企业官网建设流程全解析

简介：面向易拉罐表面缺陷检测任务的目标检测数据集，重点关注罐体划痕、罐底异常等外观缺陷类别，适合使用 YOLOv8 等主流目标检测模型进行训练和验证的算法研究者和工业质检视觉工程师。压缩包共含一千七百零九个文件，其中八百五十四张 JPG 图像与八百五十四份 TXT 标注一一对应，另附一份 YAML 配置文件；TXT 标注为 YOLO 格式的缺陷位置与类别信息，YAML 文件定义类别名称及数据划分路径，也可按需转换为 COCO JSON 或 Pascal VOC XML 格式，便于接入不同训练框架。整个数据包体积约为三十八点二七兆字节，样本命名保留了采集时间等现场信息，便于按批次筛选与扩充样本。模型在该数据集上的平均正确识别率可达百分之九十八点九，目前已有四百六十八人学习，可直接用于易拉罐缺陷识别模型的训练、精度评估及数据增强实验。

1. 易拉罐缺陷识别数据集：为什么说它是YOLOv8工业落地最省事的起点

产线视觉质检里，易拉罐这类反光金属件一直是最麻烦的检测对象：罐体表面高光、印刷图案干扰、缺陷尺度小且对比度低，传统机器视觉用阈值分割和形态学处理，换个光源角度就得重新调参。易拉罐缺陷识别数据集的价值在于，它把真实罐体的常见缺陷（凹坑、划痕、涂层脱落、罐口变形、污渍）整理成了图像加YOLOv8格式标注的标准样本，类别明确、标签文件直接能用，省掉了从相机采集到“数据标注”再转格式的三天时间。市面公开的工业缺陷数据集不少，但多数只给VOC或COCO格式，要喂给YOLOv8还得自己写转换脚本；而这个数据集直接按images和labels目录组织，训练时写好data.yaml就能跑。这份笔记围绕它讲清楚：标签格式怎么读、训练参数怎么设、报告里98.9%的正确率到底是什么口径、哪些地方容易翻车。

2. 数据集结构与YOLOv8标注格式：先弄清楚标签里每个数字的含义

2.1 易拉罐缺陷类型与样本分布：检测目标决定了模型要长什么样

以我经手过的几套同类易拉罐外观检测数据集来看，缺陷类别一般集中在五到八类。最常见的是罐身凹坑（磕碰导致）、线性划痕（输送线摩擦）、涂层脱落（印刷或喷涂不良）、罐口变形（卷封工序误差）、表面污渍（油污或冷却液残留），有时还有标签破损和铝箔毛刺。类别的定义直接影响标注一致性和模型收敛难度。比如“划痕”如果既包含贯穿罐身的长划痕，又包含只有几个像素的细短线，同一个类别内部尺度差异过大，YOLOv8默认的anchor-free头会学得比较吃力。我一般会建议数据集作者把细划痕单独拆成“细微划痕”类，或者用裁剪增强把罐身分区，但公开数据集往往已经定好了类别，我们能做的就是先读标签统计每类的目标数量和尺寸分布，不要蒙头就训。

读分布时最直接的办法是用Python扫一遍所有标签txt，统计每个类别的框数量、宽高占比。这个过程除了能发现某个类样本极少，还能发现标注框宽高为0或者坐标越界的脏数据，这在后面避坑章节会专门展开。样本数方面，这类工业缺陷数据集通常在数千张级别，单张图里缺陷目标数不密集，和COCO那种一张图几十个目标的分布完全不同，所以训练时batch size和anchor设置都不能照搬通用检测的经验。

2.2 YOLOv8标签格式逐字段解析：五个数对应到图像上的位置

YOLOv8的标签文件是一个与图片同名的txt，每行代表一个目标，格式是class_id x_center y_center width height，其中x_center、y_center是目标中心点相对于图像宽高的比例，width、height是目标宽高相对于图像宽高的比例，取值都在0到1之间。注意坐标原点在图像左上角，x轴向右，y轴向下。如果用OpenCV读框画图，需要先把归一化坐标乘以图像宽高得到像素坐标，再转换成左上角格式。下面这段脚本是我每次拿到新数据集都会先跑一遍的“体检”代码。

