简介基于YOLOv8的工地临边防护栏缺失检测项目面向计算机视觉、深度学习方向的毕业设计或课程设计需求。项目借助目标检测模型自动识别临边防护栏的缺失情况适合用于工地安全巡检相关的算法研究与原型演示。压缩包内共8个文件包含3个Python脚本覆盖可视化界面、模型训练、视频检测、3个模型权重文件pt以及2个文本说明含README部署指引整包仅15.91MB轻量且结构清晰。目前已有122人学习下载资源提供完整数据集、可视化操作页面与部署教程下载后按说明配置即可直接运行训练部分可输出混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果、标签分布图等核心指标便于答辩演示与效果评估。代码经过测试验证功能完善操作简单部署后即可直接运行对于基础较好的读者也可以在此基础上修改扩展实现更多检测功能或用于其他项目。1. 基于YOLOv8的工地临边防护栏缺失检测源码、数据集与训练部署一次讲透施工工地的临边防护栏缺失检测一直是施工现场安全巡检里最让人头疼的一环。传统人工巡检效率低、漏检率高而基于YOLOv8的目标检测方案恰好能在监控画面里自动框出缺失位置把巡检工作从“人盯屏”变成“算法盯屏”。这份《基于YOLOv8的工地临边防护栏缺失检测》资源包含完整源码、可视化界面、已标注数据集和部署教程解压配置好环境就能直接跑通训练和推理流程。它不挑显卡GTX 1660 Ti这种入门级卡也能带得动特别适合做毕业设计、课程设计或工地安全监测方向的项目练手。接下来我按自己的实操经验把数据集处理、训练参数、界面部署和踩坑记录完整拆给你看。2. 数据集与标注体系训练前必须先搞清的三个细节2.1 类别体系与标注格式说明这份资源用的是YOLOv8标准格式的txt标注每行五个数值依次是类别ID、归一化后的中心点x坐标、中心点y坐标、目标宽度、目标高度。类别只有两类标注文件里用0和1区分分别对应防护栏缺失区域和正常防护栏区域和COCO那种80类的大型数据集相比这个二分类设定更聚焦也更容易训练出可用模型。我第一次拿到数据时习惯先跑一段Python脚本检查标注文件的完整性防止训练中途因为标注格式问题翻车。检查内容包含文件是否有空行、类别ID是否越界、坐标值是否在0到1之间以及图片和标注文件是否一一对应。这类检查看起来简单但确实能省掉大量后面排查错误的时间。import os def check_labels(img_dir, label_dir): img_files [f for f in os.listdir(img_dir) if f.endswith(.jpg)] label_files [f for f in os.listdir(label_dir) if f.endswith(.txt)] # 检查图片与标注文件是否一一对应 img_names {os.path.splitext(f)[0] for f in img_files} label_names {os.path.splitext(f)[0] for f in label_files} missing_labels img_names - label_names orphan_labels label_names - img_names if missing_labels: print(f以下图片缺少标注文件: {missing_labels}) # 逐行检查标注内容 for label_file in label_files: with open(os.path.join(label_dir, label_file), r) as f: lines f.readlines() for line in lines: parts line.strip().split() if len(parts) ! 5: print(f{label_file} 某行格式错误应为5个数) continue cls_id int(parts[0]) x, y, w, h map(float, parts[1:]) if cls_id not in (0, 1): print(f{label_file} 类别ID越界: {cls_id}) if not (0 x 1 and 0 y 1 and 0 w 1 and 0 h 1): print(f{label_file} 坐标未归一化或越界)参数说明img_dir和label_dir分别传入图片和标注文件的目录路径。脚本会先比对两个目录里文件的basename是否完全匹配任何一张图缺标注或标注缺图都会直接报出来。坐标归一化检查重点关注RangesYOLO训练时若某个坐标值大于1Resize阶段会报“AssertionError: coordinate out of range”之类的错误提前拦截能省不少事。