简介面向计算机视觉与深度学习方向的毕业设计和课程设计需求这份基于YOLOv8的太阳能板表面灰尘检测项目提供完整可运行的解决方案。代码涵盖模型训练、视频检测与可视化界面三大模块附带完整数据集和预训练权重部署后即可直接启动训练过程能输出核心指标曲线图、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果及标签分布图方便答辩演示与效果评估。资源包共8个文件以Python脚本、PyTorch模型权重和说明文档为主压缩包约15.91MB整体轻量、结构清晰。可视化界面支持直接查看检测结果操作直观、反馈及时适合初次接触YOLOv8的初学者也适合作为课设、毕设或课程作业的快速起点。目前已有36人学习下载按README指引即可复现整个检测流程无需从零搭建环境拿来即用也可在现有代码基础上扩展其他应用场景。1. 太阳能板表面灰尘检测到底值不值得自己做先搞清楚这个项目在给你什么光伏电站运维人员都知道一块组件被灰尘遮住三分之一发电效率可能直接掉 20% 以上。传统做法是定期巡检或人工看图但在大型电站这种「等发现问题已经亏了很久电费」的场景里基于 YOLOv8 的太阳能板表面灰尘检测成了毕业设计和课程设计里少见的「既有视觉深度、又有工程完整度」的选题。这个项目拿到手本质上是四样东西能跑通的 YOLOv8 源码、标注好的灰尘数据集、一个可视化界面以及从环境配置到推理的部署教程。它解决的是「如何让一台普通电脑识别出太阳能板上的灰尘覆盖区域」这一完整闭环问题特别适合需要快速出成果、又不想从零抠算法细节的本科生和研究生。2. 从零搭建 YOLOv8 环境到准备灰尘数据集这步做好后面省一半时间2.1 环境配置CPU 版跑得动GPU 版跑得快先按你的机器选常见做法是 Python 3.8~3.10 PyTorch CUDA 组合。如果没有 NVIDIA 显卡Ubuntu 20.04 下也可以让 YOLOv8 CPU 版本正常训练假设数据集在几百张规模CPU 训练虽然慢但能出结果有 GTX 1660 Ti 这类显卡的话用 CUDA 版本训练速度提升非常明显。# 创建独立 Python 环境避免和系统其他项目打架 conda create -n yolov8_env python3.9 -y conda activate yolov8_env # 安装 PyTorch注意根据自己显卡选 cuda 版本 pip install torch2.0.0 torchvision0.15.0 --index-url https://download.pytorch.org/whl/cu118 # 安装 YOLOv8 官方包 pip install ultralytics这段命令的核心是给项目一个隔离环境。为什么用 conda因为 YOLOv8 对 numpy、opencv-python 的版本有隐含约束系统级 Python 环境很容易出现「装好了 import 报错」的尴尬局面。--index-url指定 CUDA 11.8 版本的 PyTorch 预编译包如果你是 CPU 训练把cu118换成cpu即可。装完后建议跑一行验证确认安装到位再进入下一步。如果是 Ubuntu 20.04注意conda create前先装好wget和libgl1否则后续安装 opencv 时会报libGL.so.1缺失错误。# 验证 YOLOv8 是否可用能看到版本号即视为安装成功 python -c from ultralytics import YOLO; print(YOLO.__version__)这一步输出的版本号决定了很多配置文件格式。Ultralytics 在 8.0.x 到 8.2.x 之间数据配置文件的字段名基本一致但早于 8.0 的旧项目迁移到新版时train.py的启动方式已经改为yolo train或YOLO.train()。这不是本文要处理的历史包袱但如果是自己找的老源码务必先确认包版本和源码版本是否匹配。这个验证步骤同时能发现 numpy 版本冲突报错时先pip list | grep numpy看是不是 1.24 以下再决定是否需要pip install numpy1.23.5。2.2 数据集从哪来三种来源和一套标注工具灰尘检测的数据集是项目里「看起来有、但未必够用」的部分。常见来源有三个一是公开的太阳能板缺陷数据集做基类二是自己用无人机或手机拍光伏板照片再标注三是网上下载的灰尘/非灰尘分类图做迁移预训练。对毕设场景建议直接以「包含完整数据集」的那份压缩包为底子先跑通全流程再补 30~50 张自拍图来应付答辩时「你验证过真实场景吗」这种问题。