import os import cv2 img_dir = 'datasets/can_defect/images/train' label_dir = 'datasets/can_defect/labels/train' for img_name in os.listdir(img_dir): if not img_name.endswith('.jpg'): continue stem = os.path.splitext(img_name)[0] label_path = os.path.join(label_dir, stem + '.txt') if not os.path.exists(label_path): print(f'缺失标签: {stem}') continue img = cv2.imread(os.path.join(img_dir, img_name)) h, w = img.shape[:2] with open(label_path, 'r', encoding='utf-8') as f: for line in f: parts = line.strip().split() if len(parts) != 5: print(f'字段数量异常: {label_path} -> {line}') continue cls_id, x_c, y_c, bw, bh = map(float, parts) # 反归一化到像素坐标 x1 = int((x_c - bw / 2) * w) y1 = int((y_c - bh / 2) * h) x2 = int((x_c + bw / 2) * w) y2 = int((y_c + bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, str(int(cls_id)), (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) cv2.imwrite('check_' + img_name, img)

这段脚本做的事情很朴素：遍历训练集图片，读同名txt，把归一化坐标还原成像素框画到图上。逻辑上要理解三个点。第一，x_c - bw / 2是用中心点减半宽得到左边界，y方向同理，这比直接存左上角坐标更能适应图片resize，是YOLO系标签统一用归一化中心点的根本原因。第二，脚本里对“字段数量不等于5”和“标签缺失”做了显式检查，这两类脏数据在公开数据集里并不少见，早发现能省下训练时排查的时间。第三，类别的具体名称并不包含在txt里，需要对照数据集自带的classes.txt或yaml文件来映射，我在画框时只写了class id，如果发现框和实际缺陷对不上，先怀疑是不是id和类别名错位了。

2.3 数据划分与目录组织：train/val/test的放置习惯决定训练能否直接跑

拿到数据集后，第一件事不是装环境，而是确认目录结构。YOLOv8训练时只认图片路径和对应的标签路径，默认规则是图片在images/train，标签在labels/train，图片在images/val，标签在labels/val。如果数据集的目录不是这个命名（比如叫train_images和train_labels），data.yaml里也能通过指定路径绕过去，但保持一致习惯后续切换模型时省心。我一般会把数据集整理成下面这种结构再开始训练。

datasets/can_defect/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yaml

需要强调一个经常被忽略的点：test目录里的标签文件在生产验证时有用，但训练时不要写进data.yaml的val字段。val是训练过程中用来选best.pt的，如果val集和test集重合，报告出来的98.9%就是“开卷考试”成绩。我自己习惯留出10%到15%的样本做独立test集，训练过程中完全不让模型看到这些标签，最后所有指标都在test上重新评估。切分时用下面这个随机脚本，注意同时移动图片和标签，并检查一一对应。

import os import random import shutil image_dir = 'all_images' label_dir = 'all_labels' train_img_dir = 'datasets/can_defect/images/train' val_img_dir = 'datasets/can_defect/images/val' test_img_dir = 'datasets/can_defect/images/test' for d in [train_img_dir, val_img_dir, test_img_dir]: os.makedirs(d, exist_ok=True) os.makedirs(d.replace('images', 'labels'), exist_ok=True) imgs = [f for f in os.listdir(image_dir) if f.endswith('.jpg')] random.seed(42) random.shuffle(imgs) n = len(imgs) train_imgs = imgs[:int(n * 0.8)] val_imgs = imgs[int(n * 0.8):int(n * 0.9)] test_imgs = imgs[int(n * 0.9):] def move_files(img_list, dest_img_dir): for img in img_list: stem = os.path.splitext(img)[0] shutil.move(os.path.join(image_dir, img), os.path.join(dest_img_dir, img)) shutil.move(os.path.join(label_dir, stem + '.txt'), os.path.join(dest_img_dir.replace('images', 'labels'), stem + '.txt')) move_files(train_imgs, train_img_dir) move_files(val_imgs, val_img_dir) move_files(test_imgs, test_img_dir)

随机划分的逻辑不复杂，重点是random.seed(42)固定随机种子，保证结果可复现，这是做对比实验的前提。另一个关键点是图片和标签必须同步移动，脚本里用stem统一两个文件的命名主体，避免了复制图片但漏掉标签的低级错误。划分比例上，80/10/10是我在中小规模缺陷数据集上的默认值；如果数据集只有几百张图，可以改成70/15/15，val太少会让early stopping选出来的best.pt不稳定。划分完成后，打开每个目录数一下文件数量，train里图片和标签数量不一致时先处理掉再进训练。