2.2 数据集划分策略train / val / test怎么切很多初学者习惯把数据直接丢进去训练结果模型表现时好时坏换一批图片就翻车。这里推荐的做法是按8:1:1或7:2:1的比例划分train、val、test三个集合而且必须保证同一场景下不同帧的图片不能同时出现在train和test里否则模型等于看到过答案评估结果会虚高。资源里的数据集已经按训练集、验证集、测试集组织好了目录结构训练时只需在配置文件中指定路径。如果你是拿别的工地图片自己扩数据建议用下面的脚本来划分它会在保持目录结构的前提下做随机切分。import os import shutil import random source_img datasets/raw/images source_lbl datasets/raw/labels dest datasets/split random.seed(42) all_imgs [f for f in os.listdir(source_img) if f.endswith(.jpg)] random.shuffle(all_imgs) train_ratio, val_ratio 0.8, 0.1 train_count int(len(all_imgs) * train_ratio) val_count int(len(all_imgs) * val_ratio) splits { train: all_imgs[:train_count], val: all_imgs[train_count:train_count val_count], test: all_imgs[train_count val_count:] } for split, imgs in splits.items(): os.makedirs(f{dest}/{split}/images, exist_okTrue) os.makedirs(f{dest}/{split}/labels, exist_okTrue) for img in imgs: shutil.copy(f{source_img}/{img}, f{dest}/{split}/images/{img}) label img.replace(.jpg, .txt) shutil.copy(f{source_lbl}/{label}, f{dest}/{split}/labels/{label}) print(f{split}: {len(imgs)} 张)随机种子设为42是为了让每次划分结果一致方便复现实验。实际项目中如果你发现模型对某些特定角度或光线的图片总是漏检可以手动把这些图片从test集挪到train集让模型见过更多困难样本再评估这属于常规的迭代技巧。2.3 标注质量对最终mAP的影响标注质量直接决定模型天花板。防护栏缺失检测这个场景里最容易出现的标注问题是缺失区域框得太大或太小。框太大把墙面背景都圈进去了框太小又只框住了缺口的一半这两种情况都会让模型学偏。我自己的习惯是标注缺失区域时框尽量贴合缺口边缘宁可框小一点也不要框大。如果数据量不足还可以用Mosaic和MixUp数据增强来补YOLOv8默认开启Mosaic增强能在一定程度上弥补样本量少的问题。3. YOLOv8训练全流程从环境搭建到权重导出3.1 环境配置与依赖版本选择这份资源自带了requirements.txt主要依赖是ultralytics包、torch和torchvision。torch版本的选择要和你本机CUDA版本匹配别直接用pip默认装最新版否则大概率会遇到CUDA和torch版本不兼容的报错。我的建议是先在命令行跑nvidia-smi看驱动支持的CUDA版本再决定装哪个torch版本。# 查看CUDA驱动版本 nvidia-smi # 创建虚拟环境避免污染系统Python conda create -n yolov8-safety python3.9 conda activate yolov8-safety # 安装CUDA 11.8对应的torch以RTX 30系/40系为例 pip install torch2.1.0 torchvision0.16.0 --index-url https://download.pytorch.org/whl/cu118 # 安装ultralytics包自带YOLOv8训练与推理接口 pip install ultralytics8.0.200说明一下--index-url指定PyTorch官方CUDA 11.8的wheel源这是保证torch和CUDA版本匹配最稳妥的方式。ultralytics固定到8.0.200这个版本是因为它对应YOLOv8的基础训练流程后续升级可能改动配置项。如果你的显卡是GTX 1660 Ti这类6GB显存的卡torch版本可以降到1.13.1加CUDA 11.7组合推理速度差别不大。