标注工具选 LabelMe因为它导出的是 JSON 格式转换脚本简单而且对多边形标注支持比 LabelImg 更顺滑。安装与标注流程如下pip install labelme labelme # 启动标注工具 # 打开图片所在目录用 create polygons 画灰尘区域的包围框 # 每框一个标签 dust保存后生成同名 .json 文件LabelMe 标注时有一个细节灰尘区域的边界往往是渐变的不像汽车行人那么清晰所以画框时宁大勿小把灰尘的羽化边缘也包含进去否则模型会学到「只检测灰尘核心区域」实际推理时边缘灰尘漏检率会非常高。标注完成后生成的是 JSON 数据需要转换成 YOLO 格式的 txt。转换脚本如下import json from pathlib import Path def labelme2yolo(json_dir, out_dir, class_names): 把 LabelMe JSON 转换成 YOLO 格式的 txt 标注 json_dir: 存放 labelme JSON 的目录 out_dir: 输出 YOLO txt 目录 class_names: 类别列表例如 [dust] json_dir Path(json_dir) out_dir Path(out_dir) out_dir.mkdir(exist_okTrue) for json_file in json_dir.glob(*.json): with open(json_file, r, encodingutf-8) as f: data json.load(f) img_w, img_h data[imageWidth], data[imageHeight] txt_path out_dir / (json_file.stem .txt) with open(txt_path, w) as f: for shape in data[shapes]: if shape[label] not in class_names: continue # 取多边形外接框 xs [p[0] for p in shape[points]] ys [p[1] for p in shape[points]] x_min, x_max min(xs), max(xs) y_min, y_max min(ys), max(ys) # 归一化到 0~1 x_center (x_min x_max) / 2 / img_w y_center (y_min y_max) / 2 / img_h width (x_max - x_min) / img_w height (y_max - y_min) / img_h # YOLO 格式: class x_center y_center width height f.write(f0 {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}\n) print(f转换完成输出目录: {out_dir}) # 示例调用 labelme2yolo(./labelme_json, ./labels, [dust])这个脚本用的是外接矩形策略把多边形标注转成最小轴对齐外接框。对灰尘检测是合理做法因为灰尘区域本身不是规则矩形YOLOv8 的 anchor 机制能容忍一定范围的形状偏差。转换后建议抽查几张图用 OpenCV 把标注框画回原图确认没有出现「框跑到图外」或「坐标翻转」的情况。坐标翻转的典型症状是检测框上下颠倒原因是 LabelMe 的 y 轴和 YOLO 的 y 轴都是左上原点如果用了某些第三方转换脚本做了图像翻转就会出问题。2.3 数据集目录结构和配置文件YOLOv8 就认这个摆放方式YOLOv8 的数据集目录要求很固定训练前必须整理成如下结构否则训练直接报错或者在训练日志里出现 warning 就跳过你的数据datasets/ └── dust_dataset/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 └── labels/ ├── train/ # 训练集 txt 标注 └── val/ # 验证集 txt 标注在datasets/dust_dataset目录下新建dust.yamlpath: D:/dust_dataset # 或者你本地实际路径 train: images/train val: images/val nc: 1 names: [dust]dust.yaml里path字段是新手最容易翻车的点。