企业官网建设流程全解析

简介：本资源面向从事工业质检与深度学习目标检测的开发者、学生及研究人员，提供一套可直接复现的YOLOv7钢材缺陷检测方案，解决钢材表面缺陷自动识别与模型训练问题。压缩包共166个文件，约203.86MB，包含31个Python脚本、36个yaml配置、14个ipynb实验笔记、2个pt权重文件，以及jpg图片、xml与txt标签、png图表、sh脚本和Dockerfile等，覆盖训练、推理、导出与部署环节。资源已训练好检测模型，并附PR曲线、loss曲线等评估结果，同时提供经labelimg标注的钢材缺陷数据集，标签同时保存为xml和txt两种格式，便于直接用于YOLO系列训练。已有1288人学习下载，读者可获取完整数据、预训练权重、训练日志与多份对比实验笔记，快速完成从数据准备到模型验证的全流程实践，适合作为课程设计、毕业设计或工业检测项目的参考模板。

1. 钢材缺陷检测为什么总在漏检：从 YOLOv7 权重与数据集说起

产线上跑过钢材表面检测的人大多有过同一种体验：模型在验证集上 mAP 看着挺漂亮，一上产线就开始漏检，尤其是细长划痕、氧化铁皮压入、边裂这几类。问题往往不在网络结构，而在数据集标注粒度和权重加载方式。钢材缺陷检测这个任务，本质是在高反光、低对比度、纹理干扰极强的灰度图上做小目标定位，YOLOv7 之所以被大量产线方案选中，是因为它在 640 输入下对细长目标的召回比同代模型更稳，且权重文件结构清晰、便于二次训练。这一篇就围绕 YOLOv7 钢材缺陷检测这条线，把数据集怎么整、权重怎么接、训练参数怎么调、部署时哪里翻车讲透，适合已经跑通过 YOLO 基础训练、准备往工业质检落地的工程师。

2. 数据集与权重：钢材缺陷检测的两块地基

2.1 钢材缺陷数据集长什么样，类别怎么定

工业钢材缺陷没有像 COCO 那样的统一标准，常见做法是按产线质检标准自己定类别。热轧带钢场景下，业内比较通用的几类是：夹杂（inclusion）、划痕（scratch）、氧化铁皮压入（rolled-in scale）、边裂（edge crack）、结疤（shell）。东北大学发布的 NEU-DET 是公开数据里被引用最多的一个，六类缺陷、每类 300 张灰度图，分辨率 200×200，适合做算法验证，但直接拿去训产线模型会明显欠拟合，因为真实产线图像分辨率普遍在 2048×1000 以上，缺陷尺度差异极大。

我一般建议的做法是：用 NEU-DET 或同类公开集做预训练和流程验证，同时按自己产线相机采集至少 800～1500 张真实图，按缺陷类型分层标注。标注工具用 LabelImg 或 X-AnyLabeling 都行，导出 YOLO 格式的 txt。这里有个血泪经验：细长划痕如果按最小外接矩形标，框会非常扁，YOLOv7 的 anchor 匹配容易把它归到背景，建议对长宽比超过 8:1 的缺陷，标注时适当放宽短边，让框不至于退化成一条线。

数据集目录按 YOLOv7 官方约定组织：

steel_defect/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── steel.yaml

steel.yaml内容如下，nc是类别数，names顺序必须和标注时的 class id 严格对应，错一位整个训练就废了：

# 钢材缺陷数据集配置 path: /data/steel_defect # 数据集根目录 train: images/train # 训练集相对路径 val: images/val # 验证集相对路径 nc: 6 # 类别数量 names: ['inclusion', 'scratch', 'rolled_scale', 'edge_crack', 'shell', 'pitted_surface']

参数说明：path用绝对路径最稳，避免训练时因工作目录变化找不到图；nc改了之后必须同步检查权重加载时的分类头维度，否则会报 shape mismatch。

2.2 YOLOv7 权重怎么选、怎么接自己的数据集

YOLOv7 官方发布的权重主要有yolov7.pt、yolov7x.pt、yolov7-w6.pt等几个规格。钢材缺陷检测属于小目标密集场景，我一般从yolov7.pt起步，它在精度和推理速度之间比较平衡；如果产线 GPU 是 A10 以上、追求召回，可以上yolov7x.pt，但显存占用会明显上升，batch 得往下压。

加载权重做迁移学习时，关键在--weights和--cfg的配合。用官方权重初始化主干，分类头因为类别数不同会被重新初始化，这是正常现象：

# 用官方 yolov7.pt 权重迁移到 6 类钢材缺陷 python train.py \ --weights yolov7.pt \ --cfg cfg/training/yolov7.yaml \ --data data/steel.yaml \ --hyp data/hyp.scratch.p5.yaml \ --epochs 300 \ --batch-size 16 \ --img-size 640 640 \ --device 0 \ --workers 8 \ --name steel_v7