3.2 配置文件修改数据集路径、类别数和训练参数YOLOv8用yaml文件管理数据集路径和训练超参数。资源包里的data.yaml和yolov8n.yaml需要按你的实际路径修改。数据集的yaml最关键的是path字段它指定了数据集根目录train/val/test按相对路径拼接即可。类别数nc设为2names列表按顺序填类别名。# data.yaml path: D:/yolov8-safety/datasets/split # 数据集根目录Windows下用绝对路径 train: train/images val: val/images test: test/images nc: 2 names: [missing_guardrail, normal_guardrail]训练参数在命令行里传比改yaml更灵活。关键参数有imgsz输入尺寸默认640、epochs训练轮数、batch批次大小受显存限制、device指定GPU编号。显存只有6GB的话batch设8到16比较稳妥再大就会OOM。python train.py \ --data data.yaml \ --cfg yolov8n.yaml \ --weights yolov8n.pt \ --epochs 100 \ --batch 16 \ --imgsz 640 \ --device 0 \ --project safety_runs \ --name exp1逐项参数含义--weights yolov8n.pt表示加载COCO预训练权重做迁移学习能显著提升收敛速度--device 0指定第一张显卡只有CPU的机器改成cpu--project safety_runs和--name exp1决定训练日志和权重保存到safety_runs/exp1目录下。训练结束后best.pt和last.pt会生成在该目录前者是验证集上表现最好的权重后者是最后一轮的权重。3.3 训练过程中的损失曲线怎么看YOLOv8训练会实时打印box_loss、cls_loss、dfl_loss三个损失值和mAP50、mAP50-95两个精度指标。box_loss在训练初期快速下降到中期进入平台期是正常现象不要因为它不降就焦虑。cls_loss在二分类场景下通常会降到0.02以下的量级如果一直高居不下先回去检查标注文件类别ID是不是标反了。可视化方面YOLOv8会自动在runs/train/exp目录下生成results.png包含全部损失曲线和精度曲线。如果你想自己画损失函数曲线图做论文配图可以直接读取训练日志中的results.csv文件用matplotlib重新绘制。这是毕设论文里常用的操作资源包也附带了相应的绘图脚本。import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(safety_runs/exp1/results.csv) epochs df[epoch] box_loss df[train/box_loss] plt.figure(figsize(10, 5)) plt.plot(epochs, box_loss, labelBox Loss, color#2E86AB) plt.xlabel(Epoch) plt.ylabel(Loss) plt.title(Training Box Loss Curve) plt.legend() plt.grid(True, alpha0.3) plt.savefig(box_loss_curve.png, dpi150)results.csv每一行对应一个epoch列名里带有train/和val/前缀。绘图脚本适合用来做论文里的损失收敛图灰度化后放正文或附录都可以。如果你的损失曲线在训练后期出现明显震荡一般有两个原因一是学习率没配合余弦退火调度二是batch设太小导致梯度噪声过大。4. 避坑指南训练和部署中最容易翻车的四个问题4.1 现象训练时报“CUDA out of memory”原因batch大小或imgsz尺寸超过了GPU显存上限。GTX 1660 Ti只有6GB显存imgsz如果用640还能跑调到1280必爆显存。遇到这个问题训练中断之前的进度全部丢失。解决先把batch降到4或8imgsz保持640。如果还爆就在训练命令里加--cache False关闭缓存预处理数据到显存的操作。另外YOLOv8默认开启rect模式可以按batch内最长的宽高比做动态padding能在一定程度上省显存。4.2 现象模型训练完mAP很高但测实际监控截图效果很差原因工地场景的光线变化大中午阳光直射和傍晚阴影下的目标外观差异明显训练集里这类光照样本分布不均导致模型泛化能力不足。另一个常见因素是训练集的图片分辨率过低YOLOv8在640输入下对远距离小目标的检测能力本就有限。