简介这份资源是面向计算机视觉方向的毕业设计与课程设计参考项目围绕玻璃幕墙结构胶老化程度评估展开采用YOLOv8目标检测框架实现多类别老化状态识别。项目适合人工智能、计算机、自动化等专业学生及需要快速搭建检测系统的开发者提供从数据到界面再到部署的完整闭环。压缩包共97个文件约24.21MB以70个Python源码文件为核心辅以4个pt权重文件、5个xml配置、12个pyc缓存及少量txt说明与ico图标涵盖模型训练、推理检测、可视化服务等模块。已有35人学习下载。资源包含完整数据集、可视化界面与部署说明可生成核心指标曲线、混淆矩阵、F1分数曲线、精确率-召回率曲线及验证集预测结果并附有视频测试样例与多模型权重便于直接运行、复现实验与二次修改适合作为毕设答辩或课程作业的可靠基础。1. 从一张幕墙照片到老化等级这套评估系统到底在做什么玻璃幕墙用久了最怕的不是玻璃碎而是把玻璃粘在铝框上的那层结构胶悄悄老化。硅酮结构胶在紫外线、温差、湿度循环下会逐渐硬化、开裂、粉化肉眼在几十米外根本看不出来但一旦失效就是整块玻璃坠落的风险。传统做法靠人工吊篮近距离目视检查效率低、危险、还极度依赖老师傅的经验。这套《基于YOLOv8的玻璃幕墙结构胶老化程度评估系统》想解决的就是这件事用无人机或长焦拍到的幕墙胶缝图像喂给 YOLOv8 做目标检测把胶缝区域框出来并判定老化等级再配一个可视化界面把结果叠加回原图最后给出一份可存档的评估记录。它适合做毕设或课程设计的同学也适合想快速验证「视觉检测能不能替代部分人工巡检」的工程人员。整套东西包含源码、完整数据集、可视化界面和部署教程简单部署即可运行重点不在炫技而在于把数据、模型、界面、部署这条链路完整跑通。下面我按自己落地这类项目的顺序把关键环节拆开讲清楚。2. 数据先行结构胶老化数据集怎么标、怎么分、怎么增强2.1 老化等级怎么定义才不打架做检测项目翻车往往不是模型不行而是标签定义从一开始就含糊。结构胶老化如果只分「好/坏」两类模型学到的边界会非常模糊因为「轻微老化」和「中度老化」在像素上差异很小。我一般会按工程可判读的标准分成四类让标注员有明确依据等级代号视觉特征处理建议正常normal胶缝饱满、颜色均匀、无裂纹常规巡检轻微老化slight表面轻微粉化、局部变色缩短巡检周期中度老化moderate出现细裂纹、边缘轻微剥离安排复检严重老化severe明显开裂、脱粘、胶体缺失立即维修这个分级不是拍脑袋而是让每一类都有可复现的判读特征。标注时要求标注员对同一张图独立标两次一致性低于 90% 的样本退回重标。类别不平衡是常态严重老化样本通常最少所以后面增强要针对性补。2.2 用 Labelme 标注再转 YOLOv8 格式热词里 labelme 标注用于 yolov8 是高频需求实际流程就是先标 JSON 再转 TXT。Labelme 画框时类别名直接写英文代号避免中文路径和中文类别带来的编码坑。# 安装 labelme pip install labelme # 启动标注图像目录和输出目录分开 labelme images/ --output labels_json/ --autosave标完得到一堆 JSON需要转成 YOLOv8 要求的class x_center y_center width height归一化格式。转换脚本如下import json import os from pathlib import Path # 类别顺序必须和 data.yaml 里的 names 完全一致 CLASSES [normal, slight, moderate, severe] CLASS_TO_ID {c: i for i, c in enumerate(CLASSES)} def convert(json_dir, out_dir, img_dir): os.makedirs(out_dir, exist_okTrue) for jf in Path(json_dir).glob(*.json): data json.loads(jf.read_text(encodingutf-8)) # 原图尺寸用于归一化缺失就跳过别硬算 img_h data.get(imageHeight) img_w data.get(imageWidth) if not img_w or not img_h: print(fskip {jf.name}: no size) continue lines [] for shape in data[shapes]: label shape[label] if label not in CLASS_TO_ID: continue (x1, y1), (x2, y2) shape[points] # 保证左上右下顺序标注时手抖反了也能救 x1, x2 min(x1, x2), max(x1, x2) y1, y2 min(y1, y2), max(y1, y2) xc (x1 x2) / 2 / img_w yc (y1 y2) / 2 / img_h w (x2 - x1) / img_w h (y2 - y1) / img_h lines.append(f{CLASS_TO_ID[label]} {xc:.6f} {yc:.6f} {w:.6f} {h:.6f}) out_file Path(out_dir) / (jf.stem .txt) out_file.write_text(\n.join(lines), encodingutf-8) convert(labels_json, labels_txt, images)逻辑说明CLASSES的顺序是全局契约训练、推理、界面显示都依赖它改一处必须全改。