3. 用YOLOv8在本地训练易拉罐缺陷识别模型：从data.yaml到超参数

3.1 环境安装与版本确认：ultralytics包是唯一硬依赖

训练YOLOv8只需要一个核心依赖：ultralytics。它把模型定义、数据加载、训练循环、验证评估全部打包了，不需要自己写Dataset类，也不需要手动做mosaic增强。安装命令很简单，但装完后我建议先跑一次版本检查，因为不同小版本的默认超参数有差异，文档和网上教程混用会让人困惑。训练前顺便确认一下PyTorch版本与CUDA是否匹配，很多“训练时突然卡死”的问题其实是CPU版的torch在跑GPU代码，导致显存不参与计算。

pip install ultralytics python -c "import ultralytics; print(ultralytics.__version__)" python -c "import torch; print(torch.cuda.is_available())"

第二行输出说明安装是否成功，第三行如果输出True，说明PyTorch能正常调用GPU。如果手里是NVIDIA显卡但第三行输出False，多半是装成了CPU版torch，需要按PyTorch官网的CUDA版本命令重装。这个数据集的图像分辨率通常在几百到一千多像素，YOLOv8n的模型体量在几百万参数级别，训练时显存占用不会太高，6G显存的卡能跑batch size 16加640分辨率，8G以上可以放心用YOLOv8s。从实际效果看，易拉罐缺陷检测用n和s的差距不大，瓶颈往往在样本质量和类别定义，而不是模型容量。

3.2 编写data.yaml：四个字段必须没有任何拼写错误

YOLOv8训练前要提供一个data.yaml，里面定义了数据集路径和类别名。最容易翻车的地方是路径写错或者文件名拼错。path字段指向数据集根目录，train和val是图片目录相对于根目录的路径，names是一个列表，索引对应标签txt里的class id。下面这份配置对应该数据集的标准目录结构，直接把path改成自己机器的绝对路径就能用。

path: /home/user/datasets/can_defect train: images/train val: images/val names: 0: dent 1: scratch 2: coating_defect 3: rim_deformation 4: stain

注意names列表的顺序必须和标签txt里的id一一对应。比如第0类是dent（凹坑），那么标签里所有class_id=0的框都应该是凹坑。如果数据集作者在训练集和验证集用了不同的类别顺序，模型训练时不会报错，但评估结果会完全错乱。我拿到数据集后会把data.yaml和图片画框的结果对照着看一遍，确认id和类别名对齐。另外，path字段用绝对路径最稳，用相对路径时YOLOv8会基于当前工作目录解析，换终端跑训练时容易因为工作目录不同找不到图片。

3.3 训练命令与超参数选择：epochs、imgsz、batch的搭配逻辑

训练命令的骨架是yolo train加模型权重、数据配置和超参数。第一次跑这个数据集，我推荐用下面的命令，它能在半小时到两小时内给出一个可用的baseline（取决于显卡型号和图片数量）。

yolo train model=yolov8n.pt data=data.yaml epochs=100 imgsz=640 batch=16 patience=15 device=0

参数说明要拆开讲。model=yolov8n.pt表示使用COCO预训练权重作为初始化，而不是从随机权重开始训；这对小数据集至关重要，因为预训练模型已经学会了纹理、边缘、反光等底层特征，迁移到易拉罐场景只需要微调高层语义，训练速度更快且不容易过拟合。epochs=100是训练轮数，配合patience=15表示如果连续15轮val上的mAP没有提升就提前停止，这样既防止过拟合，又省时间。imgsz=640是输入分辨率，YOLOv8训练时会先把图片等比缩放并填充到640×640；如果数据集原始图片是1024以上的大图，建议改成768或896，对细小划痕的召回有帮助，代价是显存占用和训练时间上升。batch=16是每次迭代的样本数，6G显存跑不动就降到8，16G显存可以升到32。device=0指定用第一块GPU，没有GPU就改成device=cpu，但速度会慢几十倍，建议先用小模型快速验证流程再上GPU。

训练过程中观察终端输出的loss和mAP曲线。正常情况下box_loss和cls_loss是下降趋势，val集上的mAP@0.5在几十轮后趋于平稳。如果loss持续震荡不下降，先检查学习率是不是过大；YOLOv8默认学习率0.01对n模型够用，但对s模型可能偏大，可以加上lr0=0.005试试。如果loss曲线在某个点突然下跌然后不再变化，往往是数据集里混入了大量空白背景图，模型学到的是“什么都不检测”的捷径，这种情况要去掉纯背景样本或者给背景单独加一个类别。