解决找训练集里表现差的图片单独拉出来做数据增强后重新加入训练集。我一般会用albumentations这个库做随机亮度、对比度、HSV扰动扩增一倍数据再训练。注意增强要适度过度增会让模型学到噪声。4.3 现象推理时类别ID和标签对不上原因训练时data.yaml的names顺序是[missing_guardrail, normal_guardrail]推理脚本里如果手动写names列表顺序和训练时不一致输出的标签就会错位。比如模型预测的是0但界面上显示成正常防护栏结果就全反了。解决推理时直接从训练好的权重文件加载names不要手动硬编码。YOLOv8的predict接口默认会读取训练时保存的yaml配置只要你不手动覆盖names就不会出错。如果使用PyQt5可视化界面做实时检测界面代码里的类别名列表要和训练配置严格一致。4.4 现象RK3588这类边缘设备部署后推理速度极慢原因RK3588的NPU对YOLOv8的支持依赖特定的模型转换工具链。直接导出成ONNX格式给NPU用很多算子不兼容回退到CPU推理速度自然起不来。解决先用ultralytics导出ONNX再按照RKNN-Toolkit的文档转换成RKNN格式。转换时注意设置do_quantizationTrue做INT8量化检测精度会有轻微下降但推理延迟能大幅度降低。这一步需要仔细对着文档操作转换版本、输入尺寸、量化模式都要对齐。5. 可视化界面与推理部署让检测结果不再只是命令行输出资源包里附带的可视化界面是基于PyQt5实现的调用训练好的best.pt权重文件支持本地图片、视频文件和摄像头实时流三种输入方式。界面左侧是原始画面右侧是检测结果检测到的防护栏缺失区域会用红色框标出来正常区域用绿色框顶部实时显示FPS和每帧检测到的目标数量。界面代码的核心逻辑是加载模型后用model.predict()处理每一帧画面再把检测结果绘制到QImage上。如果你想把界面改成自己的风格只需调整PyQt5布局和信号槽逻辑推理部分的代码基本不用动。部署到Windows机器上建议用PyInstaller打包成exe这样现场没有Python环境也能运行。from PyQt5.QtGui import QImage, QPixmap from PyQt5.QtCore import QTimer import cv2 from ultralytics import YOLO class SafetyDetector: def __init__(self, weights_path): self.model YOLO(weights_path) self.timer QTimer() self.timer.timeout.connect(self.process_frame) def process_frame(self): # 从摄像头读取一帧 ret, frame self.cap.read() if not ret: return # YOLOv8推理 results self.model.predict(frame, conf0.35, imgsz640, verboseFalse) # 绘制检测框 annotated results[0].plot() # 转成QImage显示到界面 rgb_image cv2.cvtColor(annotated, cv2.COLOR_BGR2RGB) h, w, ch rgb_image.shape bytes_per_line ch * w qimg QImage(rgb_image.data, w, h, bytes_per_line, QImage.Format_RGB888) self.label.setPixmap(QPixmap.fromImage(qimg))参数说明conf0.35是置信度阈值低于0.35的检测框会被过滤掉这个值调太高会漏检调太低会出现大量误检框。工地远距离的小目标建议设到0.25到0.3区间近距离大目标可以提到0.4。verboseFalse关闭终端日志输出避免在界面上频繁打印推理信息影响效率。部署到边缘设备时要格外注意模型输入尺寸要统一摄像头分辨率如果和训练尺寸不一致模型内部会做Resize但Resize对小目标检测的影响比较明显。我一般会把输入分辨率锁定在1280×720再传给模型而不是直接用1920×1080的原图。配合RKNN量化模型后在RK3588上的推理速度可以控制在每帧20到40毫秒基本满足实时检测的需求。从那以后我每次部署这类工地检测项目都会强制走一遍数据检查、划分、训练、验证、边缘端转换、界面联调这六个步骤尤其是标注文件检查和类别顺序对齐这两个环节翻车概率最大。这套流程跑熟了换任何类似的目标检测项目都能快速上手希望帮到你少走这些弯路。本文还有配套的精品资源点击获取