归一化用原图宽高所以 JSON 里必须带尺寸信息Labelme 默认会写。坐标顺序做了 min/max 保护避免标注时拖框方向不一致导致负宽高。参数上:.6f保留六位小数足够YOLO 内部还会再处理。2.3 划分数据集与针对性增强划分比例我一般用 8:1:1但幕墙图像有个特点同一面墙的相邻照片高度相似如果随机划分训练集和验证集会「串味」验证指标虚高。正确做法是按「幕墙编号」分组划分同一面墙的图只进一个集合。import random from pathlib import Path from collections import defaultdict def split_by_wall(img_dir, label_dir, out_root, ratios(0.8, 0.1, 0.1)): # 文件名前缀假设为 wallID_xxx.jpg按 wallID 分组 groups defaultdict(list) for img in Path(img_dir).glob(*.jpg): wall_id img.stem.split(_)[0] groups[wall_id].append(img.stem) walls list(groups.keys()) random.seed(42) # 固定种子保证可复现 random.shuffle(walls) n len(walls) n_train int(n * ratios[0]) n_val int(n * ratios[1]) splits { train: walls[:n_train], val: walls[n_train:n_train n_val], test: walls[n_train n_val:], } for split, wall_list in splits.items(): for sub in (images, labels): (Path(out_root) / split / sub).mkdir(parentsTrue, exist_okTrue) for wall in wall_list: for stem in groups[wall]: src_img Path(img_dir) / f{stem}.jpg src_lbl Path(label_dir) / f{stem}.txt if src_img.exists(): (Path(out_root) / split / images / src_img.name).write_bytes(src_img.read_bytes()) if src_lbl.exists(): (Path(out_root) / split / labels / src_lbl.name).write_bytes(src_lbl.read_bytes()) split_by_wall(images, labels_txt, dataset)增强方面幕墙图像的难点是光照和角度。我一般开 HSV 抖动、随机旋转 ±15 度、mosaic但不开上下翻转因为幕墙有重力方向翻转会造出不存在的物理状态。严重老化样本少可以单独对它做复制加轻微扰动但别过度否则模型会对这一类过拟合。3. YOLOv8 训练参数怎么设、损失曲线怎么看、模型怎么选3.1 环境搭建与预训练权重热词里 yolov8 环境配置、yolov8 预训练权重下载 是绕不开的。CPU 版本也能跑通小数据集只是慢。Ubuntu 20.04 上我一般这样配conda create -n yolo8 python3.10 -y conda activate yolo8 # 装 ultralytics会自动带 torchCPU 机器不用额外装 cuda pip install ultralytics # 验证 yolo checks预训练权重用yolov8n.pt或yolov8s.ptn 最快适合毕设演示s 精度更好适合真实巡检。权重文件放到项目根目录训练时指定路径即可不要依赖自动下载离线环境会卡住。3.2 data.yaml 与训练命令data.yaml是数据和类别的契约文件path: ./dataset train: train/images val: val/images test: test/images nc: 4 names: [normal, slight, moderate, severe]训练命令yolo detect train \ modelyolov8s.pt \ datadata.yaml \ epochs150 \ imgsz640 \ batch16 \ lr00.01 \ lrf0.01 \ patience30 \ device0 \ projectruns/glue \ nameexp1参数说明imgsz640是精度和速度的平衡点幕墙胶缝细长再小会丢细节batch16显存不够就降到 8 或 4CPU 训练建议 4lr00.01是初始学习率配合lrf0.01做余弦退火patience30表示 30 轮没提升就早停省时间。