逻辑说明：--weights加载预训练参数，--cfg指定网络结构，两者必须匹配，否则会报层名对不上。--hyp用hyp.scratch.p5.yaml是 P5 结构的默认超参，钢材缺陷建议后续手动调lr0和anchor_t。--img-size设 640 是 YOLOv7 的甜点值，如果缺陷特别小，可以上到 1280，但 batch 要相应减半。

参数说明：--batch-size 16在 24G 显存下跑 640 输入比较稳；--workers按 CPU 核数给，给太多反而会因为 IO 争抢拖慢。训练日志里重点盯P（precision）和R（recall），钢材缺陷场景下 R 比 mAP 更值得关注，漏检的代价远大于误检。

3. 训练参数与调优：让 YOLOv7 在钢材缺陷上收敛

3.1 超参文件里哪几个参数必须改

YOLOv7 的hyp.scratch.p5.yaml是通用目标检测的超参，直接套在钢材缺陷上，前 50 个 epoch 往往震荡明显。我一般会动这几个：

anchor_t这个参数是钢材缺陷检测里最容易被忽略的。默认 4.0 意味着 GT 框和 anchor 的宽高比只要在 1/4 到 4 之间就算匹配，但划痕这类长宽比动辄 10:1 的目标，根本落不进这个范围，结果就是大量划痕被当成背景。调到 3.0 甚至 2.5，召回会明显改善，代价是误检略升，产线上可以通过后处理阈值再压。

3.2 训练过程怎么盯、什么时候该停

YOLOv7 训练日志里几个关键指标：box_loss、obj_loss、cls_loss三条曲线。钢材缺陷场景下，obj_loss如果一直下不去，通常是标注框太松或者背景图太多；cls_loss震荡则多半是类别不平衡，比如划痕样本远多于边裂。

我一般会在训练脚本里加一段早停逻辑，避免过拟合：

# 简易早停：连续 20 轮验证 mAP 不提升就停 best_map = 0.0 patience = 20 wait = 0 for epoch in range(epochs): train_one_epoch(...) map50 = validate(...) if map50 > best_map: best_map = map50 wait = 0 save_checkpoint('best.pt') else: wait += 1 if wait >= patience: print(f'早停触发，最佳 mAP@0.5={best_map:.4f}') break

逻辑说明：这段逻辑可以挂在train.py的验证环节后面，patience设 20 是因为钢材缺陷数据集通常不大，模型在 150～200 轮就基本收敛，再训下去只是过拟合。best.pt保存的是验证集 mAP 最高的权重，部署时用这个，不要用last.pt。

参数说明：map50指 IoU=0.5 时的 mAP，工业场景下也可以看map50:95，但钢材缺陷的框本身标注就有主观误差，IoU 卡太严反而失真，我一般以map50为主、map50:95为辅。

3.3 数据增强在钢材缺陷上的取舍

YOLOv7 默认开了 mosaic、mixup、HSV 增强。钢材缺陷是灰度图为主，HSV 增强意义不大，反而可能引入不存在的颜色分布，建议把hsv_h、hsv_s、hsv_v调小或关掉。mosaic 对小目标召回有帮助，可以保留，但mosaic概率别给到 1.0，0.5～0.7 比较合适，否则模型会过度依赖拼接图，单图推理时性能掉一截。

翻转增强要注意：钢材缺陷里划痕有方向性，水平翻转可能让模型学到错误的纹理方向，垂直翻转一般安全。旋转增强对边裂这类目标有帮助，但角度别超过 15 度，否则框会失真。

4. 部署与推理：权重落地时最容易翻车的几个点

4.1 从 .pt 到推理引擎的转换

训练完的best.pt直接拿去产线推理，速度往往不够。常见做法是转 ONNX 再转 TensorRT。YOLOv7 导出 ONNX 时有个坑：--grid参数不加上，导出的模型在推理时输出维度会不对。

# 导出 ONNX，注意 --grid 和 --simplify python export.py \ --weights runs/train/steel_v7/weights/best.pt \ --img-size 640 640 \ --batch-size 1 \ --grid \ --simplify \ --include onnx

逻辑说明：--grid把检测头的网格生成逻辑固化进计算图，避免推理端自己实现时对不齐；--simplify用 onnx-simplifier 去掉冗余算子，TensorRT 解析更顺。导出后建议用onnxruntime跑一张图，和 PyTorch 输出对比，误差在 1e-3 以内才算正常。

参数说明：--batch-size 1是产线单张推理的常见配置，如果要批量推理再改大。--img-size必须和训练时一致，改了会导致精度断崖。

4.2 推理阈值怎么定，别照搬默认值

YOLOv7 默认conf_thres=0.25、iou_thres=0.45，这套值在 COCO 上没问题，钢材缺陷上往往误检偏多。我一般会把conf_thres提到 0.4～0.5，iou_thres降到 0.3～0.4，因为钢材缺陷框重叠情况少，NMS 太松反而留下重复框。

