企业官网建设流程全解析

简介：基于YOLOv8实现热轧带钢表面缺陷检测的完整工程资源，面向深度学习初学者与工业视觉质检人员，解决带钢表面横向裂缝、纵向裂缝、龟裂、坑槽等八类缺陷的自动识别与定位问题。包体共2000个文件，以txt标注/说明、md笔记、Python训练与推理脚本为主，辅以xml配置、C++推断文件及yaml模型参数等，整套资源约74.49MB，目录结构便于按数据、模型、代码、文档检索。配套教程覆盖数据集构建、YOLOv8预训练与微调、学习率与优化器设置、数据增强、推理测试及mAP等指标评估，同时提供环境配置与常见问题排查指南。已有842人学习下载，适合希望快速上手YOLO系列并落地工业缺陷检测场景的读者。

1. 热轧带钢表面缺陷检测为什么值得自己跑一遍：从数据集到 YOLOv8 的完整闭环

热轧带钢表面缺陷检测是工业视觉里最典型的落地场景之一。拿到一份标注好的带钢表面缺陷数据集，用 YOLOv8 在本地跑通训练、验证和导出，整个过程比很多人想象的要短，真正吃时间的反而是数据整理和标签排查。这条路线最大的价值在于：它不是让你记住某一条训练命令，而是让你把数据格式转换、类别不均衡、小目标漏检、部署阈值校准这一整串问题亲手解一遍，之后换到其他工业检测任务也能直接复用。这篇笔记适合刚接触工业缺陷检测的开发者，也适合想快速验证 YOLOv8 在细长、小目标、多类别缺陷上表现的算法工程师，按从数据到部署的顺序往下走。

2. 热轧带钢缺陷检测的任务拆解：六类缺陷、数据集构成与检测难点

2.1 六类典型缺陷：形态差异与标注边界

常见的热轧带钢表面缺陷数据集会把标注对象分成六类：裂纹、夹杂、斑块、麻点、轧制氧化皮和划痕。这六类缺陷的形态差异非常大，直接影响标注格式和检测策略。裂纹是细长的暗色线条，宽度可能只有几个像素，长度从几十到几百像素不等，偶尔会有分叉；划痕同样细长，但方向性更强，大多沿轧制方向出现，经常多条平行共存；麻点则是密集分布的细小凹坑，单个体积极小，往往成片出现；斑块是面积较大的块状灰度异常，边界模糊；轧制氧化皮是氧化铁皮压入表面形成的碎片，形状不规则、边界清晰；夹杂多呈团状或条带状，灰度与周围差异明显。

从标注角度看，这六类的边界框差异极大。麻点和细裂纹的框可能只有十几个像素，斑块和氧化皮的框则可能占据图像三分之一。标注时需要注意：同一条线性缺陷被截断成多段时，是按一段整体框还是分段框，数据集的标注规范里一般会有约定；如果不清楚，最好的办法是把训练样本里的标签可视化出来看几遍，确认跟后续自己补标时的习惯保持一致。

这些形态特征带来的检测难点集中在三点。第一，小目标占比高：麻点、裂纹在 640×640 输入下有效面积常常不到 1%，YOLOv8 默认的 anchor-free 结构虽然有较强的多尺度能力，但小目标的特征在一次下采样后已明显弱化。第二，类间相似：划痕和裂纹在灰度图里都是细长暗线，边界很容易混淆。第三，表面光照与纹理噪声：带钢表面反光不均、氧化皮脱落形成的暗影，经常被模型误判为缺陷。理解这三点，下面所有参数调整都有了解释。

2.2 目录组织与 train/val/test 划分：一份能直接开训的数据集长什么样

复现这类项目前，先搞清楚数据集目录是怎么组织的。常见做法是项目根目录下放 images 和 labels 两个主目录，各自下面按 train、val（可能还有 test）分子目录；每张图片与同名 label 文件一一对应，label 文件是 txt，每行是一个目标，格式为 class_id cx cy w h，四个坐标值都已归一化到 0 到 1。也有数据集用 VOC 的 XML 或 COCO 的 JSON 格式，使用前需要转换，转换脚本的写法放在下一章。

目录划分最忌讳的是随机打散所有图片后按百分比切。带钢表面缺陷数据通常来自连续拍摄的序列帧，同一块带钢的相邻帧画面高度相似，如果它们同时出现在训练集和验证集里，验证指标会被高估，看起来 mAP 很高，换一条新带钢就漏检。我一般会先按"来源样本组"分组，保证同一组的帧全部进入同一个分区，再在组内做随机划分。划分比例常用 8:1:1，也可以不单独留 test，用 train/val 就够调参。

