YOLOv11零件表面缺陷检测实战：从数据标注到TensorRT部署

简介面向工业质检从业者与计算机视觉学习者这份《工业质检新突破-基于YOLOv11的零件表面缺陷检测实战教程》PDF系统讲解了如何使用YOLOv11实现零件表面缺陷检测。内容从传统质检局限切入涵盖YOLO系列演进、YOLOv11架构、数据标注与增强、模型训练调优、评估指标、部署落地及汽车零部件等真实场景案例适合希望掌握单阶段目标检测并快速落地工业项目的读者。资源为单个PDF文件压缩包大小2.14MB共36页并支持目录跳转与大纲定位文字图表完整清晰。目前已有113人浏览学习。文档不仅梳理了YOLOv11的核心机制与训练流程还提供了数据清洗、增强、迁移学习微调、评估优化、本地/云端/边缘部署及可视化分析等实操思路可帮助读者降低试错成本构建一套可参照的工业缺陷检测解决方案。1. 一份零件缺陷检测实战路线为什么先选 YOLOv11产线质检老师傅拿着强光手电一枚枚翻零件表面找划痕、压伤、毛刺是很多中小工厂的常态。疲劳导致漏检、标准不统一、招不到人这三件事几乎是所有想上视觉质检团队的共同痛点。基于 YOLOv11 的零件表面缺陷检测最近在工业质检圈讨论度很高原因是它把一阶检测器的训练门槛和部署友好度压到了一个比较低的水平不需要自己设计网络数据准备好之后用官方训练脚本就能跑通推理端也支持 ONNX、TensorRT 导出。这套实战教程要解决的就是“从一堆缺陷图片到产线上一条稳定可用的检测流”这个完整过程。比较反直觉的一点是这类项目真正翻车的地方往往不在模型而在数据标注和验证集划分上。2. YOLOv11 网络结构里哪些设计对工业缺陷检测真正有用2.1 从 YOLOv8 到 YOLOv11结构演进与工业场景的匹配点YOLOv11 是 ultralytics 在 YOLOv8 基础上继续迭代的检测框架版本熟悉 YOLOv8 的工程师迁移过去几乎不需要改习惯因为入口 API、数据集组织方式、训练参数风格完全一致。这恰恰是工业质检团队最看重的一点换模型不动整套流程试错成本非常低。从网络结构角度看YOLOv11 延续了 anchor-free 的设计思路同时把主干网络里的部分 C2f 模块替换成了带有注意力机制的轻量结构骨干网络末段对多尺度特征的提取更充分。anchor-free 对缺陷检测有一个隐藏优势缺陷目标的形状极不规则比如一条弯曲的划痕、一块不闭合的压伤anchor-free 不需要人为预先设计锚框的宽高比模型直接从特征图上回归目标中心与边框减少了规则先验对不规则缺陷的约束。对工业场景来说不需要像早期 Faster R-CNN 那样针对每一种缺陷形态重新聚类 anchor省掉了一轮调参。另一个值得关注的改动是损失函数和训练策略的优化。YOLOv11 的边界框回归在默认设置下收敛更平稳对高分辨率输入的支持也比前代友好。做零件表面缺陷检测时工业相机拍出来的图经常是 500 万像素起步甚至直接上 1200 万像素模型需要能扛住大图输入YOLOv11 在这方面的训练显存占用和推理耗时都比同体量的两阶段模型更可控。真正驱动大家升级到 YOLOv11 的原因还有一个生态因素周边工具链完善。训练、验证、剪枝、导出、部署的路径在同一个框架内闭环不需要把模型文件在不同工具之间来回搬运。这对工程师而言意味着问题好排查模型出了问题能快速定位是训练环节还是推理环节。2.2 小缺陷为什么难检测语义特征与分辨率博弈零件表面缺陷检测和通用物体检测有一个明显区别缺陷目标通常非常小。一条细划痕可能在整幅图中的宽度只有 10 到 20 个像素一个针孔缺陷可能只有几个像素这类目标属于典型的小目标检测问题。小目标困难的本质在于深度卷积网络通过逐层下采样提取高维语义特征但下采样倍数越大小目标在特征图上的响应越弱。YOLOv11 的主干网络通常会进行 32 倍下采样一个 16 像素宽的缺陷经过下采样后在最高层特征图上只剩半个像素的响应几乎不可能被检测头感知。这也是为什么在工业缺陷检测里单纯最求模型的“大”没有意义真正决定小缺陷能不能被召回的是输入分辨率和特征层的匹配关系。