简介这是一套面向计算机、人工智能、自动化等专业学生与教师的机场跑道FOD异物监测系统完整项目基于YOLOv8目标检测框架实现可用于毕业设计、课程设计或大作业演示。资源包共97个文件以70个Python源码文件为核心辅以4个pt模型权重、5个xml配置、12个pyc编译文件及mp4演示视频等压缩包约24.21MB涵盖训练、推理、可视化界面与部署说明。项目已完整跑通可生成核心指标曲线、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果与标签分布图并配有可视化页面与README说明部署简单、上手即用。目前已有124人学习下载。读者可据此快速复现整套检测流程理解YOLOv8在跑道异物监测中的落地方式也可在源码基础上修改扩展用于毕设答辩或项目初期立项演示。1. 机场跑道 FOD 监测到底难在哪从一条 3 厘米螺栓说起一条 3 厘米长的螺栓掉在跑道接缝处肉眼在 200 米外几乎看不见但一架落地速度 250 km/h 的客机发动机吸入它维修账单能到七位数。FODForeign Object Debris外来物碎片监测要解决的就是这件事在飞机起降前把跑道上的金属件、碎石、塑料、纸箱、鸟尸这类东西找出来并定位。传统做法靠人工巡道一小时一趟中间的空窗期就是风险敞口。这套《基于 YOLOv8 的机场跑道 FOD 监测系统》想干的事很直接用摄像头拍跑道用 YOLOv8 做目标检测把 FOD 框出来再配一个可视化界面和完整数据集让毕设或课程设计能简单部署就跑起来。它适合三类人要交毕设的学生、想快速验证 FOD 检测可行性的工程师、以及需要一套能改能扩的检测基线的人。核心词就三个——YOLOv8、FOD、监测系统后面所有章节都围绕它们展开。2. YOLOv8 做 FOD 检测的选型账为什么不是 Faster R-CNN 或 YOLOv52.1 跑道场景对检测器的三个硬约束跑道 FOD 检测和普通目标检测不一样它有三个绕不开的约束。第一是目标极小FOD 在画面里可能只占 20×20 像素YOLOv8 的 P3 特征图stride 8是能覆盖这个尺度的最低层再往下就丢了。第二是背景单调但干扰多跑道是灰色混凝土FOD 和接缝、轮胎印、阴影的对比度很低模型容易把接缝当目标。第三是实时性跑道监控通常多路摄像头单路推理要压到 30 ms 以内否则多路叠加就卡死。YOLOv8 在这三点上的表现anchor-free 解耦头对小目标回归更稳C2f 模块比 YOLOv5 的 C3 多了一条梯度路径小目标召回率实测能高 3 到 5 个百分点。Faster R-CNN 精度可能略高但两阶段推理在 1080Ti 上单帧要 80 ms 以上多路场景直接出局。YOLOv5 不是不能用但 YOLOv8 的 ultralytics 库把训练、验证、导出、推理统一成一套 API部署教程能少写一半。2.2 环境配置CPU 版和 GPU 版的分叉点热词里有人搜「ubuntu20.04 搭建 yolov8 环境 cpu 版本」也有人搜「gtx1660ti 跑 yolov8」这两条路配置不一样。CPU 版适合先跑通流程、验证数据集GPU 版才是训练和部署的正路。下面给一套在 Ubuntu 20.04 上从零到能推理的最小命令Python 用 3.10CUDA 用 11.8GPU 版。# 1. 建虚拟环境别用系统 Python否则依赖冲突会让你怀疑人生 python3.10 -m venv fod_env source fod_env/bin/activate # 2. 装 PyTorchCPU 版和 GPU 版二选一 # CPU 版先跑通流程用 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu # GPU 版CUDA 11.81660Ti 也能用 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 3. 装 ultralyticsYOLOv8 的官方库 pip install ultralytics # 4. 验证装好了没 yolo checks这段命令的逻辑虚拟环境隔离依赖PyTorch 按硬件选源ultralytics 一条命令带出 YOLOv8 全部功能。参数上注意--index-url必须和你的 CUDA 版本匹配装错了torch.cuda.is_available()会返回 False训练时默默跑在 CPU 上速度差 20 倍。yolo checks会打印环境摘要重点看 CUDA 那一行是不是可用。2.3 数据集怎么组织FOD 标注的目录结构和 yaml 写法标题里说「完整数据集」但你要知道数据集怎么摆才能被 YOLOv8 吃进去。常见做法是 images 和 labels 平行放train/val 分开yaml 里写绝对路径或相对路径都行但相对路径的基准是 ultralytics 的运行目录容易踩坑我一般写绝对路径。