 启动训练：执行命令`yolo detect train data=defect.yaml model=yolov8n.pt epochs=50 batch=16 imgsz=640 device=0`，其中`device=0`指定使用GPU加速；3. 调优策略：针对工业小缺陷，开启Mosaic数据增强、自适应锚框计算；通过调整学习率（如使用余弦退火调度器）、添加EarlyStopping回调防止过拟合；4. 训练监控：查看`runs/detect/train`下的训练日志、混淆矩阵及mAP指标，评估模型性能。

4. 模型验证与推理效果测试

   1. 模型验证：执行命令`yolo detect val data=defect.yaml model=runs/detect/train/weights/best.pt`，获取验证集的Precision、Recall、mAP等指标，分析模型的漏检、误检情况；2. 单图/视频推理：使用命令`yolo detect predict source=./data/test/images/defect_01.jpg model=best.pt`进行单图推理，或`source=./data/test/videos/defect_video.mp4`进行视频检测，查看推理结果可视化图像；3. 结果优化：针对漏检的小缺陷，补充对应数据集并重新微调模型；针对误检情况，增加负样本或调整类别阈值。

5. 模型轻量化与边缘设备部署

   1. 模型导出：将训练好的模型导出为ONNX格式，命令为`yolo export model=best.pt format=onnx imgsz=640`；2. 模型优化：使用TensorRT对ONNX模型进行量化、转换为engine文件，提升推理速度；3. 边缘部署：将优化后的模型部署到Jetson Nano、RK3588等边缘设备，编写Python或C++部署脚本，调用推理引擎实现实时工业缺陷检测；4. 性能测试：测试边缘设备上的推理帧率，确保满足工业场景的实时性要求（如≥20FPS）。