3.4 训练产物解读：best.pt、last.pt和results.csv里哪些值得看

训练结束后，runs/detect/train目录下会生成一批文件。weights/best.pt是val集上mAP最高的权重，部署时用它；weights/last.pt是最后一轮的权重，一般不用。results.csv记录了每一轮的loss、精确率、召回率和mAP，我每次都会打开这个文件看一眼曲线走势，比只看终端输出的几个数字直观得多。下面这段代码用matplotlib把mAP曲线画出来，快速判断训练是否收敛。

import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv('runs/detect/train/results.csv') # 列名包含空格，先清洗 df.columns = [c.strip() for c in df.columns] plt.plot(df[' epoch'], df[' metrics/precision(B)'], label='precision') plt.plot(df[' epoch'], df[' metrics/recall(B)'], label='recall') plt.plot(df[' epoch'], df[' metrics/mAP50(B)'], label='mAP50') plt.xlabel('epoch') plt.ylabel('metric') plt.legend() plt.grid(True) plt.savefig('training_curve.png', dpi=150)

这段代码读results.csv并绘制precision、recall、mAP50三条曲线。逻辑上，precision看的是检出来的目标里有多少是真正的缺陷，recall看的是真实缺陷里有多少被检出来，mAP50是两者在不同置信度阈值下的综合面积。工业质检场景中，recall比precision更重要，因为漏检的缺陷会直接流向消费者，而误检最多是让产线停机人工复检。所以看到mAP50已经很高但recall偏低时，不要急着调模型，先降低推理时的置信度阈值，或者检查测试集里是不是存在大量小目标缺陷。YOLOv8默认在val阶段会输出混淆矩阵和预测样本图，其中val_batch0_pred.jpg展示了模型在验证集上的可视化结果，花两分钟看一眼，比盯着数字更能发现问题，比如某类缺陷完全没被检出，往往是因为训练样本里这类目标太少。

4. 复现98.9%正确率的关键：评估口径、置信度阈值与批量推理验证

4.1 先搞清98.9%是什么指标：正确识别率不等于mAP

数据集说明里写“平均正确识别率可达98.9%”，但“正确识别率”在工业界是个模糊说法。以我理解，它大概率指的是逐张图片的块级准确率：即预测框与真实框的IoU超过某个阈值（比如0.5）且类别判断正确，就算这张图里的这个缺陷被正确识别，最后正确识别的目标数除以总目标数得到98.9%。这个口径和mAP@0.5有相关性，但不完全等价，因为mAP计算的是不同置信度阈值下的平均表现，而98.9%更像是在某个固定置信度阈值下的最终指标。所以复现这个数字时，不必焦虑“为什么我训练完mAP才96%”，先确认评估口径是否一致。

实际做评估时，我建议同时看四个指标：精确率（Precision）、召回率（Recall）、mAP@0.5、mAP@0.5:0.95。前两个对应产线的误检率和漏检率，mAP@0.5是工程上最常用的综合指标，mAP@0.5:0.95对框的定位精度更敏感，小缺陷数据集的这个值通常比mAP@0.5低10到20个百分点，属于正常现象。下面这个表格展示了同一批验证结果在不同指标下的典型差异，方便建立直觉。

复现指标时还有一个隐藏问题：测试集的选择。数据集的98.9%如果是在某个特定的测试集上得到的，你用自己的随机划分得到的数字可能上下浮动一两个百分点。我一般会先按数据集的原始train/val切分训练一轮，确认指标接近报告值；再用自己的独立test集重新评估，得到真实泛化性能。两步都做，才能判断这个数据集值不值得作为产线方案的基础。

4.2 用yolo val做标准评估：从测试集结果中读取混淆矩阵

YOLOv8的val命令可以直接加载训练好的权重，在指定的验证集或测试集上输出全套指标。关键是data.yaml里的val路径要指向你想评估的数据目录，如果我想在独立test集上测试，就临时改一个test.yaml，把val字段指向images/test。

yolo val model=runs/detect/train/weights/best.pt data=test.yaml batch=8 imgsz=640 conf_thres=0.25 iou_thres=0.5

命令跑完后终端会打印各类别和总体的mAP、precision、recall。conf_thres=0.25是置信度阈值，低于这个值的预测会被丢掉；iou_thres=0.5是NMS的IoU阈值和评估时的正样本判定阈值。如果想复现数据集报告的高正确率，可以把conf调高到0.5再跑一次，此时precision会上升但recall会下降，98.9%这个数字很可能是在较高置信度阈值下得到的。注意阀值调参不是模型训练的一部分，它只影响推理结果，所以在产线落地时完全可以在部署端动态调整，不需要重新训练。

