基于 YOLOv8 的智能焊接缺陷检测系统（全套源码+数据集）

本系统针对工业焊接质量检测场景，在 YOLOv8 基础上进行算法改进，实现焊接缺陷的智能识别与检测，并提供完整的桌面端可视化界面。

---

一、数据集

1.1 基本信息

项目	内容
数据集名称	The Welding Defect Dataset - v2
任务类型	目标检测
标注格式	YOLO 格式（.txt，归一化坐标）
图片格式	JPEG（.jpg）
图片总数	2,028 张
标注框总数	5,686 个

1.2 检测类别（3 类）

类别 ID	类别名称	描述
0	Bad Weld	劣质焊缝（夹渣、气孔、咬边等）
1	Good Weld	合格焊缝
2	Defect	缺陷区域（裂纹、未熔合、飞溅等）

1.3 数据划分

子集	图片数	标注框数	比例
训练集	1,619	4,583	79.8%
验证集	283	802	14.0%
测试集	126	301	6.2%

1.4 目录结构

The Welding Defect Dataset - v2/
└── The Welding Defect Dataset - v2/
    ├── data.yaml
    ├── train/images、train/labels
    ├── valid/images、valid/labels
    └── test/images、test/labels

---

二、训练过程

2.1 训练脚本

• 基础版：train.py
• 改进版：train_improved.py（启用 WIoU 等算法改进）

2.2 训练参数

参数	默认值	说明
模型	yolov8n.pt	预训练权重（nano）
epochs	100	训练轮次
batch	16	批次大小
imgsz	640	输入尺寸
workers	4	数据加载线程数

2.3 输出目录

• 基础版：train_result/exp/
• 改进版：train_result/exp_improved/

训练产物包括：weights/best.pt、weights/last.pt、results.csv、args.yaml 等。

---

三、可视化图含义

训练完成后，运行 visualize_results.py 可生成以下图表：

图表文件	含义
loss_curves.png	训练与验证损失曲线。Box Loss：边界框回归损失；Cls Loss：分类损失；DFL Loss：分布聚焦损失。曲线下降表示模型收敛。
metrics.png	评估指标随 epoch 变化。Precision：精确率；Recall：召回率；mAP50：IoU=0.5 时的平均精度；mAP50-95：IoU 0.5~0.95 的平均精度。
learning_rate.png	学习率调度曲线，反映训练过程中的学习率变化。
summary.png	训练结果汇总，包含 Box Loss、Cls Loss、Precision/Recall/mAP50、mAP50-95 的综合展示。

界面【指标展示】页可读取 train_result 下的 results.csv，以深色主题展示训练曲线与指标汇总。

---

四、系统功能

功能模块	说明
图片识别	上传焊接图片，执行检测，展示统计摘要、详细数据、置信度分布，支持导出图片与 CSV
视频识别	打开视频文件，逐帧检测并显示实时统计，可导出关键帧
摄像头识别	接入本地摄像头实时检测，支持检测开关、截图保存、会话记录
检测历史	查看、筛选、搜索、导出检测记录，支持按类型与关键词筛选
模型管理	加载模型、验证、调节置信度/IoU/最大检测数等参数
指标展示	可视化训练曲线、mAP、Precision、Recall 等指标

---

五、项目技术栈

类别	技术
深度学习	PyTorch、Ultralytics YOLOv8
模型改进	WIoU 损失、DCNv2 可变形卷积、EFP 增强特征金字塔
界面	PyQt6
可视化	Matplotlib
数据处理	OpenCV、Pandas、NumPy

---

六、项目结构

c153/
├── main.py                 # 程序入口
├── train.py                # 基础版训练
├── train_improved.py       # 改进版训练（WIoU 等）
├── visualize_results.py   # 训练结果可视化
├── config/                 # 配置
│   ├── train_config.py   # 训练参数
│   └── app_config.py     # 应用路径
├── core/                   # 核心逻辑
│   ├── detector.py       # YOLOv8 检测器
│   ├── workers.py        # 后台检测线程
│   ├── history_manager.py
│   ├── settings_manager.py
│   └── auth_manager.py
├── models/                 # 算法改进模块
│   ├── wiou.py           # WIoU 损失函数
│   ├── dcn_blocks.py     # DCNv2 可变形卷积
│   └── efp.py            # EFP 增强特征金字塔
├── ui/                     # 界面
│   ├── login_window.py
│   ├── main_window.py
│   └── pages/             # 各功能页
├── utils/                  # 工具
│   ├── styles.py         # QSS 样式
│   └── path_utils.py
├── visualize/              # 可视化模块
├── train_result/           # 训练结果输出
├── data/                   # 运行时数据
└── The Welding Defect Dataset - v2/  # 数据集

---

七、运行说明

安装依赖

pip install -r requirements.txt

启动界面

python main.py

默认账号：admin / admin

训练模型

python train_improved.py

生成可视化图

python visualize_results.py

---

八、相关文档

• 算法创新文档.md：WIoU、DCNv2、EFP 等算法改进说明
• 数据集介绍.md：数据集详细说明

本项目为个人原创，结构清晰，功能完整，适合计算机视觉方向课程设计、毕业设计和项目演示使用。有定制化需求可以评论或私信作者。

作者原创项目地址：michael-jay.pages.dev/projects.html