工程上判断缺陷是否属于“危险的小目标”有一个简单的经验标准缺陷的长边像素数除以输入图像尺寸结果小于 1/32 就要警惕。比如使用 640 分辨率训练缺陷长边小于 20 像素就必须采取针对性措施。常见做法是提升输入分辨率把 imgsz 从 640 调到 1280 甚至更高代价是显存占用上升、训练速度下降另一个做法是使用切图策略把高分辨率工业图切成多个子图送入模型推理这也是后面章节会展开的内容。还有一个容易忽略的维度是缺陷的语义特征。通用目标如“人”“车”有清晰的类别语义而划痕、脏污、轻微的压伤在特征图上看起来可能非常接近正常表面的纹理变化。模型需要更多的底层纹理信息来做出判断这也是为什么缺陷检测模型常常在浅层特征图上表现更敏感。YOLOv11 的多尺度检测头融合了浅层和深层特征但融合的充分程度仍然受限于训练数据的丰富度。2.3 迁移学习与预训练权重选哪个yolov11s 还是 yolov11mYOLOv11 官方提供了 n、s、m、l、x 几个不同规模的预训练权重工业质检项目里最常用的两个是 s 和 m。选型逻辑主要看推理部署的目标硬件和单张图像上需要检测的缺陷数量。yolov11s 是性价比最高的选择。它体积小、推理延迟低在一张入门级工控显卡上处理 640 分辨率图像能跑到较高帧率适合产线节奏较快的场景。如果缺陷类型少、形态相对固定用 s 型号在充分训练后通常能获得不错的精度。yolov11m 的容量更大特征表达能力更强适合缺陷形态复杂、类别多、缺陷之间相似度高的场景。比如同时存在划痕和擦伤这两种容易混淆的缺陷m 型号在区分细粒度差异上会更有优势。代价是显存占用量大约上升一倍推理延迟也明显增加。在 1200 万像素工业图像上做切图推理时m 型号的吞吐量可能会成为瓶颈。一个常被问起的问题是预训练权重是在 COCO 数据集上训的里面根本没有“划痕”“压伤”这些类别迁移学习还有效吗答案是仍然有效。因为预训练模型学到的是通用视觉特征比如边缘响应、纹理结构、颜色分布等等这些底层特征在工业缺陷上同样适用。训练时不需要冻结主干直接把全套权重加载进来做整体微调在缺陷数据量不太大的情况下也能较快收敛。3. 缺陷数据从哪来样本采集、合成缺陷与 VOC 转 YOLO 格式脚本3.1 真实缺陷样本永远不够三类数据来源怎么组合工业质检项目启动时遇到的第一道坎通常不是模型而是数据。一条产线刚开始做视觉检测时良品可能是海量的但缺陷品少得可怜。一个真实项目里可能连续收集一个月才攒了几百张带缺陷的图而深度学习目标检测在这个数据量级下很难训练出稳定的模型。常见的三类缺陷数据来源里第一是真实产线采集这是最可靠的数据需要在产线上增加图像采集工位把人工检出和过程抽检中发现的缺陷品拍下来。第二是合成缺陷用图像处理程序把划痕、脏污、压痕等效果人工贴到良品图上去。合成数据的量大、标注完全自动化但模拟效果和真实缺陷之间存在分布差异模型在合成数据上表现可能不错到了真实场景准确率反而下降。第三是开源数据集比如钢材表面缺陷数据集 NEU-DET、工业零件数据集 Kolektor 等可以用于前期算法预研和流程验证但不能替代工厂现场数据。我的实际经验是合成数据 真实数据的混合策略最有效。先用合成数据把整体 pipeline 跑通、把训练流程调稳然后逐步加入真实缺陷数据做增量训练。合成数据负责让模型先学会缺陷的基本形态真实数据负责纠正分布偏差。合成缺陷的生成方式可以很简单地对一张良品图做随机扰动。比如生划痕时沿随机方向绘制一条亚像素宽度的曲线叠加亮度变化和高斯模糊生脏污时在随机位置粘贴带有边缘羽化的色斑。关键是要让合成缺陷在亮度、对比度、模糊程度上有足够的随机性否则模型会学到合成痕迹本身的特征。3.2 标注格式统一把 VOC XML 转成 YOLO txt 的一次性脚本缺陷数据的标注格式五花八门。很多工厂之前用过其他质检软件导出的标注是 VOC 格式的 XML 文件而 YOLOv11 使用的是每个图像一个同名 txt 文件的格式每行记录一个目标的类别索引和归一化的中心坐标、宽高。如果不做转换训练直接报错或者模型完全学不到东西。