简介基于YOLOv8的工地临边防护栏缺失检测项目面向计算机视觉、深度学习方向的毕业设计或课程设计需求。项目借助目标检测模型自动识别临边防护栏的缺失情况适合用于工地安全巡检相关的算法研究与原型演示。压缩包内共8个文件包含3个Python脚本覆盖可视化界面、模型训练、视频检测、3个模型权重文件pt以及2个文本说明含README部署指引整包仅15.91MB轻量且结构清晰。目前已有122人学习下载资源提供完整数据集、可视化操作页面与部署教程下载后按说明配置即可直接运行训练部分可输出混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果、标签分布图等核心指标便于答辩演示与效果评估。代码经过测试验证功能完善操作简单部署后即可直接运行对于基础较好的读者也可以在此基础上修改扩展实现更多检测功能或用于其他项目。1. 基于YOLOv8的工地临边防护栏缺失检测源码、数据集与训练部署一次讲透施工工地的临边防护栏缺失检测一直是施工现场安全巡检里最让人头疼的一环。传统人工巡检效率低、漏检率高而基于YOLOv8的目标检测方案恰好能在监控画面里自动框出缺失位置把巡检工作从“人盯屏”变成“算法盯屏”。这份《基于YOLOv8的工地临边防护栏缺失检测》资源包含完整源码、可视化界面、已标注数据集和部署教程解压配置好环境就能直接跑通训练和推理流程。它不挑显卡GTX 1660 Ti这种入门级卡也能带得动特别适合做毕业设计、课程设计或工地安全监测方向的项目练手。接下来我按自己的实操经验把数据集处理、训练参数、界面部署和踩坑记录完整拆给你看。2. 数据集与标注体系训练前必须先搞清的三个细节2.1 类别体系与标注格式说明这份资源用的是YOLOv8标准格式的txt标注每行五个数值依次是类别ID、归一化后的中心点x坐标、中心点y坐标、目标宽度、目标高度。类别只有两类标注文件里用0和1区分分别对应防护栏缺失区域和正常防护栏区域和COCO那种80类的大型数据集相比这个二分类设定更聚焦也更容易训练出可用模型。我第一次拿到数据时习惯先跑一段Python脚本检查标注文件的完整性防止训练中途因为标注格式问题翻车。检查内容包含文件是否有空行、类别ID是否越界、坐标值是否在0到1之间以及图片和标注文件是否一一对应。这类检查看起来简单但确实能省掉大量后面排查错误的时间。import os def check_labels(img_dir, label_dir): img_files [f for f in os.listdir(img_dir) if f.endswith(.jpg)] label_files [f for f in os.listdir(label_dir) if f.endswith(.txt)] # 检查图片与标注文件是否一一对应 img_names {os.path.splitext(f)[0] for f in img_files} label_names {os.path.splitext(f)[0] for f in label_files} missing_labels img_names - label_names orphan_labels label_names - img_names if missing_labels: print(f以下图片缺少标注文件: {missing_labels}) # 逐行检查标注内容 for label_file in label_files: with open(os.path.join(label_dir, label_file), r) as f: lines f.readlines() for line in lines: parts line.strip().split() if len(parts) ! 5: print(f{label_file} 某行格式错误应为5个数) continue cls_id int(parts[0]) x, y, w, h map(float, parts[1:]) if cls_id not in (0, 1): print(f{label_file} 类别ID越界: {cls_id}) if not (0 x 1 and 0 y 1 and 0 w 1 and 0 h 1): print(f{label_file} 坐标未归一化或越界)参数说明img_dir和label_dir分别传入图片和标注文件的目录路径。脚本会先比对两个目录里文件的basename是否完全匹配任何一张图缺标注或标注缺图都会直接报出来。坐标归一化检查重点关注RangesYOLO训练时若某个坐标值大于1Resize阶段会报“AssertionError: coordinate out of range”之类的错误提前拦截能省不少事。