下面这段脚本可以快速完成分层划分，兼顾按来源分组：

import os, random, shutil data_root = "raw_dataset" # 原始数据根目录 imgs = [f for f in os.listdir(data_root) if f.endswith(".png")] random.seed(0) random.shuffle(imgs) # 按文件名前缀聚合样本组，避免同一带钢的连续帧被切到不同分区 groups = {} for img in imgs: key = img.split("_")[0] # 假设文件名以 sheet_id 开头 groups.setdefault(key, []).append(img) keys = list(groups.keys()) random.shuffle(keys) n_train = int(len(keys) * 0.8) n_val = int(len(keys) * 0.1) for i, key in enumerate(keys): if i < n_train: split = "train" elif i < n_train + n_val: split = "val" else: split = "test" for img in groups[key]: src_img = os.path.join(data_root, img) src_txt = os.path.join(data_root, img.replace(".png", ".txt")) dst_img = os.path.join("dataset", "images", split, img) dst_txt = os.path.join("dataset", "labels", split, img.replace(".png", ".txt")) os.makedirs(os.path.dirname(dst_img), exist_ok=True) shutil.copy(src_img, dst_img) shutil.copy(src_txt, dst_txt)

这段脚本的思路是先按文件名前缀（带钢编号）聚合样本组，对组打乱后再分配分区，确保同一个来源组不会同时出现在训练集和验证集里。需要调整的参数只有 data_root 和划分比例，random.seed(0) 保证划分结果可复现。如果原始文件名不是"编号_帧号"的结构，需要先把分组信息读进一个字典，再按字典聚合，这是最常见的改造点。

2.3 为什么选 YOLOv8：对比传统视觉与两阶段检测

在热轧带钢缺陷检测这个任务上，很多人会先问：能不能用传统视觉方案做？阈值分割加形态学在单一光照、单一缺陷类型下确实可行，但带钢表面光照变化大，氧化皮阴影和麻点纹理很难用固定阈值区分，一旦换一个产线环境参数就要重新调一轮，后期维护成本很高。手工特征（如灰度共生矩阵、边缘直方图）配合分类器的方案在实验环境下有效，但缺陷边界复杂、类别多达六种时，特征工程的边际收益很低。

YOLOv8 的优势在于端到端：网络直接学习从像素到边界框和类别的映射，不需要单独设计特征。v8 在结构上去掉了 anchor，采用解耦检测头，对细长目标的框回归更友好；C2f 模块增强了梯度流动，在中小规模数据集（几千到几万张）上，用预训练权重做微调，通常两三个小时就能收敛到可用的水平。对比两阶段检测器（以 Faster R-CNN 系列为代表），YOLOv8 的推理速度快一到两个数量级，这对产线节拍来说是决定性的。一帧 640×640 图像在普通显卡上推理时间能压到 10ms 内，而两阶段检测器很难做到。

不过也有一个适合选择两阶段检测器的场景：缺陷平均面积小于 10×10 像素、且要求极高召回率时，两阶段检测器的区域提案机制在小目标上有其优势。如果数据集中麻点和细裂纹占大头，先用 YOLOv8 跑出基线，再对比一个两阶段模型，用指标说话，是最稳妥的做法。模型体积方面，YOLOv8 有 n/s/m/l/x 五档，带钢缺陷检测我会从 s 起步：n 在细长目标上特征能力偏弱，m 及以上的速度在低端工控机上可能吃紧，s 是性价比最均衡的一档。

3. 环境准备与数据预处理：复现前必须做对的四件事

3.1 创建虚拟环境并安装 ultralytics：四步装好训练环境

安装步骤是每个人拿到源码包后第一步要做的，也是最容易因为环境问题翻车的部分。推荐用 conda 创建独立环境，避免把系统 Python 弄乱。常见做法是创建一个 Python 3.10 的环境，然后安装 ultralytics 包；框架依赖的 torch 和 torchvision 需要单独装，因为不同机器的 CUDA 版本不一样。

conda create -n steel python=3.10 -y conda activate steel # 先装 PyTorch：到 PyTorch 官网根据自己的 CUDA 版本复制安装命令 pip install torch torchvision # 再装 ultralytics，会自动带上其余依赖 pip install ultralytics