评估输出目录里最值得看的文件是confusion_matrix.png。它是一个C行C列的矩阵，C是类别数加一个背景类。横轴是真实类别，纵轴是预测类别，主对角线是正确分类的数量。如果某类缺陷的主对角线和它所在列的其他位置相比不够突出，说明这个类别经常被混淆成其他类，最常见的场景是“凹坑”和“涂层缺陷”在灰度图上看起来很像。发现混淆后优先做的不是换模型，而是看标注样本里这两类的边界是否清晰，必要时回标一批数据强化差异。

4.3 批量推理脚本：把自己的图片跑一遍并输出可视化结果

评估指标是数字，推理可视化是证据。写一个批量推理脚本，把测试集图片换成带框带类别标签的标注图，可以直接发给不懂算法的同事看，比任何曲线都有说服力。下面这段代码加载best.pt，遍历图片目录，输出标注后的图片。

from ultralytics import YOLO import os model = YOLO('runs/detect/train/weights/best.pt') img_dir = 'datasets/can_defect/images/test' out_dir = 'predict_results' os.makedirs(out_dir, exist_ok=True) for img_name in os.listdir(img_dir): if not img_name.endswith(('.jpg', '.png')): continue result = model.predict( source=os.path.join(img_dir, img_name), conf=0.25, iou=0.5, save=True, project=out_dir, name='batch', )

这段代码里，conf=0.25控制检测灵敏度，工业场景下我一般先跑0.25，看漏检情况再调到0.4左右。iou=0.5是NMS去重阈值，如果检测结果里同一个缺陷出现大量重叠框，说明iou设得太低，调到0.6或0.7能去掉冗余框。save=True会自动在out_dir/batch下生成带标注的图片。跑完后重点观察两类样本：漏检的缺陷和误检的背景区域。漏检通常是小目标或低对比度目标，误检通常是罐口高光、印刷文字边缘被当成了缺陷。这两类问题在数据集指标上看不出来，但产线客户一眼就会指出来。

5. 易拉罐缺陷识别训练避坑记录：五个高频翻车场景与解决办法

5.1 标签文件与图片文件名不匹配导致训练集为空

现象：训练命令启动后很快提示No labels found in train dataset，或者训练正常开始但val集的mAP一直是0。

原因：最常见的有三种。一是图片是.jpg，标签是.JPG后缀，YOLO在Linux下区分大小写，stem虽然相同但文件后缀不同导致找不到。二是数据划分时只复制了图片忘记复制标签，目录里图片数量远大于标签数量。三是标签txt里的坐标全部是0，模型读到了标签但没有任何有效目标。

解决：训练前先写一个脚本统计每个目录的图片数和标签数，数量不一致就报警。另外用2.2节的体检脚本扫描所有标签，过滤出坐标越界或宽高为0的行。养成习惯：任何数据集到手先跑这两步再进训练，能避免至少一半的“训练不起效”问题。

5.2 铝罐反光把高光区域误检成划痕

现象：推理结果中，罐身边缘的高光带被广泛标记为划痕，precision被拖得很低，而真实划痕尺度很小，被高光淹没，recall也不理想。

原因：易拉罐是金属反光表面，拍摄时存在大面积镜面反射。高光区域的灰度梯度与真实划痕在局部纹理上高度相似，模型学到的“划痕特征”实际是“高梯度变化区域”。更麻烦的是，训练标注中如果把高光边缘的伪影也标成了划痕，模型会认为这是正确行为。

解决：先检查训练标注里是否混入了高光伪影的框，如果有，回标修正。然后在数据增强里加入随机亮度对比度扰动，让模型对光照变化不敏感。最后在推理端叠加一个后处理规则：罐体表面的高光位置相对固定（通常出现在罐身两侧），用掩码把固定高光区排除在检测范围外。这不算模型能力问题，而是工业视觉里常见的光源与先验融合手段。

5.3 细小划痕和小凹坑在640分辨率下漏检

现象：大缺陷如罐口变形、涂层脱落检测效果很好，但细划痕和针孔大小的凹坑recall很低，val_batch_pred图上几乎看不到这些小目标的框。

原因：YOLOv8在640分辨率下，下采样到最后一层特征图时，原图中几个像素的缺陷在特征图上已经不足一个像素，特征被背景摊薄。这是目标检测的尺度问题，不是模型训练不够。