device0用第一块 GPUCPU 训练改成devicecpu。3.3 损失曲线怎么读才算没白跑热词 yolov8 画损失函数曲线图 背后是想判断训练是否健康。训练完runs/glue/exp1/下有results.csv画图import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(runs/glue/exp1/results.csv) df.columns [c.strip() for c in df.columns] # 列名可能带空格 fig, axes plt.subplots(1, 2, figsize(12, 4)) axes[0].plot(df[epoch], df[train/box_loss], labelbox) axes[0].plot(df[epoch], df[train/cls_loss], labelcls) axes[0].plot(df[epoch], df[train/dfl_loss], labeldfl) axes[0].set_title(train loss) axes[0].legend() axes[1].plot(df[epoch], df[metrics/mAP50(B)], labelmAP50) axes[1].plot(df[epoch], df[metrics/mAP50-95(B)], labelmAP50-95) axes[1].set_title(val mAP) axes[1].legend() plt.savefig(loss_curve.png, dpi150)判断标准三条 loss 应平滑下降若 cls_loss 震荡剧烈多半是类别不平衡或学习率过大若 mAP50 早早到 0.9 但 mAP50-95 很低说明框位置不够准可能是标注框太松。验证 loss 开始上升而训练 loss 继续降就是过拟合该早停或加增强。3.4 模型选型与改进的边界热词 yolov8 改进、yolov8 head 改进、协调注意力机制 很热但我要泼盆冷水毕设或课程设计阶段先把 baseline 跑稳比堆改进重要。如果 baseline 的 mAP50 已经 0.85 以上再考虑加注意力。加注意力前先确认瓶颈在哪——是漏检小目标还是分类混淆。幕墙胶缝是细长目标如果漏检多优先调imgsz和 anchor而不是盲目加模块。改进后必须做消融对比同一份验证集、同一个种子否则指标波动你分不清是改进还是玄学。4. 可视化界面把检测结果变成能给人看的评估报告4.1 界面选型Gradio 还是 Streamlit毕设演示要的是「打开就能用」我一般选 Gradio因为它对图像输入输出支持最直接几十行就能出一个能上传、能显示、能下载的界面。Streamlit 更适合做多页报表。这里用 Gradioimport gradio as gr from ultralytics import YOLO from PIL import Image import numpy as np model YOLO(runs/glue/exp1/weights/best.pt) CLASSES [normal, slight, moderate, severe] # 等级到建议的映射界面直接给结论 ADVICE { normal: 常规巡检, slight: 缩短巡检周期, moderate: 安排复检, severe: 立即维修, } def assess(img): if img is None: return None, 请上传幕墙图像 results model.predict(img, imgsz640, conf0.25, iou0.45) r results[0] annotated r.plot() # BGR numpy annotated annotated[:, :, ::-1] # 转 RGB 给界面 counts {} for box in r.boxes: name CLASSES[int(box.cls)] counts[name] counts.get(name, 0) 1 if not counts: return annotated, 未检测到胶缝区域请确认图像角度 # 取最严重等级作为整体结论 order [severe, moderate, slight, normal] worst next(c for c in order if c in counts) detail .join(f{k}:{v} for k, v in counts.items()) return annotated, f整体评估{worst}{ADVICE[worst]}\n明细{detail} demo gr.Interface( fnassess, inputsgr.Image(typenumpy), outputs[gr.Image(label检测结果), gr.Textbox(label评估结论)], title玻璃幕墙结构胶老化评估, ) demo.launch(server_name0.0.0.0, server_port7860)逻辑说明conf0.25是置信度阈值太低会误检太高会漏检幕墙场景我一般从 0.25 起调iou0.45控制重叠框合并。