YOLOv8 读取的是相对于当前工作目录的路径如果你在别的目录运行训练命令建议直接用绝对路径如果用相对路径务必让path指向包含images和labels的上一级目录。nc是类别数灰尘检测只有一个目标类别就填 1names列表的顺序要和转换 txt 时写的类别编号保持一致——这也是为什么前面脚本里把 dust 固定写成0。整理好结构以后yolo train命令会自动完成训练集和验证集的划分读取不需要手动拆分。3. 用 YOLOv8 训练灰尘检测模型训练命令、参数调整与损失曲线读取3.1 最小训练命令先跑通再谈优化环境准备好、数据集目录就绪后就可以开始训练了。首次训练建议用最小参数跑 50 个 epoch 验证全流程不用一次就把所有调参手段铺满。命令如下yolo train dataD:/dust_dataset/dust.yaml \ modelyolov8n.pt \ epochs50 \ imgsz640 \ batch16 \ projectYOLOv8-dust \ namefirst_trymodelyolov8n.pt表示加载 YOLOv8 nano 预训练权重。为什么要用预训练权重而不是随机初始化因为 ImageNet 预训练过的 backbone 对边缘纹理特征的响应非常好灰尘检测数据量少从预训练开始能明显减少训练轮次。如果数据集只有几百张完全从头训练会出现过拟合表现为损失曲线持续下降但验证集 mAP 不升反降。epochs参数CPU 训练时建议先设 50GPU 可以压到 100 或 150。原因是灰尘类目标相对简单不像行人检测那种类内差异巨大的任务需要几百轮。imgsz640是输入分辨率YOLOv8 默认就是 640但对灰尘检测可以尝试 960因为灰尘区域在整幅光伏板图片里往往占比较小更高分辨率能保留更多细小灰尘的上下文信息当然训练时间和显存占用也随之上涨。训练过程中终端会滚动输出每个 epoch 的 loss 值但更直观的是训练结束后看生成的results.png曲线图。训练完成后在YOLOv8-dust/first_try/目录下会生成results.png里面有 box_loss、cls_loss、mAP50 等多条曲线。这其实就是「yolov8画损失函数曲线图」的官方回答路径——不需要额外代码训练时自动产出。如果训练被手动中断Ultralytics 会把 checkpoint 存在weights/last.pt从断点继续训练的命令是yolo train ... resumeTrueresume 之后不要再改数据集路径否则 checkpoint 里记录的配置和当前配置不一致会直接报错。还有一个容易被忽略的训练前检查验证集图片数量不能为 0。很多人把图片全放进 train结果训练正常但验证曲线一片空白原因是val目录下没有图片。YOLOv8 训练脚本不会因此中断但会输出一句 data loaded 相关的提示细看才能发现训练集和验证集数量异常。至少留 30 张验证图最好是和训练集不同的光照条件或拍摄角度。3.2 三个必调参数batch、优化器、数据增强灰尘检测场景里真正能拉开精度的不是模型本体而是训练策略参数。用过多组配置之后最影响结果的是这三个。batch显存允许的情况下尽量大但注意 CPU 训练时 batch 过大会导致内存撑爆。常见做法是先看显存占用2~4GB 显存的显卡用 batch86GB 以上可以试 batch16。如果显存不足YOLOv8 会自动尝试降低 batch但与其让它自动降不如自己主动设小一点因为自动降的过程可能伴随训练中断。optimizer 和学习率Ultralytics 默认用 AdamW但灰尘检测这种单类简单任务SGD 配合 lr00.01 常常收敛更稳。可以这样改yolo train dataD:/dust_dataset/dust.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ optimizerSGD \ lr00.01 \ cos_lrTrue \ projectYOLOv8-dust \ namesgd_runcos_lrTrue让学习率按余弦曲线从 0.01 衰减到接近 0处理灰尘这种中低难度目标可以避免后期学习率过大导致损失震荡。Warmup 也是默认开启的前 3 个 epoch 学习率从 0 线性升到设定值这个默认值在灰尘数据集中足够不需要手动干预。数据增强方面YOLOv8 默认开启 mosaic、hsv_h、hsv_s 等增强。对灰尘检测mosaic 增强很有效因为灰尘区域的纹理模式和光照密切相关mosaic 把四张图拼成一张可以变相提升模型对视角的鲁棒性。