以下是一个经过验证的转换脚本读取 VOC 格式的 XML 标注目录批量生成 YOLO 格式的标签文件import os import xml.etree.ElementTree as ET from pathlib import Path def voc_xml_to_yolo_txt(xml_path, out_dir, class_names): 将单个VOC XML标注转换为YOLO格式txt class_names: 类别名列表索引即为YOLO类别ID tree ET.parse(xml_path) root tree.getroot() # 读取图片尺寸后续坐标归一化要用 size root.find(size) img_w int(size.find(width).text) img_h int(size.find(height).text) # 输出文件名与XML文件名保持一致后缀改为txt txt_path Path(out_dir) / (Path(xml_path).stem .txt) lines [] for obj in root.iter(object): name obj.find(name).text if name not in class_names: continue # 类别索引从0开始计数 cls_id class_names.index(name) # 解析边界框坐标像素值 bndbox obj.find(bndbox) xmin float(bndbox.find(xmin).text) ymin float(bndbox.find(ymin).text) xmax float(bndbox.find(xmax).text) ymax float(bndbox.find(ymax).text) # 转换为YOLO格式中心点坐标 宽高全部归一化到[0,1] x_center ((xmin xmax) / 2) / img_w y_center ((ymin ymax) / 2) / img_h box_w (xmax - xmin) / img_w box_h (ymax - ymin) / img_h lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {box_w:.6f} {box_h:.6f}) with open(txt_path, w, encodingutf-8) as f: f.write(\n.join(lines)) # 批量转换整个标注目录 def batch_convert(xml_dir, out_dir, class_names): os.makedirs(out_dir, exist_okTrue) for xml_file in Path(xml_dir).glob(*.xml): voc_xml_to_yolo_txt(str(xml_file), out_dir, class_names) print(fconverted: {xml_file.name}) if __name__ __main__: # 类别顺序必须与后续训练yaml中的names保持一致 names [scratch, dent, burr, stain] batch_convert(annotations/voc, labels/yolo, names)这段脚本有几个容易出错的地方。第一个是坐标转换必须用对应图片的真实宽高有的标注工具导出的 XML 里图片尺寸与实际图片不一致直接使用会在训练时产生错位的边界框。第二个是类别索引顺序脚本里的 class_names 列表必须与后续训练配置 YAML 中的 names 顺序完全一致否则类别信息全乱了。第三个是字典排序问题glob 遍历 XML 文件顺序不受控但输出 txt 与同名图片的对应关系不会乱前提是 XML 的 filename 标签与图片文件名一致。推荐在转换完成后做一个快速校验随机打开几张图和对应的 txt 文件把归一化坐标还原成像素坐标用 OpenCV 画框检查是否贴住了缺陷位置。这个动作看起来多花几分钟实际上能避免后面整个训练白跑一遍。