2.2 数据集划分策略train / val / test怎么切很多初学者习惯把数据直接丢进去训练结果模型表现时好时坏换一批图片就翻车。这里推荐的做法是按8:1:1或7:2:1的比例划分train、val、test三个集合而且必须保证同一场景下不同帧的图片不能同时出现在train和test里否则模型等于看到过答案评估结果会虚高。资源里的数据集已经按训练集、验证集、测试集组织好了目录结构训练时只需在配置文件中指定路径。如果你是拿别的工地图片自己扩数据建议用下面的脚本来划分它会在保持目录结构的前提下做随机切分。import os import shutil import random source_img datasets/raw/images source_lbl datasets/raw/labels dest datasets/split random.seed(42) all_imgs [f for f in os.listdir(source_img) if f.endswith(.jpg)] random.shuffle(all_imgs) train_ratio, val_ratio 0.8, 0.1 train_count int(len(all_imgs) * train_ratio) val_count int(len(all_imgs) * val_ratio) splits { train: all_imgs[:train_count], val: all_imgs[train_count:train_count val_count], test: all_imgs[train_count val_count:] } for split, imgs in splits.items(): os.makedirs(f{dest}/{split}/images, exist_okTrue) os.makedirs(f{dest}/{split}/labels, exist_okTrue) for img in imgs: shutil.copy(f{source_img}/{img}, f{dest}/{split}/images/{img}) label img.replace(.jpg, .txt) shutil.copy(f{source_lbl}/{label}, f{dest}/{split}/labels/{label}) print(f{split}: {len(imgs)} 张)随机种子设为42是为了让每次划分结果一致方便复现实验。实际项目中如果你发现模型对某些特定角度或光线的图片总是漏检可以手动把这些图片从test集挪到train集让模型见过更多困难样本再评估这属于常规的迭代技巧。2.3 标注质量对最终mAP的影响标注质量直接决定模型天花板。防护栏缺失检测这个场景里最容易出现的标注问题是缺失区域框得太大或太小。框太大把墙面背景都圈进去了框太小又只框住了缺口的一半这两种情况都会让模型学偏。我自己的习惯是标注缺失区域时框尽量贴合缺口边缘宁可框小一点也不要框大。如果数据量不足还可以用Mosaic和MixUp数据增强来补YOLOv8默认开启Mosaic增强能在一定程度上弥补样本量少的问题。3. YOLOv8训练全流程从环境搭建到权重导出3.1 环境配置与依赖版本选择这份资源自带了requirements.txt主要依赖是ultralytics包、torch和torchvision。torch版本的选择要和你本机CUDA版本匹配别直接用pip默认装最新版否则大概率会遇到CUDA和torch版本不兼容的报错。我的建议是先在命令行跑nvidia-smi看驱动支持的CUDA版本再决定装哪个torch版本。# 查看CUDA驱动版本 nvidia-smi # 创建虚拟环境避免污染系统Python conda create -n yolov8-safety python3.9 conda activate yolov8-safety # 安装CUDA 11.8对应的torch以RTX 30系/40系为例 pip install torch2.1.0 torchvision0.16.0 --index-url https://download.pytorch.org/whl/cu118 # 安装ultralytics包自带YOLOv8训练与推理接口 pip install ultralytics8.0.200说明一下--index-url指定PyTorch官方CUDA 11.8的wheel源这是保证torch和CUDA版本匹配最稳妥的方式。ultralytics固定到8.0.200这个版本是因为它对应YOLOv8的基础训练流程后续升级可能改动配置项。如果你的显卡是GTX 1660 Ti这类6GB显存的卡torch版本可以降到1.13.1加CUDA 11.7组合推理速度差别不大。