基于 YOLO 的纺织品缺陷检测系统：Web 端集成与模型训练实战

项目背景

在纺织制造行业中，表面缺陷检测是把控品质、减少次品流出的关键环节。传统人工检测存在效率低、主观性强、易遗漏细微缺陷等弊端，而算法开发又面临门槛高、调试周期长的问题。本项目旨在提供一套开箱即用的一站式解决方案，集成了 YOLO 多版本模型加载、图片/视频/摄像头实时分析、数据导出及历史追溯功能。

系统功能演示

用户登录与主界面

系统采用简洁的登录验证机制。主界面布局合理，左侧为功能操作区，中间展示检测画面，右侧呈现目标详细信息，交互流畅。

个人信息与权限管理

支持用户修改密码或更换头像。管理员端可编辑、删除用户信息，实现对用户的有效管理。

多模态检测与结果处理

系统支持图片、视频及摄像头实时画面的目标检测。识别结果会在画面中标注，并带有语音播报提醒。下方列表逐项列出检测结果，点击具体目标可查看类别、置信度及坐标。

检测结果支持保存为带标注的新图片或视频，同时可将所有数据导出至 Excel，方便后续查看与分析。

模型切换与历史记录

内置多种已训练模型，用户可根据场景灵活切换以对比效果。系统记录识别历史，支持单条或多条浏览、删除，便于追溯。

模型训练核心代码

本脚本是一个批量训练工具，主要解决了数据集路径配置和预训练模型加载的问题。它会自动将相对路径修正为绝对路径，确保 Ultralytics 库能正确定位数据，并按设定参数一键启动多个版本的训练任务。

# -*- coding: utf-8 -*-
"""
该脚本用于执行 YOLO 模型的训练。
它会自动处理以下任务：
1. 动态修改数据集配置文件 (data.yaml)，将相对路径更新为绝对路径。
2. 从 'pretrained' 文件夹加载指定的预训练模型。
3. 使用预设的参数（如 epochs, imgsz, batch）启动训练过程。
"""
import os
import yaml
from pathlib import Path
from ultralytics import YOLO

def ():
    
    
    models_to_train = [
        {: , : },
        {: , : },
        {: , : },
        {: , : }
    ]
    
    current_dir = os.path.abspath(os.getcwd())
    
    
    data_yaml_path = os.path.join(current_dir, , )
     (data_yaml_path, , encoding=)  f:
        data_config = yaml.safe_load(f)
    
    
    data_config[] = os.path.join(current_dir, )
     (data_yaml_path, , encoding=)  f:
        yaml.dump(data_config, f, default_flow_style=, allow_unicode=)
    
    
     model_info  models_to_train:
        model_name = model_info[]
        train_name = model_info[]
        ()
        
        pretrained_model_path = os.path.join(current_dir, , model_name)
          os.path.exists(pretrained_model_path):
            ()
            
            
        :
            model = YOLO(pretrained_model_path)
            ()
            model.train(
                data=data_yaml_path,
                epochs=,
                imgsz=,
                batch=,
                name=train_name
            )
            ()
         Exception  e:
            ()
            

 __name__ == :
    main()