基于 YOLO 的纺织品缺陷检测系统
系统概述
在纺织制造行业的智能化升级中，纺织品表面缺陷检测是把控产品品质、减少次品流出、降低生产损耗的关键。传统人工检测模式存在效率低、主观性强、易遗漏细微缺陷的弊端。本项目集成 YOLO 多版本模型加载、图片/视频/文件夹批量检测、摄像头实时流分析等核心功能，支持缺陷类别过滤、检测数据 Excel 导出、识别历史追溯及模型选择模块，旨在提供开箱即用、可适配不同纺织品检测需求的一站式解决方案。
系统功能演示
用户登录界面
登录界面布局简洁清晰，用户需输入用户名、密码验证后登录系统。
主界面布局
主界面采用三栏结构，左侧为功能操作区，中间用于展示检测画面，右侧呈现目标详细信息，布局合理，交互流畅。
个人信息管理
用户可在此模块中修改密码或更换头像，个人信息支持随时更新与保存。
多模态检测展示
系统支持图片、视频及摄像头实时画面的目标检测。识别结果将在画面中标注显示，并且带有语音播报提醒，并在下方列表中逐项列出。点击具体目标可查看其类别、置信度及位置坐标等详细信息。
检测结果保存
可以将检测后的图片、视频进行保存，生成新的图片和视频，新生成的图片和视频中会带有检测结果的标注信息，并且还可以将所有检测结果的数据信息保存到 excel 中进行，方便查看检测结果。
多模型切换
系统内置多种已训练模型，用户可根据实际需求灵活切换，以适应不同检测场景或对比识别效果。
识别历史浏览
系统内支持用户对识别历史进行浏览，以方便用户查看历史识别记录，可以对识别历史的结果图片进行一个点击放大。
管理员管理用户信息
系统内支持管理员端的登录操作，登录以后可以对用户信息进行编辑修改和删除，以方实现对用户信息的管理操作。
管理员管理识别历史
系统内支持管理员对识别历史的单条和多条历史记录的一个浏览和删除操作，以方便管理员对识别历史进行管理。
模型训练核心代码
本脚本是 YOLO 模型批量训练工具，可自动修正数据集路径为绝对路径，从 pretrained 文件夹加载预训练模型，按设定参数（100 轮/640 尺寸/批次 8）一键批量训练 YOLOv5nu/v8n/v11n/v12n 模型。
# -*- 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，以确保训练时能正确找到数据。
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。
要开始训练，只需直接运行此脚本。
"""
import os
import yaml
from pathlib import Path
from ultralytics import YOLO
def main():
"""主训练函数。
该函数负责执行 YOLO 模型的训练流程，包括：
1. 配置预训练模型。
2. 动态修改数据集的 YAML 配置文件，确保路径为绝对路径。
3. 加载预训练模型。
4. 使用指定参数开始训练。
"""
# --- 1. 配置模型和路径 ---
models_to_train = [
{'name': 'yolov5nu.pt', 'train_name': 'train_yolov5nu'},
{'name': 'yolov8n.pt', 'train_name': 'train_yolov8n'},
{'name': 'yolo11n.pt', 'train_name': 'train_yolo11n'},
{'name': 'yolo12n.pt', 'train_name': 'train_yolo12n'}
]
current_dir = os.path.abspath(os.getcwd())
# --- 2. 动态配置数据集 YAML 文件 ---
data_yaml_path = os.path.join(current_dir, 'train_data', 'data.yaml')
with open(data_yaml_path, 'r', encoding='utf-8') as f:
data_config = yaml.safe_load(f)
data_config['path'] = os.path.join(current_dir, 'train_data')
with open(data_yaml_path, 'w', encoding='utf-8') as 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()
技术栈
- 语言：Python 3.10
- 前端界面：Bootstrap
- 后端：Django
- 数据库：SQLite（存储用户信息）
- 模型：YOLOv5、YOLOv8、YOLOv11、YOLOv12
YOLO 模型对比与识别效果解析
YOLOv5/YOLOv8/YOLOv11/YOLOv12 模型对比
基于 Ultralytics 官方 COCO 数据集训练结果：
| 模型 | 尺寸 (像素) | mAPval 50-95 | 速度 (CPU ONNX/毫秒) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|
| YOLO12n | 640 | 40.6 | - | 2.6 | 6.5 |
| YOLO11n | 640 | 39.5 | 56.1 ± 0.8 | 2.6 | 6.5 |
| YOLOv8n | 640 | 37.3 | 80.4 | 3.2 | 8.7 |
| YOLOv5nu | 640 | 34.3 | 73.6 | 2.6 | 7.7 |
关键结论：
- 精度最高：YOLO12n（mAP 40.6%），显著领先其他模型（较 YOLOv5nu 高约 6.3 个百分点）；
- 速度最优：YOLO11n（CPU 推理 56.1ms），比 YOLOv8n 快 42%，适合实时轻量部署；
- 效率均衡：YOLO12n/YOLO11n/YOLOv8n/YOLOv5nu 参数量均为 2.6M，FLOPs 较低（YOLO12n/11n 仅 6.5B）；YOLOv8n 参数量（3.2M）与计算量（8.7B）最高，但精度优势不明显。
综合推荐：
- 追求高精度：优先选 YOLO12n（精度与效率兼顾）；
- 需高速低耗：选 YOLO11n（速度最快且精度接近 YOLO12n）；
- YOLOv5nu/YOLOv8n 因性能劣势，无特殊需求时不建议首选。
数据集分析
数据集中训练集和验证集一共 13000+ 张图片，数据集目标类别 4 种，数据集配置代码如下：
上面的图片就是部分样本集训练中经过数据增强后的效果标注。
训练结果
混淆矩阵显示中识别精准度显示是一条对角线，方块颜色越深代表对应的类别识别的精准度越高。
F1 指数（F1 Score）是统计学和机器学习中用于评估分类模型性能的核心指标，综合了模型的精确率（Precision）和召回率（Recall），通过调和平均数平衡两者的表现。
当置信度为 0.458 时，所有类别的综合 F1 值达到了 0.81（蓝色曲线）。
[email protected]：是目标检测任务中常用的评估指标，表示在交并比（IoU）阈值为 0.5 时计算的平均精度均值（mAP）。其核心含义是：只有当预测框与真实框的重叠面积（IoU）≥50% 时，才认为检测结果正确。
图中可以看到综合 [email protected] 达到了 0.802（80.2%）。