3.3 数据增强的边界亮度、噪声与几何扰动怎么设YOLOv11 训练时默认开启一系列数据增强策略包括随机翻转、缩放、色域变换、马赛克拼接等。对自然场景的目标检测这些增强策略大胆开没问题但对工业缺陷检测不能直接照搬默认值。工业质检有个特殊约束零件表面的缺陷出现在特定方向上与零件的加工纹理、装配方向强相关。比如一个轴类零件划痕方向总是沿着轴向如果开了 fliplr 水平翻转模型会学到“轴向上可以有划痕反方向也可以有”在真实检测时可能对横向划痕也产生响应造成误检。一般建议关闭 fliplr 或只在确定零件方向对称时开启。颜色类增强参数 hsv_h、hsv_s、hsv_v 需要控制幅度。工业零件表面材质对光线敏感球墨铸铁件表面本身就有明显的颜色变化增强幅度过大反而会让模型忽略掉真正区分缺陷的纹理细节。建议色相偏移 hsv_h 设为 0.01 左右饱和度 hsv_s 和明度 hsv_v 设在 0.2 以下。马赛克增强 mosaic 对缺陷检测是双刃剑。它把四张图拼成一张增加了背景多样性但也可能把目标缺陷切在拼接缝处导致小缺陷信息丢失。处理方式是降低 mosaic 的概率或者在训练后期关闭它。ultralytics 框架里可以通过调整 mosaic 参数控制比较保险的做法是前 60% 的 epoch 开启、后面关闭。4. 从环境配置到训练自己的模型YOLOv11 的完整跑通路径4.1 YOLOv11 环境配置conda 创建、显卡驱动与 ultralytics 安装YOLOv11 环境配置是整个实战路线里看似简单、实际上最容易劝退新手的环节。大多数问题并不是出在 ultralytics 包本身而是 PyTorch 和 CUDA 版本不匹配。配置环境的推荐路径是先用 conda 创建独立 Python 环境避免污染系统环境。# 创建独立的 Python 3.11 环境避免污染系统环境 conda create -n yolo11 python3.11 -y conda activate yolo11 # 先安装支持 GPU 的 PyTorch注意按自己的 CUDA 版本选择 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 # 安装 ultralyticsYOLOv11 的官方训练框架 pip install ultralytics # 验证安装是否正常跑一次官方权重推理 yolo predict modelyolo11s.pt sourcehttps://ultralytics.com/images/bus.jpg这里两个关键决策点。第一个是 PyTorch 的安装源不要直接 pip install torch 装 CPU 版本要按本机 CUDA 版本去 PyTorch 官网选择对应的安装命令。第二个是验证命令装完 ultralytics 之后立即用官方预训练权重跑一次推理能确认显卡驱动、CUDA 运行时、PyTorch 三者是否打通。如果这条命令能正常输出检测结果图环境就算准备好了。很多项目卡在环境这一关是因为盲目追求最新版本号。ultralytics 迭代很快新版本可能会带来配置格式的变化。对于工业项目建议安装稳定版本后不再频繁升级优先保证训练脚本和推理脚本的可复现性。4.2 数据集目录与 YAML 配置直接对齐训练脚本的约定ultralytics 框架对数据集目录有一定约定按它的结构组织数据能省掉很多不必要的配置工作。目录结构如下dataset/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 ├── labels/ │ ├── train/ # 训练集标签txt文件 │ └── val/ # 验证集标签 └── defect.yaml # 数据集配置文件对应训练数据集配置文件 defect.yaml# 数据集配置文件通过 datadefect.yaml 参数传给训练脚本 path: /home/user/dataset # 数据集绝对路径 train: images/train # 训练图片相对路径 val: images/val # 验证图片相对路径 nc: 4 # 缺陷类别总数 names: # 类别名列表与转换脚本中的class_names顺序一致 0: scratch 1: dent 2: burr 3: stain配置文件的要点在于 path 字段使用绝对路径train 和 val 字段使用相对于 path 的相对路径。