整体结论取最严重等级符合工程上「就高不就低」的安全原则。r.plot()返回 BGR必须转 RGB否则界面颜色发蓝这是新手最常见的翻车点。4.2 界面之外还要留一份可存档记录演示界面好看但工程上要留痕。我一般加一个 CSV 落盘每次评估记录时间、文件名、各等级数量、整体结论。这样巡检报告可追溯也方便后续统计某面墙的老化趋势。落盘代码放在assess里用csv追加写即可注意加文件锁或单线程Gradio 默认并发下多请求同时写会乱。5. 部署与避坑从本机跑通到别人也能跑通5.1 部署教程该覆盖的最小闭环热词里部署教程、docker 部署、rk3588 部署 yolov8 都指向同一个诉求换台机器还能跑。最小闭环是依赖清单、权重文件、启动命令、端口说明。我一般给一个requirements.txt加一个start.sh# start.sh #!/bin/bash set -e python -c from ultralytics import YOLO; YOLO(yolov8s.pt) # 预热检查 python app.pyDocker 化时基础镜像选python:3.10-slim把权重和代码 COPY 进去暴露 7860 端口。注意 slim 镜像缺 OpenCV 依赖要补libgl1和libglib2.0-0否则import cv2直接报错这个坑几乎人人踩一次。5.2 常见问题排查现象训练一开始就报类别越界。原因data.yaml的names顺序和标注转换时的CLASSES不一致标签里的类别 id 超出nc。解决两边顺序逐字对齐改完重新生成标签。现象界面检测框颜色全一样分不清等级。原因r.plot()默认按类别上色但如果类别 id 映射错颜色会错乱。解决确认CLASSES顺序必要时自己写画框逻辑按等级指定颜色。现象验证集 mAP 很高实际用起来一塌糊涂。原因数据集按随机划分同一面墙的图同时进了训练和验证指标虚高。解决按幕墙编号分组划分重训。现象CPU 训练慢到怀疑人生。原因imgsz和batch太大或没开多线程。解决降到imgsz416、batch4设workers4或者干脆先用yolov8n跑通流程再换大模型。现象Docker 里启动报缺库。原因slim 镜像缺系统级依赖。解决Dockerfile 里apt-get install -y libgl1 libglib2.0-0再装 Python 依赖。6. 让评估结果更可信置信度校准与一个实用技巧模型给出「severe」不代表一定准工程上要的是可信。我一般做两件事一是置信度校准用验证集统计每个等级在不同置信度阈值下的准确率和召回率画 PR 曲线选一个让严重老化召回优先的阈值——安全场景宁可误报不可漏报所以 severe 类的阈值我会压到 0.2 左右。二是多帧投票同一段胶缝如果有多张不同角度的图对同一区域的检测结果做投票单帧误检会被压下去。import numpy as np from collections import Counter def vote_severity(frame_results): # frame_results: 每帧的整体结论列表如 [moderate,severe,moderate] cnt Counter(frame_results) # 严重等级加权安全优先 weight {severe: 3, moderate: 2, slight: 1, normal: 0} score sum(weight[r] for r in frame_results) / len(frame_results) if score 2.0: return severe if score 1.0: return moderate if score 0: return slight return normal这个加权投票的逻辑是只要多帧里 severe 占比够高整体就判 severe避免单帧漏检导致低估风险。参数weight可以按项目实际调整但 severe 的权重一定要拉开。还有一个我踩过坑才养成的习惯每次改完数据或参数先跑 10 张图的推理可视化肉眼确认框和类别都对再启动长训练。血泪经验是直接开 150 轮训练两小时后才发现标签全错那种后悔药没处买。这套系统值不值得做如果你要做毕设或课程设计它把数据、模型、界面、部署四条线都串起来了工作量饱满且可复现如果你要做真实巡检它能当辅助筛查但别指望它替代人工复检边界要清楚。希望帮到你。本文还有配套的精品资源点击获取