安装 PyTorch 时需要注意，官网安装命令里 --index-url 指向哪个 CUDA 版本，要以本机驱动支持的版本为准，不要盲目装最新版。装完之后先做一个最小验证：import 一下 torch 和 ultralytics，确认 CUDA 可用。代码块执行完毕后建议跑一个只推理不训练的自检：

from ultralytics import YOLO import torch print("cuda available:", torch.cuda.is_available()) model = YOLO("yolov8n.pt") # 首次运行会自动下载官方预训练权重 result = model.predict("test.jpg", imgsz=640) print(len(result))

如果 cuda available 输出 False，说明 torch 与显卡驱动不匹配，需要重新装对应 CUDA 版本的 torch。predict 能正常返回说明 ultralytics 自检通过，接下来可以进入数据整理。另外，拿到源码包后先看 README 或使用教程，确认是否要求特定版本的 ultralytics；版本差产生的小差异可能导致个别参数不兼容，不必追新，以教程给出的版本为准。

3.2 把 VOC 标注转成 YOLO 格式：转换脚本与三个边界坑

热轧带钢表面缺陷数据集不少是以 VOC XML 形式发布的（也可能自带 YOLO txt 或 COCO JSON）。如果拿到的是 XML，需要在训练前转成 YOLO 格式的 txt。转换脚本的核心逻辑是把 XML 里的 xmin/ymin/xmax/ymax 像素坐标，除以图片宽高归一化成 cx/cy/w/h，并把类别名称映射为从 0 开始的整数 id。下面是一个可直接改用的转换脚本：

import xml.etree.ElementTree as ET import os # 类别映射，务必与后续 data.yaml 中 names 的顺序完全一致 class_map = { "crazing": 0, "inclusion": 1, "patches": 2, "pitted_surface": 3, "rolled_in_scale": 4, "scratches": 5, } def xml_to_yolo(xml_path, out_path): tree = ET.parse(xml_path) root = tree.getroot() size = root.find("size") img_w = int(size.find("width").text) img_h = int(size.find("height").text) lines = [] for obj in root.findall("object"): name = obj.find("name").text if name not in class_map: print(f"跳过未知类别: {name}") continue box = obj.find("bndbox") xmin = float(box.find("xmin").text) ymin = float(box.find("ymin").text) xmax = float(box.find("xmax").text) ymax = float(box.find("ymax").text) x = min(max((xmin + xmax) / 2 / img_w, 0), 1) y = min(max((ymin + ymax) / 2 / img_h, 0), 1) w = min(max((xmax - xmin) / img_w, 0), 1) h = min(max((ymax - ymin) / img_h, 0), 1) lines.append(f"{class_map[name]} {x:.6f} {y:.6f} {w:.6f} {h:.6f}") with open(out_path, "w") as f: f.write("\n".join(lines))

转换时的三个坑要特别注意。第一是类别映射顺序：XML 里的类别名转成 id 后，顺序必须和 data.yaml 的 names 数组完全一致，否则模型会把划痕当成氧化皮去学，训练结果文档上看起来正常，实际类别全错。第二是坐标越界：标注框偶尔会超出图像边界，不带边界处理的脚本会在归一化后产生大于 1 或小于 0 的值，YOLO 训练时会报错或丢弃该目标，所以我在脚本里做了 clip。第三是空标签：有些图确实没有缺陷，XML 里没有 object 节点，转换后会得到空 txt 文件，这是正常现象，不要删掉对应图片，YOLO 支持空标签参与训练。

3.3 data.yaml 与训练参数：先理解再上手调

数据集转换完成后，在项目根目录建一个 data.yaml 文件，它就是 YOLO 训练的数据入口。文件里指定训练集和验证集路径、类别数以及类别名称，path 可以用相对路径也可以写绝对路径，相对路径要以你执行训练命令时所在目录为基准，建议把 yaml 放在项目根目录下，统一用相对路径，这样换机器不用改配置。

path: ../dataset # 数据集根目录，相对于 data.yaml 所在位置 train: images/train val: images/val nc: 6 names: 0: crazing 1: inclusion 2: patches 3: pitted_surface 4: rolled_in_scale 5: scratches

train 和 val 字段指向的是相对于 path 的目录，YOLOv8 会自动拼接。names 里的顺序必须与转换脚本中的 class_map 保持一致，这是整个项目中检查优先级最高的一项。检查方法很简单：训练前用项目里的统计脚本或 ultralytics 自带的数据检查功能，把 train 和 val 的图片数量、标签数量、类别 id 范围都打印出来过一眼，如果类别 id 超出 nc-1，那一定是谁的映射写错了。