但是如果灰尘区域的边缘特征在拼接处出现「割裂感」模型可能学到不真实的边界。实际项目中可以把 mosaic 概率从默认 1.0 降到 0.5mosaic: 0.5 hsv_h: 0.01 hsv_s: 0.3怎么改这些增强参数不需要进代码在dust.yaml旁边新建一个hyp.yaml然后在训练命令里加hyphyp.yaml。注意如果用的是预训练权重大幅改动增强参数会导致预训练权重和增强策略的分布偏移初期损失反而会偏高这是正常的不要看到前 10 个 epoch loss 比默认配置高就急着回滚多跑 30 轮再比较。3.3 从损失曲线读出项目能不能交付mAP 不是唯一标准训练结束后打开results.png重点看val/box_loss和metrics/mAP50(B)两条曲线。一个能交付的灰尘检测模型mAP50 至少应过 0.85且最后 20 个 epoch 的 mAP 曲线呈缓慢上升而非剧烈震荡。如果 mAP50 一直在 0.6 徘徊问题多半不在训练参数而是标注质量——灰尘框画得太保守或漏标太多。损失曲线是黑匣子还是诊断工具取决于你怎么看它。灰尘数据量小的时候看 losses 震荡没有意义关键看收敛趋势前 30 轮快速下降30 到 80 轮缓慢下降90 轮以后趋于稳定这是健康曲线。如果 50 轮后还出现 loss 突然冲高再回落大概率是 mosaic 增强在后期引入了过于夸张的拼接样本此时调低 mosaic 或提前关掉它是合理操作。反过来如果 loss 极其平滑但 mAP 很低那就是数据本身的问题模型从损失角度看「学得很顺」但实际上没有有效特征可学这时候不是调参能救的回数据环节重新审视标注和图片多样性。推理验证用最佳权重best.pt在验证集上跑一版结果yolo predict modelYOLOv8-dust/first_try/weights/best.pt \ sourceD:/dust_dataset/images/val \ save_txtTrue \ save_confTruesave_confTrue会在输出的 txt 里附带置信度分数方便评估阈值。灰尘检测实际部署时置信度阈值默认 0.25 经常不够用容易把太阳能板本身的纹理误检成灰尘建议在界面上把阈值做成可调滑条适用范围 0.1~0.5。4. 把模型装进可视化界面PyQt5 推理程序与 CPU、嵌入式端部署路径4.1 PyQt5 示例界面加载模型、选图、显示检测结果的三个函数可视化界面源码的本质是一个「加载模型 选图 推理 画框显示」的 PyQt5 应用。理解它不需要复杂的软件工程知识只需要抓住三个核心函数。下面是精简版的界面核心逻辑和项目里的完整版思路一致import cv2 from PyQt5 import QtWidgets, QtGui from PyQt5.QtCore import Qt from ultralytics import YOLO class DustDetectorApp(QtWidgets.QWidget): def __init__(self): super().__init__() self.setWindowTitle(太阳能板灰尘检测) self.model YOLO(YOLOv8-dust/first_try/weights/best.pt) self.btn_open QtWidgets.QPushButton(打开图片) self.btn_run QtWidgets.QPushButton(开始检测) self.label QtWidgets.QLabel(等待加载图片) layout QtWidgets.QVBoxLayout() layout.addWidget(self.btn_open) layout.addWidget(self.btn_run) layout.addWidget(self.label) self.setLayout(layout) self.btn_open.clicked.connect(self.open_image) self.btn_run.clicked.connect(self.run_detect) self.img_path None def open_image(self): # 弹出文件选择器只允许图片格式 path, _ QtWidgets.QFileDialog.getOpenFileName( self, 选择图片, , Images (*.jpg *.png *.bmp)) if path: self.img_path path pixmap