YOLOv11 加载数据时要求每张训练图片 dataset/images/train/xxx.jpg 对应同名的标签文件 dataset/labels/train/xxx.txt文件名完全一致、扩展名不同。标签文件中没有标注的图片可以保留空的 txt 文件或不提供标签模型会把它当作负样本处理。在训练前可以用一句命令检查数据标注是否正确# 在图像上叠加显示标注框检查标注是否贴合缺陷位置 yolo detect train datadefect.yaml modelyolo11s.pt epochs1 imgsz640先跑 1 个 epoch如果训练能正常启动且不报标签相关错误再去跑完整训练。4.3 训练命令与参数详解imgsz、batch、epochs 和损失曲线怎么读数据准备好之后训练命令非常简洁。以下是一个在单张显卡上训练的基本命令yolo detect train \ datadefect.yaml \ modelyolo11s.pt \ epochs200 \ imgsz640 \ batch16 \ workers8 \ patience30 \ device0 \ projectruns/train \ namedefect_yolo11s几个关键参数的含义和设置逻辑imgsz 是训练时输入网络的图像边长。这个参数直接决定缺陷目标在特征图上的像素占比如果缺陷细小优先考虑提高 imgsz 到 1280 而不是增加模型容量。注意 imgsz 提高后显存占用按平方关系增长batch 要相应调小。batch 是批量大小受显存限制。batch 太小会导致 BN 层统计量不稳定训练震荡明显。常见的做法是先设一个较大的 batch如果显存溢出报错逐次减半直到训练能正常启动。epochs 是训练轮数。工业缺陷数据集通常比较小模型收敛速度反而快一般 100 到 200 轮足够。关键要看损失曲线而不是死磕轮数。patience 是早停参数代表验证集指标连续多少轮不提升就停止训练。设置 20 到 30 比较合理既能防止过拟合又不会因为偶然波动过早停止。训练过程中要关注输出日志里的损失值。box_loss、cls_loss、dfl_loss 三个值整体下降是正常的如果某个指标出现“下降后反弹”的形态说明学习率设置偏大或数据中有噪声标签。验证集指标出现持续不增长而训练集损失还在下降这是典型的过拟合信号应该增加数据增强或加大 dropout。另外建议保留训练日志文件后面调整参数时可以对照比较这个习惯能减少很多重复尝试。4.4 小样本下的训练策略数据不均衡与验证集划分工业缺陷数据集中类别不均衡是非常普遍的现象。划痕类缺陷可能占总样本的 70%而压伤类缺陷只有 5%。如果不做处理模型会偏向学习样本量大的类别小类别缺陷的召回率极低。处理不均衡的常规手段是对少样本类别做过采样在构建训练集时按类别比例复制少量类别样本。另一个有效的办法是调整类别损失权重在 ultralytics 中可以通过配置 class weights 参数给少样本类别更高的损失贡献。实际项目中更常见的是组合使用先过采样保证每个类别有足够参与训练的样本再配合验证集指标观察少数类是否被充分学习。验证集划分是另一个容易被忽略的细节。划分数据集时不能随机打乱要按工件批次、产线班次来划分。同一批工件在相同的光照条件和加工参数下表面纹理极其相似如果一批工件中一部分进了训练集、一部分进了验证集模型在验证集上的成绩会虚高。正确做法是按批次文件夹划分比如 1 到 3 号批次的图片全部进训练集、4 号批次的图片全部进验证集这样才能真实反映模型面对新批次工件时有没有泛化能力。5. 