解决：最直接的办法是把训练分辨率从640调到896或1024，小目标的像素占比变大，特征更清晰。显存不够时，用切图推理（tiling）方式，把原图切成四个带重叠的区域分别检测，再把结果拼接回原坐标。训练阶段也可以配合mosaic增强，把小缺陷叠到不同背景上，增加样本多样性。换YOLOv8的P2输出层或使用SAHI这类切片推理工具也是常用手段，但先试imgsz提升更省事。

5.4 类别不均衡导致准确率虚高但关键缺陷漏检

现象：总体准确率98.9%，但其中占样本80%的“无缺陷”类贡献了绝大部分正确样本，凹坑类和划痕类的recall只有70%左右。在产线场景中，真正需要关注的就是少数类缺陷，此时总体指标失去意义。

原因：模型在训练时被多数类主导，损失函数里多数类的梯度占比过高，少数类学不到足够特征。这在缺陷检测中几乎必然出现，因为良品率高的产线里缺陷样本天然稀少。

解决：训练时设置class_weights参数，给少数类更大的损失权重；或者对少数类样本做过采样，复制粘贴缺陷区域到其他图片上。数据增强方面，对含缺陷的图片提高mosaic概率，让模型每轮都看到足够多的缺陷实例。评估指标也要从总体准确率改为每类的recall，尤其关注产量最大的前两类缺陷。

5.5 训练loss出现NaN且mAP跳变为零

现象：训练到第几十轮时，loss突然变成nan，之后所有指标归零，best.pt停留在早期epoch。

原因：学习率过大导致梯度爆炸，或者标签文件中存在宽高为0、坐标为负值的非法框，模型计算IoU时出现除零。另一种可能是batch里出现了全黑或全白的异常图片，导致BN层统计量崩溃。

解决：先降低学习率，lr0=0.001重新训练，看是否还会出现NaN。然后用脚本扫描标签，过滤掉非法行。BN崩溃的问题可以用更小的batch size配合nbs参数（名义batch size）缓解，YOLOv8支持nbs=64表示累积梯度到64再更新，这样即使实际batch是16，也能稳定训练。出现NaN后不要继续在这个权重上训练，从最近一个正常的ckpt恢复或者干脆从头开始，换来换去只会浪费时间。

6. 进阶验证与产线落地技巧：小样本数据集的四个加分做法

模型在测试集上达到98.9%只是第一步，产线部署还要考虑标注成本、推理速度和长尾缺陷。我这里给四个具体做法，都是在真实项目里验证过有效的。

第一个是半自动标注迭代。用训练好的best.pt对未标注图片做预标注，再把结果导入CVAT这样的标注工具人工修正。CVAT支持导入YOLO格式标签，模型预测可能有30%的框需要微调，但比起从零画框能省至少一半时间。迭代两轮后，把新增修正样本混入训练集重新训练，recall会明显上升。这比一次性标几千张更符合工业项目的节奏。

第二个是导出ONNX并用TensorRT加速。YOLOv8的model.export(format='onnx')一条命令就能导出，配合TensorRT在GPU上推理，单张图的耗时能压到几毫秒。易拉罐产线速度普遍在每分钟几百罐，单相机检测时间窗口只有几十毫秒，ONNX加TensorRT是必须走的路径。导出后注意用imgsz和训练时保持一致，避免动态分辨率带来的精度损失。

第三个是测试时增强（TTA）。推理时对图片做水平翻转和90度旋转，把多次推理的结果合并，能额外提升1%到2%的recall。代价是推理时间乘以3到4，一般只用在离线抽检，不在产线实时跑。

第四个是给每个缺陷类别定义一个最小可接受召回率。比如凹坑和划痕是安全相关缺陷，要求recall不低于99%；污渍和标签破损是外观缺陷，recall可以放宽到95%。有了这个阈值表，调参就有方向，而不是盯着总体98.9%一个数字。

我的血泪经验是：不要迷信数据集自带的正确率声明，一定要在自己的测试集上重新评估，并且把每类的recall拉出来看。很多时候总体指标很好看，但恰恰是最需要抓住的那类缺陷拖了后腿。用这套流程做下来，从拿到数据集到产线试运行，一般在一周内能完成；如果你手里的易拉罐样本和这个数据集分布接近，那这个方向仍然值得投入时间，祝顺利，希望帮到你。

本文还有配套的精品资源，点击获取