QtGui.QPixmap(path) self.label.setPixmap(pixmap.scaled(640, 480, Qt.KeepAspectRatio)) def run_detect(self): # 核心推理函数模型预测、画框、更新界面 if not self.img_path: return results self.model.predict(sourceself.img_path, conf0.25) frame cv2.imread(self.img_path) for box in results[0].boxes: x1, y1, x2, y2 map(int, box.xyxy[0].tolist()) conf float(box.conf[0]) cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 0, 255), 2) cv2.putText(frame, fdust {conf:.2f}, (x1, y1 - 8), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) # 把 OpenCV 的 BGR 转成 Qt 可显示的 RGB 格式 rgb cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) h, w, ch rgb.shape qimg QtGui.QImage(rgb.data, w, h, ch * w, QtGui.QImage.Format_RGB888) self.label.setPixmap(QtGui.QPixmap.fromImage(qimg))这段代码的骨架足以支撑课程设计的演示场景。conf0.25写死是简化处理最好把阈值接到一个QSlider控件上每滑动一次重新预测因为灰尘检测的阈值对结果影响非常大演示时现场调阈值也是答辩老师喜欢看的交互点。界面里建议再加一个「检测耗时」显示标签YOLOv8 推理返回的results[0].speed字典里包含inference字段单位是毫秒这能直观展示模型在 CPU 上的实时性对回答「部署到现场能用吗」这类问题很有帮助。运行这个界面程序的命令是python main_window.py前提是当前 Python 环境已安装 PyQt5 和 ultralytics。如果是在项目自带的虚拟环境里跑直接激活环境再执行即可不需要重新安装依赖。4.2 CPU 部署的取舍模型体量与推理速度的平衡毕设和课设的部署场景绝大多数是 CPU即演示用的笔记本。YOLOv8 四个规模的模型在 CPU 上的推理速度差异明显n、s、m、l体量从几 MB 到几十 MB 不等。灰尘检测不需要极端的细粒度识别优先用 yolov8n 或 yolov8s在 i5 笔记本 CPU 上n 模型 640 输入大约 60~100ms 一帧s 模型大约 150~250ms。如果按「打开一张图点检测」的交互方式这个速度完全可以接受如果要做视频流的实时检测CPU 上必须用 n 模型并减少输入尺寸到 480。有同学会问为什么不用更大的模型换来更高精度灰尘检测的特点决定了答案灰尘在光伏板上的视觉特征是「区域性色差和纹理异常」不依赖像人脸识别那样的极高分辨率细节n 模型的能力边界已经覆盖了大部分需求。另外训练时的模型规模要和部署一致拿 yolov8n 训练出的权重不可能放到 yolov8l 权重文件里做推理这个约束在代码里是强制校验的。4.3 RK3588 等嵌入式平台部署ONNX 导出和板端推理的注意点如果目标平台是瑞芯微 RK3588 这类嵌入式板子部署路径一般分三步PyTorch 权重转 ONNXONNX 转 RKNNRKNN 在板端用 Python/C 推理。其中第一步最常见命令如下yolo export modelYOLOv8-dust/first_try/weights/best.pt \ formatonnx \ imgsz640 \ dynamicFalse \ simplifyTruedynamicFalse表示输入尺寸固定为 640这样在 RKNN 转换时能省掉动态 shape 的处理复杂度。simplifyTrue会调用 ONNX Simplifier 对计算图做常量折叠和冗余消除输出的 onnx 文件体积更小。导出完成后建议先用 onnxruntime 在 PC 上验证导出的 ONNX 输出是否和 PyTorch 原模型一致再上板。这个验证步骤被很多人跳过结果到了 RK3588 上才发现某个算子不支持反复折腾转换工具链基本属于「早知道就多花十分钟验证」的血泪经验。