# fod_dataset.yaml path: /home/user/fod_dataset # 数据集根目录 train: images/train # 训练集图片相对 path val: images/val # 验证集图片 nc: 4 # 类别数按你的数据集改 names: # 类别名顺序必须和标注一致 0: metal # 金属件 1: stone # 碎石 2: plastic # 塑料 3: other # 其他标注格式是 YOLO 的 txt每行class_id x_center y_center width height全部归一化到 0 到 1。这里最容易翻车的是类别顺序names 里 0 是 metal标注文件里 0 也必须是 metal错一位整个训练就废了。数据集划分建议 train:val 8:2FOD 这种小目标场景验证集少于 200 张mAP 波动会很大看不出真实水平。3. 训练自己的 FOD 数据集参数怎么设、曲线怎么看3.1 从预训练权重开始一条命令跑通训练YOLOv8 训练的核心就一条命令但参数含义得说清楚不然你调不动。下面这条是 FOD 场景的常用起点基于 yolov8ssmall预训练权重1660Ti 6G 显存能跑 batch 16。yolo detect train \ modelyolov8s.pt \ # 预训练权重别从 yaml 从零训 datafod_dataset.yaml \ # 数据集配置 epochs100 \ # 训练轮数FOD 一般 80-150 imgsz640 \ # 输入尺寸小目标可上 1280 batch16 \ # 批大小显存不够就降 lr00.01 \ # 初始学习率 patience20 \ # 20 轮没提升就早停 device0 \ # GPU 编号CPU 写 cpu projectruns/fod \ # 输出目录 nameexp1 # 实验名逻辑说明modelyolov8s.pt是关键预训练权重让模型带着通用特征来FOD 数据集通常几千张从零训根本收敛不了。imgsz640是默认值但 FOD 目标小如果显存够上 1280 能让小目标召回明显提升代价是显存翻倍、速度减半。patience20是后悔药防止过拟合后白跑几十轮。lr00.01配合默认的余弦退火前 3 轮 warmup这是 ultralytics 的默认策略一般不用改。3.2 损失曲线和 mAP 曲线哪条线不对劲就该停训练跑起来后runs/fod/exp1/下会有 results.csv 和一堆曲线图。热词里有人搜「yolov8 画损失函数曲线图」其实 ultralytics 自动画了你要会看。重点看三条box_loss、cls_loss、mAP50。box_loss 和 cls_loss 正常是前 10 轮快速下降然后缓慢收敛。如果 box_loss 震荡不降多半是学习率太大或标注框有问题。如果 cls_loss 降但 mAP 不涨说明模型在背类别但定位不准检查标注框是否贴合目标。mAP50 在 FOD 场景能到 0.85 以上算可用0.7 以下要回头看数据集质量。验证集 mAP 涨、训练集 mAP 更高但差距拉大就是过拟合早停或加数据增强。# 用 pandas 快速看 results.csv比翻图快 import pandas as pd df pd.read_csv(runs/fod/exp1/results.csv) df.columns df.columns.str.strip() # 列名有空格先去掉 # 看最后 10 轮的 mAP 和 loss print(df[[epoch, train/box_loss, metrics/mAP50(B)]].tail(10))这段代码的逻辑results.csv 列名带空格直接取列会报 KeyError先 strip。看最后 10 轮能判断是否还在提升如果 mAP 连续 10 轮不动继续训就是浪费电。参数上metrics/mAP50(B)是 IoU0.5 的 mAPFOD 场景看这个就够mAP50-95 更严格但小目标上普遍偏低参考价值有限。3.3 数据增强FOD 场景该开哪些、该关哪些YOLOv8 默认开了一堆增强但 FOD 场景有些要关。默认的 mosaic 增强把 4 张图拼一起对小目标有帮助但 FOD 目标本来就小拼完更小建议保留但把mosaic1.0降到 0.5。HSV 增强色调、饱和度、亮度要开跑道光照变化大这个能提升鲁棒性。翻转增强fliplr0.5可以开但flipud要关跑道图上下翻转不符合物理场景翻了反而引入噪声。# 在训练命令里覆盖默认增强参数 yolo detect train modelyolov8s.pt datafod_dataset.yaml epochs100 \ mosaic0.5 \ # 降低 mosaic 比例保护小目标 fliplr0.5 \ # 水平翻转保留 flipud0.0 \ # 关闭上下翻转 hsv_h0.015 \ # 色调抖动默认值 hsv_v0.4 \ # 亮度抖动跑道光照变化大可加大 scale0.5 # 缩放增强小目标场景别太大参数说明mosaic0.5表示 50% 概率做 mosaic比默认 1.0 温和。