缺陷检测实战避坑训练和部署环节的 5 个真实翻车点5.1 训练 loss 直接变 NaN模型权重彻底报废现象训练启动后一切正常大约几十个 iteration 后 loss 输出变成了 nan训练进程不报错但后续所有指标失去意义最终保存的权重推理时输出全为零检测框。原因最常见的是学习率设置过大导致的梯度爆炸特别是在小 batch 场景下BN 层的统计量不稳定会进一步加剧。其次可能是训练数据中存在 NaN 像素值比如某些 PNG 图像包含非法像素数据或者标注文件中出现了超过图像边界的坐标值。解决检查学习率设置如果手动调大过 lr 就恢复默认值检查标签文件中的归一化坐标是否都落在 0 到 1 区间内在数据加载代码里对图像做一次像素值合法性检查。最稳妥的做法是先关掉 AMP 混合精度许多 NaN 问题在 fp16 下出现、切换到 fp32 后就消失虽然训练速度会下降但能快速定位问题范围。5.2 验证集 mAP 很高到了产线上误检多到没法用现象训练阶段的验证集 mAP 达到 0.95 以上部署到产线后把正常零件误判为缺陷的比例高得离谱质检员需要不停复核模型结果效率反倒不如人检。原因训练数据里的负样本严重不足。工业瑕疵往往出现在特定背景上如果训练集中所有图片都是“有缺陷”或“有明显特征背景”的零件模型会把这种背景特征当成判别依据遇到没有见过的正常表面纹理变化时就会产生误判。解决在训练集中大量加入正常零件的图片一张正常零件的图对应生成一个空的 txt 标签文件即可。当负样本比例提升到缺陷样本的 2 到 3 倍后误检率通常会明显下降。产线上线前还要专门采集一批“易混淆正常件”这些表面纹理接近缺陷但实际合格用于验证模型的泛化边界。5.3 细划痕缺陷漏检严重召回率不达标现象压伤、毛刺这类面积较大的缺陷检测效果很好唯独细划痕几乎检测不到训练时损失曲线看起来正常但验证集上划痕类别的召回率可能只有百分之十几。原因划痕太细在 640 分辨率下像素占比远低于检测器的敏感下限。模型训练时下采样后的特征图已经丢失了划痕信息这不是训练不充分的问题是输入信息不足的问题。解决优先把训练和推理的 imgsz 提升到 1280 甚至更高同时把 mosaic 增强关闭防止划痕在拼接过程中被截断。如果显存不够把高分辨率缺陷图按划痕所在区域切成子图训练推理时也用同样的切图策略。另一条思路是增加浅层检测头的权重但实现复杂度高一般不建议工业项目贸然尝试。5.4 训练时 GPU 利用率很低跑一个 epoch 要几个小时现象训练时显卡没有跑满GPU 利用率在 30% 到 50% 之间徘徊训练速度远低于预期影响迭代效率。原因数据加载成为瓶颈。缺陷检测数据集的加载过程包含图像解码、尺寸缩放、数据增强等操作这些都需要 CPU 参与计算。如果 workers 数量设置太小图像处理跟不上 GPU 的消费速度显卡就会处于等待状态。解决调大训练命令中的 workers 参数通常建议设置为 CPU 核心数的一半或三分之二。同时确保图片存储在本机固态硬盘而不是网络磁盘上网络文件系统的延迟会显著拖慢数据加载。如果还不行可以用 nvidia-smi 监控训练时的显存和显卡利用率确认瓶颈位置后再做针对性优化。预加载数据的方式适合小数据集但显存占用大需要量力而行。5.5 标签坐标没归一化所有检测框堆在左上角现象训练能正常完成loss 值也不高但用模型预测时所有缺陷框都集中在图像左上角区域完全不符合真实缺陷分布。原因标签格式转换脚本出错最常见的是直接把 VOC 中的像素坐标当作 YOLO 格式的归一化坐标写入 txt没有除以图片宽高。模型读入标签时将 0 到 1 区间外的坐标截断导致大量标注框被硬压缩到图像的左上角。解决检查一个代表性标签 txt 文件里的坐标值如果出现大于 1 的数字说明没有做归一化。对照第 3 章的转换脚本确认转换逻辑中的除法没有遗漏重新生成全部标签后在训练前用可视化脚本把标注叠加到图片上逐张检查。标注问题越早发现越省时间等模型训练完才查几天的迭代就白费了。6. 预测后保存与产线部署把 best.pt 变成一条稳定可用的检测流6.1 预测后保存结果单张图、批量推理与结果解析训练完成后推理与保存结果是每天都用得到的操作。YOLOv11 的预测 API 支持批量处理目录内的全部图片并自动保存带检测框的结果图。