RKNN 转换阶段RKNN-Toolkit2 在 PC 上模拟提供如rknn.config(mean_values[[0,0,0]], std_values[[255,255,255]], target_platformrk3588)的配置。YOLOv8 的输入归一化是 0~1 还是 0~255取决于导出时的 opset 版本常见的是输入 0~255 需要在 RKNN 里配std_values[[255,255,255]]搞反了检测结果会非常奇怪。板端推理时输出层需要后处理解析常见做法是安装 rknn-toolkit-lite 后加载 rknn 模型对摄像头或图片推理后再做 NMS这部分项目里的部署教程一般都会覆盖。部署到嵌入式时还有一个容易被忽略的点板子上的 OpenCV 版本和 PC 上可能不一致。如果推理代码同时用了 OpenCV 写文件且路径含中文在 Linux 板端可能直接坏图。稳妥做法是在 PC 端处理好图片路径再传给板端或者在代码里统一用cv2.imencode转成字节流再写文件。5. 灰尘检测项目最常见的 5 个坑现象、原因、解决办法5.1 训练报错 KeyError: model 或模型加载失败现象运行yolo train后终端闪现一行错误提示KeyError: model或者加载best.pt时报权重文件格式不正确。原因绝大多数情况是ultralytics包版本和权重文件的 YAML 配置格式不匹配。YOLOv8 的权重文件是一个包含模型架构的 .pt 压缩包新版 Ultralytics 加入了更多配置字段老版本包读取新权重会出现缺少model键的问题反过来用新版本包读取老权重则可能出现AttributeError。解决先统一版本。常见做法是重新安装固定版本pip install ultralytics8.1.0然后重新训练生成权重或者把已有的best.pt用相同版本重新 export 一遍。如果是在项目自带环境里跑的直接查看环境里的pip show ultralytics确认版本再和部署教程里的版本对齐。这里不要用「最新版一定能跑」的心态YOLOv8 迭代很快稳定复现优先于追新。5.2 训练时显存或内存不足程序被系统直接杀死现象训练到第几个 epoch 时进程突然消失终端没有任何报错重启后训练从头开始。原因两个典型触发条件一是 batch 过大GPU 无法一次装入二是 CPU 内存不足数据加载阶段把图片批量读入内存导致 swap 爆掉。这种现象在 Windows 上尤其明显因为系统的默认虚拟内存配置可能不够大。解决先降 batch 到 4 或 8再把workers0加上。workers是并行加载数据的进程数默认值 8 在内存不足时会加倍压力。训练命令变成yolo train data... model... epochs... batch8 workers0 cacheFalsecacheFalse是防止 Ultralytics 把整个数据集预加载到内存虽然这会拖慢每个 epoch 的数据读取速度但极大降低内存峰值。如果这些都没解决检查是不是同时开着浏览器和其他大程序训练时尽量只保留终端和系统必需的进程这种「玄学被杀」的问题多半是资源抢占。5.3 权重文件不是黑匣子但最容易翻车的是新旧格式现象别人给的best.pt在自己电脑上加载没问题但实际推理出来的框全部跑偏或者直接检测不到任何灰尘。原因权重文件虽然用torch.load能读出来但其中包含了训练时的数据配置、类别名称和 anchor 相关参数。如果你把模型放到不同的代码环境里尤其是 YOLOv5 和 YOLOv8 的权重不互通加载后模型认为类别编号仍然是原来的但推理代码传进去的图片预处理方式不同结果自然错。解决拿到权重后先确认它来自 YOLOv8再看训练时的data.yaml里的names顺序。如果项目里有多个.pt文件建议写一个很小的验证脚本拿一张已知有灰尘的图片同时跑两个权重对比输出确认哪一个可用后再改界面代码里的加载路径。不需要每次都从头训练但「拿过来就信」在灰尘检测这个场景里会让你浪费大量排错时间。5.4 可视化界面中文乱码和显示黑屏现象界面按钮和标题是中文在 Windows 上显示正常拿到 Linux 上或者打包后变成方块点击图片后界面黑屏但推理日志正常输出。原因Qt 默认字体不含中文字形Linux 下常见Windows 打包时没用对中文字体也可能出现黑屏则通常是图像数据显示流程问题PyQt5 里QImage的字节对齐方式不对RGB888 的图像在 Qt 中需要正确设置 bytesPerLine否则像素错位后看到的全是黑屏或花屏。