# 推理时的后处理参数 conf_thres = 0.45 # 置信度阈值，产线建议 0.4~0.5 iou_thres = 0.35 # NMS IoU 阈值，钢材缺陷建议 0.3~0.4 classes = None # 不过滤类别，全类输出 agnostic = False # 不跨类 NMS，保持类别独立

逻辑说明：conf_thres提高会降误检但可能漏检，产线上如果漏检代价高，可以降到 0.35 再配合人工复检。agnostic=False表示不同类别的框不互相抑制，钢材缺陷类别之间差异大，保持独立更合理。

参数说明：这几个值没有绝对标准，建议在验证集上画 P-R 曲线，按产线能接受的误检率反推阈值。

5. 避坑与排查：钢材缺陷检测训练里最常见的 5 个坑

5.1 现象：训练 loss 正常下降，但验证 mAP 一直卡在 0.3 以下

原因：大概率是标注格式或类别 id 错位。YOLO 格式的 txt 里 class id 从 0 开始，如果标注工具导出时从 1 开始，或者steel.yaml里names顺序和标注不一致，模型学到的就是错位映射。

解决：写个脚本抽查几张图的 txt，把 class id 和names对一遍；再用labels.jpg可视化工具看框是否落在缺陷上。确认无误后再重新训练，别在错数据上反复调参。

5.2 现象：模型对划痕几乎全漏，其他类正常

原因：划痕长宽比过大，默认 anchor 匹配不上，GT 框在正样本分配阶段就被丢了。

解决：把hyp里的anchor_t从 4.0 降到 2.5～3.0；同时检查 anchor 聚类结果，用kmeans在自己的数据集上重新聚一组 anchor，替换yolov7.yaml里的默认值。这一步对细长目标召回提升非常明显。

5.3 现象：转 TensorRT 后精度掉了一大截

原因：导出 ONNX 时没加--grid，或者--simplify把某些算子融合错了；也可能是 TensorRT 的 FP16 量化对小幅值特征不友好。

解决：先确认 ONNX 推理结果和 PyTorch 一致，再转 TensorRT；如果 FP16 掉点，改用 FP32 或 INT8 校准。钢材缺陷的灰度特征幅值小，FP16 有时确实压不住，别硬上。

5.4 现象：产线推理速度忽快忽慢

原因：图像预处理在 CPU 上做，和 GPU 推理没流水起来；或者--workers给太多，IO 争抢。

解决：把 resize、归一化用 CUDA kernel 做，或者用 DALI 做预处理流水线；workers按实际 CPU 核数给，别盲目调大。产线相机帧率固定的话，可以开一个固定大小的队列做缓冲。

5.5 现象：换一批新产线的图，模型直接崩

原因：域偏移。不同产线的光照、相机参数、钢材表面状态差异大，训练集覆盖不到。

解决：新产线至少采 200～300 张图做微调，lr0调到 0.001 以下，只训 30～50 轮；同时把旧数据按比例混进去，防止灾难性遗忘。这一步没有捷径，工业质检的域适应就是靠数据堆。

6. 把召回再拉一档：两个我常用的进阶技巧

第一个技巧是切片推理。钢材缺陷图分辨率高，直接 resize 到 640 会把小缺陷缩没。做法是把原图切成带重叠的 640×640 小块，逐块推理再合并。重叠区取 128 像素，合并时用 NMS 去重。这个思路在遥感检测里很成熟，搬到钢材缺陷上同样有效，代价是推理时间线性增加，产线节拍紧的话要权衡。

# 切片推理核心逻辑 def sliced_inference(img, model, slice_size=640, overlap=128): h, w = img.shape[:2] stride = slice_size - overlap detections = [] for y in range(0, h, stride): for x in range(0, w, stride): patch = img[y:y+slice_size, x:x+slice_size] # 记录偏移量，合并时还原坐标 dets = model(patch) for d in dets: d[:4] += [x, y, x, y] detections.append(d) return nms(detections, iou_thres=0.35)

逻辑说明：stride控制切片步长，overlap保证缺陷不被切边切断。合并时坐标要加回偏移量，否则框位置全错。nms用和单图推理一致的阈值即可。

参数说明：slice_size跟训练输入一致，overlap一般取 slice_size 的 1/5 到 1/4，太小会漏掉跨块缺陷，太大推理耗时上升。

第二个技巧是难例挖掘。训练完第一版后，把验证集里漏检和误检的图挑出来，人工复核标注，加进训练集再训一轮。这个循环做两到三次，mAP 通常能再涨 3～5 个点。我自己的习惯是每轮训练后固定抽 50 张错例看，不看整体指标，只看错在哪，这比盲目调参有用得多。钢材缺陷检测没有一劳永逸的权重，只有不断对齐产线数据的过程，希望帮到你。

本文还有配套的精品资源，点击获取