在还没进入训练命令之前，建议先把三个最常改的参数在脑子里过一遍：imgsz 决定训练输入尺寸，带钢小目标多，我一般从 640 起步，显存够且验证集 mAP 在小目标类别上偏低时加到 1280；batch 由显存决定，可以先设小后调大；epochs 工业场景我一般设 150 到 200 并用 early stopping，后面第 4 章会展开说明。

3.4 数据增强与样本不均衡：带钢场景的取舍

YOLOv8 默认开启了 mosaic、随机翻转、HSV 扰动等增强。mosaic 把四张图拼成一张，对提升模型鲁棒性帮助很大，但在带钢缺陷场景要特别注意：默认 mosaic 是随机拼图，不同缺陷的上下文被强行拼在一起，对细长划痕来说，拼接边界会把一条缺陷切成两半，产生错误的标注语义。ultralytics 提供了 close_mosaic 参数，控制最后 N 个 epoch 关闭 mosaic，我通常设置 close_mosaic=10，让模型最后阶段在真实分布上收尾，对最终精度有明显帮助。

样本不均衡在六类缺陷里几乎必然存在：划痕和氧化皮样本多，裂纹和夹杂少。对样本少的类别，不均衡严重时先做离线复制粘贴增强：把少数类目标从原图上抠出来，做小范围旋转和缩放，贴到没有缺陷的背景图上，再生成新的标签文件。这个办法对小目标缺陷尤其有效，但要注意粘贴时不要让目标超出边界，也不要贴得太密集，否则模型学到的是"缺陷周围必有缺陷"的错误相关性。如果只是轻微不均衡，直接训练再用 F1 曲线挑阈值就够了，不必专门做增强；过度增强少数类反而会让模型对背景误检。

4. 训练、验证与模型导出：把 YOLOv8 跑通的最小闭环

4.1 训练命令与训练过程解读：从启动到收敛

数据集格式没问题、data.yaml 配置正确之后，训练就相对简单了。最稳妥的方式是先用官方命令跑一遍基线，确认流程走得通再做参数调整。训练命令长这样：

yolo detect train \ data=config/steel.yaml \ model=yolov8s.pt \ epochs=200 \ imgsz=640 \ batch=16 \ workers=4 \ device=0 \ close_mosaic=10 \ patience=30 \ seed=0

model 参数填预训练权重，会基于 COCO 预训练权重做迁移学习，收敛比随机初始化快很多。epochs 设 200、patience 设 30 表示连续 30 轮验证指标不提升就提前停止，实际一般到 100 轮左右就收敛。close_mosaic 上一章说过，最后 10 轮关 mosaic。seed=0 固定随机种子，保证同一机器上结果可复现。训练中间结果默认保存到 runs/detect/train 系列目录，每个新 run 自动编号，weights 文件夹下 best.pt 是验证集上指标最好的模型，last.pt 是最后一轮的，平时用 best.pt 就够了。

训练过程里终端每轮会打印 P、R、mAP50、mAP50-95 四个指标。常见误区是只盯 mAP50 前面几个 epoch 有没有上涨，实际上前 30 轮 mAP50 偏低很正常，特征还没学扎实，重点要看 loss 曲线是否平缓下行，以及 mAP 是否在中后段持续抬升。如果训练到一半断了，命令行加 yolo detect train resume=True 就会从 last.pt 继续，不用重新跑。同理，如果想在断点处改参数，改完 resume 即可；但如果是换了数据集或改了模型结构，必须重新开始，resume 只会沿用旧配置。

4.2 验证指标怎么读：别被 mAP 一根曲线带偏

训练完之后，先别急着把 best.pt 拿去用。验证这一步是把"训练好了"变成"能用"的分水岭。命令很简单：

yolo detect val \ model=runs/detect/train/weights/best.pt \ data=config/steel.yaml \ imgsz=640

验证结束会在 runs/detect/val 目录下输出混淆矩阵、PR 曲线和每个类别的详细指标。带钢缺陷检测里，我最关注的不是总 mAP，而是每个类别的召回率。产线上漏检一块带钢可能直接变成废品，代价远高于误报。而 mAP50 高、但某个类别特别是麻点或裂纹的召回率只有 60%，这种情况下模型实际不可用。