解决中文字体在 Linux 下安装fonts-wqy-zenhei或者界面代码里显式指定字体QFont(Microsoft YaHei, 10)。黑屏问题改用QImage(rgb.data, w, h, w * 3, QImage.Format_RGB888)明确传入步长参数不要依赖 Qt 自动计算。这里还有一个坑OpenCV 读出来的是 BGR必须cvtColor到 RGB否则检测框画上去了但颜色和背景混乱。5.5 训练完的模型对真实照片误检率高数据多样性是后悔药现象在数据集验证集上 mAP 很高拿手机随手拍一张光伏板照片检测框乱画一通。原因训练集和实际场景的分布不一致。数据集里的灰尘图片可能都是近距离、正光、单块光伏板而真实场景是广角、逆光、多块板、复杂背景。YOLOv8 的泛化能力取决于训练数据的多样性数据不够就必然过拟合到当前数据集。解决补数据比调参有效得多。至少加 20~30 张不同角度、不同光照、不同板面纹理的灰尘照片重新标注后混合进训练集重训一轮观察 mAP 变化。如果实在找不到真实照片用开源的数据增强库做随机亮度、对比度和色调扰动也能在一定程度上补偿光照变化。但说到底数据集的覆盖度是决定这个项目能否从「演示可用」到「真实可用」的唯一关键。数据增强的代码可以这样加在训练前import albumentations as A # 定义适用于灰尘检测的增强管线 aug A.Compose([ A.RandomBrightnessContrast(p0.5), # 模拟不同光照下的灰尘可见度差异 A.HorizontalFlip(p0.5), A.RandomGamma(p0.3), A.GaussNoise(p0.2), ])这里的增强强度是灰尘检测的中等档位远比通用目标检测的增强保守。灰尘的特征是大面积的低频色差过强的椒盐噪声类增强会掩盖灰尘本身训练反而更难收敛。6. 交付前最后一步用 mAP 验证模型再做一个一键演示脚本模型训练完不是终点交付和答辩前要用验证手段证明它「能干活」。常见做法是用yolo val跑正式评估得到核心指标。先跑一次官方评估命令yolo val modelYOLOv8-dust/first_try/weights/best.pt \ dataD:/dust_dataset/dust.yaml \ batch16 \ imgsz640 \ conf0.25 \ save_jsonTruesave_jsonTrue会输出详细的每张图片检测结果和置信度信息用predictions.json做错误分析把置信度大于 0.5 但实际标注没有的框挑出来看它们的图你会发现误检对象是光伏板边缘、螺栓还是线缆阴影。把这些误检图加入训练集并标注为背景后重训比盲目调阈值更有效。yolo val默认输出 mAP50、mAP50-95、precision、recall硬件条件好的话 mAP50-95 在 0.6 以上说明模型鲁棒性不错但如果只是课设mAP50 过 0.9 已经是非常体面的结果。演示脚本建议做一个「一键跑通」的 bash 或 bat 文件里面依次完成环境激活、模型路径检查和推理演示三件事。很多同学到答辩现场才发现界面代码引用了一个不存在的权重路径或者当前 Python 环境不是项目环境这种小事毁掉整个演示的遗憾每年都有。脚本里先做路径检查再启动界面#!/bin/bash # 一键启动演示脚本 # 检查 Python 环境是否包含必要依赖 if ! python -c import torch, ultralytics, PyQt5 2/dev/null; then echo 依赖缺失请先安装 requirements.txt exit 1 fi # 检查模型文件是否存在 if [ ! -f YOLOv8-dust/first_try/weights/best.pt ]; then echo 未找到 best.pt检查模型路径 exit 1 fi # 启动可视化界面 python main_window.py这种启动脚本的价值在于把部署教程里的所有步骤固化为一次点击。毕设答辩和课程设计验收时现场演示时间往往只有几分钟没有时间让你敲一堆命令环境一旦报错就手忙脚乱。把演示路径固化成脚本并把一张灰尘图片放在同目录下作为默认测试图是我做了几个项目后养成的习惯真的能避免「演示现场翻车」。最后再多说一句踩过的坑演示前一定把电脑的自动息屏和休眠关闭训练和推理都很耗资源屏幕一黑会让评委对整个项目的完成度打折扣。这个方案做到这里整个项目就已经是「功能完整、可演示、可部署」的状态了希望这几个细节能帮到你。本文还有配套的精品资源点击获取