hsv_v0.4比默认 0.4 持平如果数据集光照单一可以加到 0.6。scale0.5是随机缩放范围FOD 目标小缩放太狠会让目标消失0.5 是保守值。这些参数没有绝对最优跑两组对比看 mAP 就知道。4. 可视化界面和部署从权重文件到能点的系统4.1 界面选型Gradio 还是 PyQt毕设场景怎么选标题里说「可视化界面」常见做法有两种Gradio 做 Web 界面PyQt 做桌面界面。毕设场景我推荐 Gradio原因是部署简单一条命令起服务浏览器就能访问答辩时不用装环境。PyQt 适合需要离线、需要复杂交互的场景但打包成 exe 容易出玄学问题。# app.pyGradio 版 FOD 检测界面 import gradio as gr from ultralytics import YOLO from PIL import Image model YOLO(runs/fod/exp1/weights/best.pt) # 训练好的权重 def detect(image): results model(image, conf0.25, iou0.45) # 推理 annotated results[0].plot() # 画框 return Image.fromarray(annotated[..., ::-1]) # BGR 转 RGB demo gr.Interface( fndetect, inputsgr.Image(typepil), # 输入图片 outputsgr.Image(typepil), # 输出带框图片 title机场跑道 FOD 监测系统, description上传跑道图片自动检测异物 ) demo.launch(server_name0.0.0.0, server_port7860)逻辑说明YOLO(best.pt)加载训练好的权重conf0.25是置信度阈值低于这个的框不显示FOD 场景建议 0.25 到 0.3太低误报多太高漏检。iou0.45是 NMS 的 IoU 阈值重叠框合并。results[0].plot()直接返回带框的 numpy 数组格式是 BGR转 RGB 才能被 PIL 正确显示。server_name0.0.0.0让局域网能访问答辩时手机也能看。4.2 模型导出ONNX 和 TensorRT 怎么选训练完的 .pt 权重推理要过 PyTorch速度一般。部署到实际系统通常导出 ONNX 或 TensorRT。ONNX 通用性好CPU 和 GPU 都能跑TensorRT 在 NVIDIA 卡上最快但绑定硬件。热词里有人搜「rk3588 部署 yolov8」和「hi3516cv610 yolov8 模型转换」那是嵌入式路线导出格式又不一样这里先说通用路线。# 导出 ONNX动态 batch适合服务端 yolo export modelruns/fod/exp1/weights/best.pt formatonnx dynamicTrue opset12 # 导出 TensorRTFP16 精度1660Ti 上速度翻倍 yolo export modelruns/fod/exp1/weights/best.pt formatengine halfTrue device0参数说明dynamicTrue让 ONNX 支持动态 batch 和动态尺寸服务端多请求时有用。opset12是 ONNX 算子集版本太低不支持某些算子太高有些推理引擎不认12 是稳妥值。halfTrue是 FP16 量化精度损失通常 1 个百分点以内速度提升接近一倍1660Ti 支持 FP16。导出后在 Python 里用YOLO(best.onnx)或YOLO(best.engine)直接推理API 不变。4.3 部署到实际监控流从单图到视频流单图检测跑通后实际系统要处理视频流。常见做法是用 OpenCV 读 RTSP 流或本地视频逐帧推理画框后推流或显示。这里有个坑逐帧推理如果模型慢帧会堆积延迟越来越大。解决办法是跳帧或开一个独立线程做推理主线程只负责取帧和显示。import cv2 from ultralytics import YOLO model YOLO(best.engine) # 用 TensorRT 引擎速度最快 cap cv2.VideoCapture(rtsp://your_camera_stream) # 换成你的流地址 while True: ret, frame cap.read() if not ret: break results model(frame, conf0.25, verboseFalse) # verboseFalse 关日志 annotated results[0].plot() cv2.imshow(FOD Monitor, annotated) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()逻辑说明verboseFalse关掉每帧的日志打印否则控制台刷屏。