判断模型能不能上产线，我会把验证集输出的 per-class 召回率和实际缺陷占比拉一张表一起看：如果某类别样本占总量 30%、其召回率却垫底，那问题不在数据量，而在特征本身（比如划痕与裂纹混淆）。这时候优先做的不是盲目调大 epochs，而是回去核对标签是否干净，再做针对性增强。另一个容易被忽视的动作是：从验证集的预测结果图片里，人为过一遍漏检和误检的样本，通常十张以内就能发现是标注错、类别边界不清还是光照噪声导致的误检，这一步比调参更能提升最终效果。

4.3 导出 ONNX / TensorRT：部署前的一次完整性检查

训练完成后若要在产线工控机上推理，基本都会先把 PyTorch 模型导出成 ONNX 或 TensorRT 格式。导出本身不复杂，但能暴露训练环节隐藏的许多问题，所以建议训练完立刻导一次：

yolo export model=runs/detect/train/weights/best.pt format=onnx opset=12 dynamic=True yolo export model=runs/detect/train/weights/best.pt format=tensorrt half=True

第一条命令导出 ONNX，opset=12 兼顾了老版本推理框架的兼容性；dynamic=True 允许输入尺寸动态变化，适合工控机上 batch 不固定的情况。第二条导出 TensorRT，half=True 使用 FP16 精度，推理速度能提升 1 到 3 倍，但前提是部署显卡支持 FP16，工业场景常用的部分工控显卡需要在低精度推理时做更大规模的验证。导出完成后可以用 onnxruntime 实际跑一次，对比原模型和导出模型在相同一张图上的输出框，理论上检测结果几乎一致，如果框的数量缺了几个或坐标完全对不上，就要回到数据增强或导出参数上排查，而不是直接认定导出出了问题。

导出 ONNX 后部署有一条实用经验：芯片推理时，前处理和后处理的耗时经常被忽略。严格来说，导出模型本身只能保证模型推理快，真实部署还得把图片解码、letterbox 缩放、坐标还原一并进行性能测量。我一般在部署脚本里用同一段代码测量整个管线耗时，之前在模拟项目X的现场测试中发现，前处理优化（换用解码库、去掉多余拷贝）往往比换模型更立竿见影。

5. 避坑指南：复现热轧带钢缺陷检测的 5 个常见问题与排查

5.1 训练时 loss 不下降、mAP 始终为 0

现象：训练跑了 30 到 50 轮，loss 一直停在 2 到 3 之间不往下走，mAP50 始终是 0，验证集一张都检不出来。

原因：八成不是模型问题，而是标签和图片没对齐。最常见的是 data.yaml 的 names 顺序和标签里的 class_id 不一致，比如 class_map 里划痕是 5、data.yaml 里划痕排在 0，模型一直把划痕的框往第 0 类上拟合，等价于在错误监督下学一个不可能收敛的目标。另一个高频原因是标签文件与图片文件名不匹配，某几张图没有对应 txt，YOLO 训练时会把它们当成背景图参与计算，稀释正样本信号。

解决：先别调任何训练参数，写一个可视化脚本把训练集里每张图的标签框叠到原图上抽查 20 张，确认类别和框的位置都对；再统计标签文件里出现的类别 id 范围，确保最大 id 小于 nc。这一步能排查掉 80% 的"loss 不下降"问题。

5.2 小目标漏检严重，mAP50 却很高

现象：验证集总 mAP50 有 0.85 以上，但单独看麻点和细裂纹类别，召回率只有 50% 上下；产线抓拍里的细小缺陷几乎全部漏检。

原因：640×640 的输入经过多次下采样后，小于 8×8 像素的目标在特征图上只占一个点，检测头很难同时回归出准确的中心和宽高。带钢缺陷的麻点、细微裂纹正是这种体量，而数量占多数的氧化皮、斑块把总 mAP50 拉高了，掩盖了小目标类别的问题。

解决：把 imgsz 从 640 提到 1280 或 1536，小目标在输入图像上的像素面积直接扩大 4 倍，收益最直接。显存不够时，采用切图推理：把大图按带重叠的窗口切成若干小块，分别推理后合并结果，重叠区用 NMS 去重。源码包里如果给了推理脚本，通常已经支持切图，自己部署时也优先保留这个逻辑。另外把 close_mosaic 从 10 增加到 20，让模型多学几轮带小目标拼接的样本，对微小缺陷也有帮助。

5.3 视频或大图推理时框的位置偏移

现象：单张测试图效果正常，但用大图或视频帧推理时，检测框整体偏移，目标在画面不同位置，框的偏移量也不同。

原因：基本可以断定是前处理/后处理的 letterbox 还原写错了。YOLOv8 推理时会先把图像等比缩放并填充到模型输入尺寸，输出坐标是针对填充后图像的；如果没有把填充的偏移量和缩放比例还原回去，直接拿输出坐标除以缩放比例映射到原图，框就会错位。

