# 基于yolo的内螺纹缺陷识别

**Repository Path**: zzt-git/defect_detection

## Basic Information

- **Project Name**: 基于yolo的内螺纹缺陷识别
- **Description**: 2026届武汉大学本科毕业设计
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2026-07-17
- **Last Updated**: 2026-08-25

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 螺纹缺陷检测完整流程指南

## 目录结构

```
py_main/
├── picture/             # 原始大图
├── data/                # 数据集
│   ├── tiles/           # 切割后的小图
│   ├── images/          # 用于标注的图像
│   ├── labels/          # YOLO格式标签
│   ├── train/           # 训练集
│   │   ├── images/
│   │   └── labels/
│   └── val/             # 验证集
│       ├── images/
│       └── labels/
├── labelme_annotations/ # labelme标注文件
├── runs/                # 训练结果
├── split_images.py      # 图片切割脚本
├── convert_labelme_to_yolo.py # 标注转换脚本
├── train_yolo.py        # 模型训练脚本
├── defect_detection.py  # 缺陷检测脚本
└── README.md            # 本指南
```

## 第一步：准备原始图片

1. **将原始大图放入 `picture` 文件夹**
   - 原始大图尺寸：18000*9700
   - 格式：jpg、png等

## 第二步：切割原始图片

### 运行切割脚本

```bash
# 切割所有原始图片
python split_images.py --input_dir picture --output_dir data/tiles

# 自定义切割参数
python split_images.py --input_dir picture --output_dir data/tiles --tile_size 640 --overlap 160 --crop_left 120 --crop_top 740
```

### 参数说明
- `--input_dir`: 原始图片目录
- `--output_dir`: 输出小图目录
- `--tile_size`: 小图尺寸（默认640）
- `--overlap`: 重叠区域大小（默认160）
- `--crop_left`: 左侧切除像素（默认120）
- `--crop_top`: 顶部切除像素（默认740）

### 输出结果
- 每个原始图片会生成多个640x640的小图
- 文件名格式：`原始图片名_tile_0000.jpg`
- 生成对应的切割信息文件：`原始图片名_tile_info.json`

## 第三步：选择标注图像

1. **从 `data/tiles` 中选择有代表性的小图**
   - 选择包含缺陷的小图
   - 选择不同位置、不同类型的缺陷
   - 建议选择100-200张进行标注

2. **将选择的小图复制到 `data/images` 目录**

## 第四步：使用labelme进行标注

### 启动labelme

```bash
labelme
```

### 标注步骤

1. **设置输出目录**：
   - 点击 "Change Output Dir"
   - 选择 `labelme_annotations` 目录

2. **添加标注类别**：
   - 在右侧面板的 "Labels" 区域，添加以下类别：
     - `wear`（磨损）
     - `residue`（残留）

3. **开始标注**：
   - 点击 "Open" 打开 `data/images` 中的图像
   - 点击 "Create Polygon" 或按 `Ctrl+N`
   - 用鼠标点击图像上的缺陷点，形成一个多边形
   - 右键点击完成标注
   - 在弹出的对话框中选择类别名称
   - 重复标注所有缺陷

4. **保存标注**：
   - 点击 "Save" 或按 `Ctrl+S`
   - 会生成对应的JSON文件到 `labelme_annotations` 目录

### 标注技巧
- **多边形标注**：对于不规则形状的缺陷，使用多边形标注更准确
- **矩形标注**：对于规则的缺陷，可以使用矩形标注
- **快捷键**：
  - `Ctrl+N`: 新建标注
  - `Ctrl+S`: 保存
  - `Ctrl+O`: 打开图像
  - `Ctrl+Z`: 撤销
  - `Delete`: 删除当前标注

## 第五步：转换标注格式

### 运行转换脚本

```bash
# 将labelme标注转换为YOLO格式
python convert_labelme_to_yolo.py --json_dir labelme_annotations --images_dir data/images --output_dir data/labels --data_dir data
```

### 输出结果
- `data/labels` 目录会生成对应的YOLO格式标签文件
- 生成 `data/data.yaml` 配置文件

## 第六步：准备训练数据集

### 运行数据集准备脚本

```bash
# 准备训练集和验证集
python train_yolo.py --action prepare --image_dir data/images --label_dir data/labels --data_dir data --output_dir runs --split_ratio 0.8
```

### 参数说明
- `--image_dir`: 图像目录
- `--label_dir`: 标签目录
- `--data_dir`: 数据集根目录
- `--output_dir`: 输出目录
- `--split_ratio`: 训练/验证集分割比例（默认0.8）

### 输出结果
- `data/train` 目录：训练集
- `data/val` 目录：验证集
- 自动创建 `data/data.yaml` 配置文件

## 第七步：训练YOLO模型

### 运行训练脚本

```bash
# 训练模型
python train_yolo.py --action train --model_name yolov8n.pt --epochs 100 --imgsz 640 --batch 16 --data_dir data --output_dir runs
```

### 参数说明
- `--model_name`: 预训练模型名称（默认yolov8n.pt）
- `--epochs`: 训练轮数（默认100）
- `--imgsz`: 输入图像尺寸（默认640）
- `--batch`: 批次大小（默认16）

