YOLOv8工业部署备忘

YOLOv8 由 Ultralytics 维护，是当前工业视觉检测的主流选择。本文覆盖从选型到部署的完整流程。

模型选型对比

根据算力和精度需求选择合适的模型变体：

训练命令

基础训练使用 yolo detect train，支持断点续训、数据增强等参数：

yolo detect train \
    data=data.yaml \
    model=yolov8m.pt \
    epochs=300 \
    imgsz=640 \
    batch=16 \
    patience=50 \
    augment=True \
    project=runs/detect \
    name=my_model

数据集格式

YOLO 格式为每个图像对应一个 .txt 标注文件，每行一个目标：

class_id  x_center  y_center  width  height
0         0.5       0.4       0.3    0.6
1         0.2       0.7       0.15   0.25

坐标归一化到 [0, 1]，data.yaml 定义类别映射：

train: ./train/images
val: ./val/images
nc: 2
names: ['defect', 'normal']

推理代码模板

from ultralytics import YOLO

model = YOLO("best.pt")
results = model.predict(
    source="test_images/",
    conf=0.5,
    iou=0.45,
    save=True
)

for r in results:
    boxes = r.boxes
    for box in boxes:
        cls = int(box.cls[0])
        conf = float(box.conf[0])
        x1, y1, x2, y2 = box.xyxy[0].tolist()
        print(f"类别: {cls}, 置信度: {conf:.2f}, 位置: {x1:.0f},{y1:.0f},{x2:.0f},{y2:.0f}")

导出格式

不同部署平台需要不同格式：

# ONNX — 通用格式，适合 OpenCV / ONNX Runtime
model.export(format="onnx", imgsz=640, simplify=True)

# TensorRT — NVIDIA GPU 加速
model.export(format="engine", half=True, workspace=4)

# OpenVINO — Intel 平台优化
model.export(format="openvino", half=True)

常见问题

过拟合：增加数据量、使用 Mosaic/MixUp 增强、降低模型复杂度、添加 dropout。观察 train/val loss 曲线，val loss 上升即为过拟合信号。

小目标检测：使用更高分辨率输入（1280）、采用 Tiling 切片策略、在数据集中增加小目标样本比例。

数据增强：YOLOv8 默认启用 Mosaic、MixUp、HSV 色彩扰动。工业场景慎用几何变换（旋转/翻转），避免改变缺陷方向特征。