3.2 配置文件修改数据集路径、类别数和训练参数YOLOv8用yaml文件管理数据集路径和训练超参数。资源包里的data.yaml和yolov8n.yaml需要按你的实际路径修改。数据集的yaml最关键的是path字段它指定了数据集根目录train/val/test按相对路径拼接即可。类别数nc设为2names列表按顺序填类别名。# data.yaml path: D:/yolov8-safety/datasets/split # 数据集根目录Windows下用绝对路径 train: train/images val: val/images test: test/images nc: 2 names: [missing_guardrail, normal_guardrail]训练参数在命令行里传比改yaml更灵活。关键参数有imgsz输入尺寸默认640、epochs训练轮数、batch批次大小受显存限制、device指定GPU编号。显存只有6GB的话batch设8到16比较稳妥再大就会OOM。python train.py \ --data data.yaml \ --cfg yolov8n.yaml \ --weights yolov8n.pt \ --epochs 100 \ --batch 16 \ --imgsz 640 \ --device 0 \ --project safety_runs \ --name exp1逐项参数含义--weights yolov8n.pt表示加载COCO预训练权重做迁移学习能显著提升收敛速度--device 0指定第一张显卡只有CPU的机器改成cpu--project safety_runs和--name exp1决定训练日志和权重保存到safety_runs/exp1目录下。训练结束后best.pt和last.pt会生成在该目录前者是验证集上表现最好的权重后者是最后一轮的权重。3.3 训练过程中的损失曲线怎么看YOLOv8训练会实时打印box_loss、cls_loss、dfl_loss三个损失值和mAP50、mAP50-95两个精度指标。box_loss在训练初期快速下降到中期进入平台期是正常现象不要因为它不降就焦虑。cls_loss在二分类场景下通常会降到0.02以下的量级如果一直高居不下先回去检查标注文件类别ID是不是标反了。可视化方面YOLOv8会自动在runs/train/exp目录下生成results.png包含全部损失曲线和精度曲线。如果你想自己画损失函数曲线图做论文配图可以直接读取训练日志中的results.csv文件用matplotlib重新绘制。这是毕设论文里常用的操作资源包也附带了相应的绘图脚本。import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(safety_runs/exp1/results.csv) epochs df[epoch] box_loss df[train/box_loss] plt.figure(figsize(10, 5)) plt.plot(epochs, box_loss, labelBox Loss, color#2E86AB) plt.xlabel(Epoch) plt.ylabel(Loss) plt.title(Training Box Loss Curve) plt.legend() plt.grid(True, alpha0.3) plt.savefig(box_loss_curve.png, dpi150)results.csv每一行对应一个epoch列名里带有train/和val/前缀。绘图脚本适合用来做论文里的损失收敛图灰度化后放正文或附录都可以。如果你的损失曲线在训练后期出现明显震荡一般有两个原因一是学习率没配合余弦退火调度二是batch设太小导致梯度噪声过大。4. 避坑指南训练和部署中最容易翻车的四个问题4.1 现象训练时报“CUDA out of memory”原因batch大小或imgsz尺寸超过了GPU显存上限。GTX 1660 Ti只有6GB显存imgsz如果用640还能跑调到1280必爆显存。遇到这个问题训练中断之前的进度全部丢失。解决先把batch降到4或8imgsz保持640。如果还爆就在训练命令里加--cache False关闭缓存预处理数据到显存的操作。另外YOLOv8默认开启rect模式可以按batch内最长的宽高比做动态padding能在一定程度上省显存。4.2 现象模型训练完mAP很高但测实际监控截图效果很差原因工地场景的光线变化大中午阳光直射和傍晚阴影下的目标外观差异明显训练集里这类光照样本分布不均导致模型泛化能力不足。另一个常见因素是训练集的图片分辨率过低YOLOv8在640输入下对远距离小目标的检测能力本就有限。