解决：在推理脚本里保留 letterbox 的变换参数（缩放比例和填充 offset），后处理时先减 offset 再除以缩放比例。用 ultralytics 官方 predict 接口时这些逻辑已经封装好，问题多出现在自己写的 C++ 或 Python 推理脚本里替换了图像缩放方式却没有同步替换坐标还原。自查的办法是拿一张带有明显缺陷的小图，先按训练时的 letterbox 规则推理，再单独手写一遍坐标还原做比对。

5.4 CUDA out of memory

现象：训练刚开始或跑到第几个 epoch 时进程直接报 CUDA out of memory 退出。

原因：组合下来无非三点：batch 太大、imgsz 太大、显卡显存太小。6G 显存的卡跑 yolov8s + imgsz=640 + batch=16 确实会爆。workers 设置过高导致数据加载进程占用的内存暴涨，也可能在数据端触发 OOM。

解决：先把 batch 降到 4 跑通再往上加；imgsz 保持 640 不动，优先用 batch 换显存。如果一定要 imgsz=1280 才能满足小目标命中率，那就把模型从 s 降到 n，或者开启 accumulate 参数等效扩大 batch，让显存占用降下来。判断卡顿是不是数据加载引起的，可以把 workers 临时设成 2 或 0 观察进程内存占用是否明显下降。

5.5 两次训练结果差 2-3 个点，正常吗

现象：同一个数据集、同一份配置、同一个模型，先后训练两次，第二次的 mAP50 比第一次差了 2 到 3 个点。

原因：YOLOv8 训练里有随机性：数据 shuffle、mosaic 拼图、CUDA 算子在不同运行下并非完全确定。这不代表上次训练是偶然超水平发挥，2 个点以内的波动在中小规模工业数据集上属于正常范围。真正要注意的是多次训练结果的波动幅度，如果同一配置跑三次，mAP50 极差超过 5 个点，说明训练流程本身的随机性还没有被控制住，优先排查数据增强的随机性是否过大或 batch 是否偏小。

解决：训练命令里固定 seed=0，能减小一部分波动；但完全复现没太大价值，工业交付更关心的是模型在同类数据上的可靠表现。我会用同一个配置跑三个 seed，综合最好结果和最差结果评估模型，而不只看最好的一次，最终上线前再跑一次足够长的训练作为正式权重。

6. 上产线前的最后一公里：置信度阈值怎么定、缺陷怎么上报

6.1 用 PR 曲线反查置信度阈值

训练完的默认置信度阈值是 0.25，这个值在产线上几乎从来不是最优解。正确做法是打开验证集输出的 PR_curve.png，找到召回率曲线的拐点：拐点左边置信度阈值低，召回率高但误检多；拐点右边误检少但召回率下降很快。带钢缺陷场景里，漏检的代价远大于误检，所以阈值应取在拐点偏左一侧，而不是默认的 0.25 或偏右一侧。类别差异大时，建议按类别单独设阈值：划痕和裂纹这类对后工序危害大的类别阈值放低一点，麻点这类背景纹理容易误报的类别阈值抬一点。YOLOv8 的 conf 参数是全局统一值，要实现分类别阈值，需要在自己代码里按 class_id 过滤后重新判定，这一步不要省。

6.2 缺陷上报策略：别让算法直接决定停机

算法输出缺陷框之后，产线上通常不会直接报警或停机，而是先经过一层业务规则。我常见的是两级确认：同一位置连续 3 帧都命中且类别一致，才确认缺陷成立，单帧的偶发误检直接过滤；确认为缺陷后，结合带钢的移动速度把缺陷位置映射到长度坐标，和下游切剪工序联动。这一层逻辑看似简单，却是模型能否在产线上活下来的关键。之前我在某跨平台系统里做过一个带钢缺陷检测模块，算法团队把阈值调到 0.4 后误报确实少了，但操作员反而更频繁地关掉告警，原因是现场帧级抖动导致的重复报警让系统失去信任。后来在算法后加了三帧确认和位置映射，误报减少了几十倍，操作员才真正把告警当回事。这个坑让我养成一个习惯：算法交付不止交付权重和推理代码，还要把阈值、帧级确认、上报协议一起交付。希望这篇笔记帮你把这些环节一次想全，少走一轮现场调试的弯路。

本文还有配套的精品资源，点击获取