from ultralytics import YOLO # 加载训练得到的最优权重 model YOLO(runs/train/defect_yolo11s/weights/best.pt) # 批量推理目录下所有图片并保存结果图与标签txt results model.predict( sourcetest_images/, # 测试图片目录 conf0.35, # 置信度阈值 iou0.5, # NMS的IoU阈值 imgsz640, # 推理输入尺寸 saveTrue, # 保存带检测框的结果图 save_txtTrue, # 保存检测结果到txt文件 save_confTrue, # 在txt中同时保存置信度 projectruns/detect, # 输出根目录 namedefect_test, # 输出子目录名 exist_okTrue, # 允许覆盖已存在的同名目录 ) # 在代码中精确控制结果 for r in results: for box in r.boxes: cls int(box.cls[0]) # 类别索引 conf float(box.conf[0]) # 置信度 xyxy box.xyxy[0].tolist() # 左上角右下角像素坐标 print(model.names[cls], conf, xyxy)save_txt 保存的标签文件与训练标签格式相同每行是“类别 置信度 x_center y_center width height”的格式方便下游质检系统直接读取。save 保存的结果图会叠加绘制检测框和类别标签方便人工复核。这里 conf 阈值设置需要说明离线测试时可以把置信度阈值设低一些以便观察模型所有可能的输出上线部署时再根据产线要求的误检率去回调阈值。6.2 大图切块推理不换模型也能救回小缺陷工业相机拍出的原图分辨率往往远超训练时的输入尺寸直接把原图缩放后送入模型小缺陷会被压缩到几乎不可分辨。切块推理是既不换模型、又能保住小缺陷的通用方案。切块策略的三个参数是切块尺寸、重叠率、缩放方式。切块尺寸一般取训练 imgsz 的 1 到 2 倍重叠率取 10% 到 20%防止缺陷恰好被切在边界上导致漏检。512x512 切块适合缺陷密集的小零件1280x1280 切块适合整体检测且缺陷相对较大的场景。切块尺寸重叠率适用场景512x51220%小零件、缺陷密集、需要精确定位640x64015%与训练输入一致通用场景1280x128010%大零件、缺陷尺寸相对较大切块推理后需要把每个子图的检测框坐标换算回原图坐标然后统一做一次 NMS 去重合并重叠区域重复检测到的目标。这个流程实现起来不复杂但对弱纹理零件表面效果明显是许多实战教程里最常用的“后悔药”方案。6.3 导出模型到 TensorRT部署端的参数优化与验收训练和验证都达到要求后要把 PyTorch 权重导出为部署格式。TensorRT 相比 ONNX Runtime 在 GPU 上通常能获得更好的推理性能。# 导出为 TensorRT 引擎文件启用半精度加速 yolo export modelruns/train/defect_yolo11s/weights/best.pt formattensorrt imgsz640 halfTrue导出完成后用测试集重新推理一次对比 TensorRT 引擎和 PyTorch 权重的检测结果是否一致。由于半精度带来的数值误差少量检测框的置信度会有细微变化这是正常现象。部署验收时还有一个细节产线上的置信度阈值不能直接照搬训练时的设定应该根据三类指标重新标定每类缺陷的误检率和漏检率分别统计取两者交叉点上合适的阈值。关于阈值标定我自己的习惯是记录批量测试样本中每个检测框的置信度按类别分桶统计画出每个缺陷类别的分布曲线再与产线可接受的误检率做匹配。这个动作虽然枯燥但能避免上线后频繁调整参数。另外每次训练前固定随机种子同时保留 best.pt 和 last.pt 两个权重文件万一训练后期过拟合last.pt 还能当一次后悔药。希望这些实战中攒下来的经验帮到你。本文还有配套的精品资源点击获取