YOLOv8是一种物体检测算法，是YOLO系列算法的最新版本。
YOLO（You Only Look Once）是一种实时物体检测算法，其优势在于快速且准确的检测结果。YOLOv8在之前的版本基础上进行了一系列改进和优化，提高了检测速度和准确性。
YOLOv8采用了Darknet-53作为其基础网络架构。Darknet-53是一个53层的卷积神经网络，用于提取图像特征。与传统的卷积神经网络相比，Darknet-53具有更深的网络结构和更多的卷积层，可以更好地捕捉图像中的细节和语义信息。
在YOLOv8中，还使用了一些技术来提高检测性能。首先是使用了多尺度检测。YOLOv8在不同的尺度上检测物体，这样可以更好地处理物体的大小变化和远近距离差异。其次是利用了FPN（Feature Pyramid Network）结构来提取多尺度特征。FPN可以将不同层级的特征图进行融合，使得算法对不同大小的物体都有较好的适应性。
此外，YOLOv8还利用了一种称为CSPDarknet的网络结构来减少计算量。CSPDarknet使用了CSP（Cross Stage Partial）结构，在网络的前向和后向传播过程中进行特征融合，从而减少了网络的参数量和计算量。
在训练阶段，YOLOv8使用了一种称为CutMix的数据增强技术。CutMix将不同图像的一部分进行混合，从而增加了数据的多样性和鲁棒性。
总而言之，YOLOv8是一种快速而准确的物体检测算法，它通过引入Darknet-53网络、多尺度检测、FPN结构、CSPDarknet结构和CutMix数据增强等技术，实现了对不同大小和距离的物体进行快速、准确的检测。
本文介绍了基于Yolov8的钢铁缺陷检测模型，包括训练过程和数据准备过程，同时提供了推理的代码。对准备计算机视觉相关的毕业设计的同学有着一定的帮助。
效果如下图：
一、安装YoloV8
yolov8官方文档：主页 - Ultralytics YOLOv8 文档
安装部分参考：官方安装教程
二、数据集准备
NEU-DET钢材表面缺陷共有六大类，分别为：'crazing','inclusion','patches','pitted_surface','rolled-in_scale','scratches'。其中训练集1260个图片，验证集361个图片，测试集180个图片。
示例图片如下：
原始的数据格式为VOC格式，本文提供转换好的yolov8格式数据集，，可以直接放入yolov8中训练，数据集地址：NEU钢铁缺陷数据集yolov8格式
三、模型训练
1、数据集配置文件
在ultralytics/ultralytics/cfg/datasets目录下添加neu.yaml，添加以下内容（path修改为自己的路径）：
# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO 2017 dataset http://cocodataset.org by Microsoft
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco ← downloads here (20.1 GB)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: neu_gt/NEU-DET-yolov8 # 替换为自己的路径
train: images/train
val: images/val
test: images/test
# Classes
names:
# 0: normal
0: RS
1: Pa
2: Cr
3: PS
4: In
5: Sc
# 氧化铁皮压入(RS)、斑块(Pa)、开裂(Cr)、点蚀(PS)、夹杂(In)和划痕(Sc)。
2、修改模型配置文件
在ultralytics/ultralytics/cfg/models/v8目录下添加yolov8n_neu.yaml，添加以下内容：
# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect
# Parameters
nc: 6 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
# [depth, width, max_channels]
n: [0.33, 0.25, 1024] # YOLOv8n summary: 225 layers, 3157200 parameters, 3157184 gradients, 8.9 GFLOPs
s: [0.33, 0.50, 1024] # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients, 28.8 GFLOPs
m: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients, 79.3 GFLOPs
l: [1.00, 1.00, 512] # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
x: [1.00, 1.25, 512] # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs
# YOLOv8.0n backbone
backbone:
# [from, repeats, module, args]
- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
- [-1, 3, C2f, [128, True]]
- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
- [-1, 6, C2f, [256, True]]
- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16
- [-1, 6, C2f, [512, True]]
- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32
- [-1, 3, C2f, [1024, True]]
- [-1, 1, SPPF, [1024, 5]] # 9
# YOLOv8.0n head
head:
- [-1, 1, nn.Upsample, [None, 2, 'nearest']]
- [[-1, 6], 1, Concat, [1]] # cat backbone P4
- [-1, 3, C2f, [512]] # 12
- [-1, 1, nn.Upsample, [None, 2, 'nearest']]
- [[-1, 4], 1, Concat, [1]] # cat backbone P3
- [-1, 3, C2f, [256]] # 15 (P3/8-small)
- [-1, 1, Conv, [256, 3, 2]]
- [[-1, 12], 1, Concat, [1]] # cat head P4
- [-1, 3, C2f, [512]] # 18 (P4/16-medium)
- [-1, 1, Conv, [512, 3, 2]]
- [[-1, 9], 1, Concat, [1]] # cat head P5
- [-1, 3, C2f, [1024]] # 21 (P5/32-large)
- [[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5)
3、训练模型
使用如下命令训练模型，相关路径更改为自己的路径，建议绝对路径：
yolo detect train project=deploy name=yolov8_neu exist_ok=True optimizer=auto val=True amp=True epochs=100 imgsz=640 model=ultralytics/ultralytics/cfg/models/v8/yolov8n_neu.yaml data=ultralytics/ultralytics/cfg/datasets/neu.yaml
4、验证模型
使用如下命令验证模型，相关路径根据需要修改：
yolo detect val imgsz=640 model=deploy/yolov8_neu/weights/best.pt data=ultralytics/ultralytics/cfg/datasets/neu.yaml
精度如下：
# Ultralytics YOLOv8.0.222 🚀 Python-3.10.13 torch-2.0.1+cu118 CUDA:0 (NVIDIA GeForce RTX 4090, 24210MiB)
# YOLOv8_p2 summary (fused): 207 layers, 2921832 parameters, 0 gradients, 12.2 GFLOPs
# val: Scanning /home/yq/aitools/datasets/neu_gt/NEU-DET-yolov8/labels/val.cache... 360 images, 0 backgrounds, 0 corrupt: 100%|█████████
# Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 23/23 [00:06<00:00, 3.64it
# all 360 831 0.701 0.699 0.753 0.44
# RS 360 126 0.568 0.219 0.403 0.144
# Pa 360 196 0.676 0.791 0.808 0.453
# Cr 360 192 0.83 0.906 0.938 0.626
# PS 360 95 0.842 0.758 0.815 0.545
# In 360 116 0.611 0.569 0.636 0.328
# Sc 360 106 0.68 0.953 0.918 0.544
# Speed: 1.0ms preprocess, 4.2ms inference, 0.0ms loss, 1.4ms postprocess per image四、推理
训练好了模型，可以使用如下代码实现推理，将权重放到同级目录：
from PIL import Image
from ultralytics import YOLO
# 加载预训练的YOLOv8n模型
model = YOLO('best.pt')
# 在'bus.jpg'上运行推理
image_path = 'inclusion_81.jpg'
results = model(image_path) # 结果列表
# 展示结果
for r in results:
im_array = r.plot() # 绘制包含预测结果的BGR numpy数组
im = Image.fromarray(im_array[..., ::-1]) # RGB PIL图像
im.show() # 显示图像
im.save('results.jpg') # 保存图像本教程训练好的权重和推理代码、示例代码连接：推理代码和训练好的权重