### 训练过程
- 训练过程会在终端显示
- 训练结果保存在 `runs/yolo_training` 目录
- 最佳模型保存在 `runs/yolo_training/weights/best.pt`

## 第八步：评估模型

### 运行评估脚本

```bash
# 评估模型性能
python train_yolo.py --action evaluate --data_dir data --output_dir runs
```

### 输出结果
- 显示模型的精确率、召回率、mAP等指标

## 第九步：使用模型进行检测

### 方法一：使用defect_detection.py

```bash
# 检测单个图像
python defect_detection.py

# 或在Python代码中使用
from defect_detection import DefectDetector

# 创建检测器，加载训练好的模型
detector = DefectDetector(yolo_model_path='runs/yolo_training/weights/best.pt')

# 运行检测
results = detector.run(
    image_path='picture/1.jpg',
    output_dir='output'
)
```

### 方法二：使用train_yolo.py进行预测

```bash
# 预测示例图像
python train_yolo.py --action predict --data_dir data --output_dir runs
```

## 第十步：批量处理所有原始图片

### 创建批量处理脚本

```python
import os
import glob
from defect_detection import DefectDetector

# 创建检测器
detector = DefectDetector(yolo_model_path='runs/yolo_training/weights/best.pt')

# 获取所有原始图片
image_files = []
for ext in ['.jpg', '.jpeg', '.png', '.bmp', '.tif', '.tiff']:
    image_files.extend(glob.glob(os.path.join('picture', f"*{ext}")))

# 批量处理
for img_path in image_files:
    print(f"处理图像: {img_path}")
    output_dir = os.path.join('output', os.path.basename(img_path).split('.')[0])
    detector.run(image_path=img_path, output_dir=output_dir)
```

## 训练参数建议

### 模型选择
- **yolov8n.pt**：轻量级，适合小目标检测，速度快
- **yolov8s.pt**：比nano版本更准确，速度稍慢
- **yolov8m.pt**：中等大小，更准确但速度较慢

### 训练轮数
- 建议：100-200轮
- 可以根据验证集性能自动停止

### 批次大小
- 根据GPU内存调整：
  - 8GB GPU：batch=8
  - 16GB GPU：batch=16
  - 32GB GPU：batch=32

## 标注建议

1. **标注质量**：
   - 标注框要紧密包围缺陷
   - 确保类别标注准确
   - 不要遗漏小缺陷

2. **标注数量**：
   - 至少100-200张图像
   - 每个类别至少50个样本

3. **标注多样性**：
   - 不同位置的缺陷
   - 不同大小的缺陷
   - 不同形态的缺陷

4. **负样本**：
   - 包含一些没有缺陷的图像
   - 帮助模型学习正常螺纹特征

## 常见问题解决

### 1. 图片切割失败
- 检查原始图片格式是否正确
- 确保图片路径不存在中文或特殊字符

### 2. 标注工具启动失败
- 确保安装了正确版本的labelme
- 可以尝试使用其他标注工具如CVAT

### 3. 训练过程中内存不足
- 减小批次大小（batch）
- 使用更小的模型（如yolov8n.pt）
- 减小输入图像尺寸（imgsz）

### 4. 模型检测效果不好
- 增加标注数据量
- 提高标注质量
- 调整训练参数
- 尝试不同的模型版本

### 5. 检测速度慢
- 使用更小的模型
- 减小输入图像尺寸
- 优化代码性能

## 输出结果说明

### 检测结果文件
- `output/detections.json`：详细的检测结果
- `output/result.jpg`：带有检测框的图像
- `output/tile_*.jpg`：切割后的小图

### 训练结果文件
- `runs/yolo_training/weights/best.pt`：最佳模型
- `runs/yolo_training/weights/last.pt`：最后一轮模型
- `runs/yolo_training/metrics.csv`：训练指标
- `runs/yolo_training/confusion_matrix.png`：混淆矩阵

## 完整流程示例

```bash
# 1. 切割原始图片
python split_images.py

# 2. 选择标注图像并复制到data/images
# 手动操作

# 3. 使用labelme标注
labelme

# 4. 转换标注格式
python convert_labelme_to_yolo.py

# 5. 准备数据集
python train_yolo.py --action prepare

# 6. 训练模型
python train_yolo.py --action train

# 7. 评估模型
python train_yolo.py --action evaluate

# 8. 使用模型检测
python defect_detection.py
```

## 技术参数

- **图像处理**：OpenCV 4.0+
- **模型框架**：YOLOv8（ultralytics）
- **编程语言**：Python 3.8+
- **硬件要求**：
  - 训练：GPU（至少8GB显存）
  - 推理：CPU或GPU
- **软件依赖**：
  - opencv-python
  - numpy
  - ultralytics
  - torch
  - labelme

## 注意事项

1. **数据安全**：
   - 备份原始数据
   - 定期保存训练结果

2. **性能优化**：
   - 对于大批量图像处理，建议使用批处理脚本
   - 可以使用多线程加速处理

3. **模型更新**：
   - 随着数据量增加，定期重新训练模型
   - 持续优化标注质量

4. **部署建议**：
   - 训练完成后，可以导出为ONNX格式
   - 可以部署到边缘设备或云端