解决找训练集里表现差的图片单独拉出来做数据增强后重新加入训练集。我一般会用albumentations这个库做随机亮度、对比度、HSV扰动扩增一倍数据再训练。注意增强要适度过度增会让模型学到噪声。4.3 现象推理时类别ID和标签对不上原因训练时data.yaml的names顺序是[missing_guardrail, normal_guardrail]推理脚本里如果手动写names列表顺序和训练时不一致输出的标签就会错位。比如模型预测的是0但界面上显示成正常防护栏结果就全反了。解决推理时直接从训练好的权重文件加载names不要手动硬编码。YOLOv8的predict接口默认会读取训练时保存的yaml配置只要你不手动覆盖names就不会出错。如果使用PyQt5可视化界面做实时检测界面代码里的类别名列表要和训练配置严格一致。4.4 现象RK3588这类边缘设备部署后推理速度极慢原因RK3588的NPU对YOLOv8的支持依赖特定的模型转换工具链。直接导出成ONNX格式给NPU用很多算子不兼容回退到CPU推理速度自然起不来。解决先用ultralytics导出ONNX再按照RKNN-Toolkit的文档转换成RKNN格式。转换时注意设置do_quantizationTrue做INT8量化检测精度会有轻微下降但推理延迟能大幅度降低。这一步需要仔细对着文档操作转换版本、输入尺寸、量化模式都要对齐。5. 可视化界面与推理部署让检测结果不再只是命令行输出资源包里附带的可视化界面是基于PyQt5实现的调用训练好的best.pt权重文件支持本地图片、视频文件和摄像头实时流三种输入方式。界面左侧是原始画面右侧是检测结果检测到的防护栏缺失区域会用红色框标出来正常区域用绿色框顶部实时显示FPS和每帧检测到的目标数量。界面代码的核心逻辑是加载模型后用model.predict()处理每一帧画面再把检测结果绘制到QImage上。如果你想把界面改成自己的风格只需调整PyQt5布局和信号槽逻辑推理部分的代码基本不用动。部署到Windows机器上建议用PyInstaller打包成exe这样现场没有Python环境也能运行。from PyQt5.QtGui import QImage, QPixmap from PyQt5.QtCore import QTimer import cv2 from ultralytics import YOLO class SafetyDetector: def __init__(self, weights_path): self.model YOLO(weights_path) self.timer QTimer() self.timer.timeout.connect(self.process_frame) def process_frame(self): # 从摄像头读取一帧 ret, frame self.cap.read() if not ret: return # YOLOv8推理 results self.model.predict(frame, conf0.35, imgsz640, verboseFalse) # 绘制检测框 annotated results[0].plot() # 转成QImage显示到界面 rgb_image cv2.cvtColor(annotated, cv2.COLOR_BGR2RGB) h, w, ch rgb_image.shape bytes_per_line ch * w qimg QImage(rgb_image.data, w, h, bytes_per_line, QImage.Format_RGB888) self.label.setPixmap(QPixmap.fromImage(qimg))参数说明conf0.35是置信度阈值低于0.35的检测框会被过滤掉这个值调太高会漏检调太低会出现大量误检框。工地远距离的小目标建议设到0.25到0.3区间近距离大目标可以提到0.4。verboseFalse关闭终端日志输出避免在界面上频繁打印推理信息影响效率。部署到边缘设备时要格外注意模型输入尺寸要统一摄像头分辨率如果和训练尺寸不一致模型内部会做Resize但Resize对小目标检测的影响比较明显。我一般会把输入分辨率锁定在1280×720再传给模型而不是直接用1920×1080的原图。配合RKNN量化模型后在RK3588上的推理速度可以控制在每帧20到40毫秒基本满足实时检测的需求。从那以后我每次部署这类工地检测项目都会强制走一遍数据检查、划分、训练、验证、边缘端转换、界面联调这六个步骤尤其是标注文件检查和类别顺序对齐这两个环节翻车概率最大。这套流程跑熟了换任何类似的目标检测项目都能快速上手希望帮到你少走这些弯路。本文还有配套的精品资源点击获取