cv2.waitKey(1)是必须的否则窗口不刷新。实际部署时imshow换成推流或存盘。如果帧率跟不上在cap.read()后加跳帧逻辑比如每 3 帧处理 1 帧代价是可能漏掉快速出现的 FOD需要根据场景权衡。5. 避坑与排查FOD 检测系统落地时最容易翻车的 5 个点5.1 现象训练 loss 正常降但验证 mAP 一直是 0原因最常见的是标注文件和图片不对应或者 yaml 里路径写错模型实际在训空标签。其次是类别顺序错位names 和标注的 class_id 对不上。解决先跑yolo detect val modelbest.pt datafod_dataset.yaml看验证集能不能加载。再随机抽 10 张图用yolo detect predict看有没有框。如果框乱飞检查标注。路径问题用绝对路径最稳。5.2 现象小目标 FOD 漏检严重大目标正常原因输入尺寸 640 时20 像素的目标在 P3 特征图上只剩 2 到 3 个像素特征太弱。或者数据集中小目标样本太少模型没学到。解决把imgsz提到 1280显存不够就降 batch。数据层面用 mosaic 增强增加小目标出现频率或者专门裁剪小目标区域做过采样。YOLOv8 的 P2 层stride 4可以加但要改模型结构属于改进范畴先试前两个。5.3 现象推理时 GPU 利用率低速度上不去原因数据预处理在 CPU 上成了瓶颈或者用了 .pt 权重没导出 TensorRT。1660Ti 上 .pt 推理 640 尺寸大概 15 msTensorRT FP16 能到 7 ms。解决导出 TensorRT 引擎halfTrue。如果还慢检查cv2.VideoCapture的取帧是否阻塞用独立线程取帧。另外verboseFalse能省一点日志开销量不大但积少成多。5.4 现象界面能跑但上传大图就崩原因Gradio 默认对输入图片有尺寸限制或者模型推理时显存爆了。大图 resize 到 1280 后显存占用翻倍。解决在 Gradio 的gr.Image里加image_modeRGB和尺寸限制或者在detect函数里先 resize 到固定尺寸再推理。显存不够就降imgsz或换更小的模型yolov8n。5.5 现象换一台机器部署报 CUDA 版本不匹配原因训练和部署的 CUDA 版本不一致或者 PyTorch 版本和 CUDA 对不上。1660Ti 支持 CUDA 11.x 和 12.x但 PyTorch 编译时绑定了特定版本。解决部署机器上用nvidia-smi看驱动支持的 CUDA 版本然后装对应版本的 PyTorch。最稳的办法是用 Docker把环境固化。如果目标机器没 GPU导出 ONNX 用 CPU 推理速度慢但能跑。6. 把 FOD 检测做扎实的一个技巧用置信度分层和尺寸过滤压误报系统能跑之后真正影响可用性的是误报。跑道上接缝、阴影、轮胎印被框成 FOD监控员看多了就不信系统了。我一般加两层过滤置信度分层和尺寸过滤。置信度高于 0.5 的直接报0.25 到 0.5 之间的进二次确认队列尺寸小于画面 0.1% 的框直接丢因为真实 FOD 再小也有个下限。def filter_detections(results, img_shape, conf_high0.5, min_area_ratio0.001): 分层过滤高置信度直接留低置信度看尺寸 boxes results[0].boxes h, w img_shape[:2] img_area h * w keep [] for box in boxes: conf float(box.conf) x1, y1, x2, y2 box.xyxy[0].tolist() area_ratio (x2 - x1) * (y2 - y1) / img_area if area_ratio min_area_ratio: continue # 太小丢 if conf conf_high: keep.append(box) # 高置信度直接留 elif conf 0.25: keep.append(box) # 低置信度但尺寸够留待人工确认 return keep这段代码的逻辑min_area_ratio0.001表示框面积小于画面千分之一就丢1080P 下约 2000 像素对应 45×45 的框比这小的 FOD 本来也看不清。conf_high0.5是分层线高置信度直接报低置信度留给人工。参数要根据你的摄像头分辨率和 FOD 实际尺寸调没有万能值。我习惯在验证集上跑一遍看误报和漏检的平衡点再定这两个数。还有个习惯每次改完参数别只看 mAP一定拿一段真实跑道视频跑一遍肉眼看误报。mAP 涨了但误报多了系统反而更难用。FOD 检测这事召回率重要但误报率决定监控员愿不愿意用。希望帮到你。本文还有配套的精品资源点击获取