Java 调用 YOLOv26：ONNX 模型部署与工业质检实战

在工业自动化领域，上位机开发常面临传统算法瓶颈。此前使用 OpenCV+ 传统算法进行零件缺陷检测时，误检率和漏检率较高。引入 YOLOv26 配合 Java 的 ONNX Runtime 部署后，误检率从 12% 降至 2.1%，漏检率从 8% 降至 0.8%，满足工业级要求。

方案说明：核心模型为 YOLOv26s（小模型，工业场景部署首选），推理引擎采用 ONNX Runtime Java 1.18.0（跨平台、性能好、官方支持完善）。工业质检场景以汽车零件表面划痕、毛刺、缺角检测为例，代码基于真实项目简化。

一、架构选型：为何选择 YOLOv26+ONNX Runtime Java？

工业质检场景中，Python 和 C++ 部署较为常见，但工业自动化领域的上位机 90% 以上使用 Java 编写（Spring Boot、Swing、JavaFX 等）。直接使用 Java 部署 YOLOv26，无需跨语言调用，性能损耗小，维护成本低。

具体选型理由如下：

1. YOLOv26 的优势：